普通规则什么时候足够？
明确阈值、计数、区间和状态转换可以用规则或统计完成。它们更容易解释、测试和在低功耗设备部署。
AI DECISION TREE
od体育AI与智能运动算法技术
od体育AI区分规则、统计、机器学习、计算机视觉与生成式AI。GPS负责定位、传感器负责采集，它们本身不等于生成式AI；只有在数据、任务、评价和部署链完整时，模型才构成体育人工智能功能。
活动识别怎样工作？
IMU等连续信号经过切窗、特征和分类，输出跑步、走路、静止或动作阶段。数据标签和跨用户评价决定可用性。
计算机视觉分析什么？
摄像头画面通过人体检测、关键点和姿态时序形成动作判断，同时要处理遮挡、光线、多人和隐私。
生成式AI负责什么？
它更适合知识问答、说明和训练记录摘要，不替代传感采集、滤波、定位和专门活动识别模型。
MODEL LIFECYCLE
训练数据少、场景漂移和模型评价
训练数据少时应缩小任务、建立规则基线、收集代表性样本并使用适当验证，而不是用复杂模型掩盖不足。模型评价不能只看平均准确率，还要按用户、运动、环境、设备版本和错误类型分组，并加入延迟、内存与功耗。真实场景问题要进入错误库和回归。
AI KNOWLEDGE BASE
体育AI技术文章
ENGINEERING FAQ
常见技术问题
什么情况真正需要AI？＋
当规则难以表达复杂模式、已有足够代表性数据且模型带来的增益能被测试时，才值得采用AI。
什么时候普通规则算法就够了？＋
阈值、计数、状态机和明确统计可以可靠解决的问题，通常先建立规则基线。
AI应该在设备端还是手机端运行？＋
取决于延迟、功耗、数据量、隐私、离线和更新能力，常见方案是分层处理。
模型为什么会场景漂移？＋
用户、佩戴、动作、环境和设备版本会让真实数据分布不同于训练集。