破晓之爱
运动垂类专属模型“Keepace.ai”发布，Keep亮相WAIC_我的网站
A | 8 月 25 日消息，LinkedIn 表示，AI 劣质帖子的浏览量已不如从前，同时，被用户怀疑发布此类内容的人也将开始收到相关反馈。LinkedIn 首席产品官 Hari Srinivasan 表示，与几周前相比，目前该职业社交平台认定为 AI“垃圾内容”的帖子，整体浏览量已经下降了 40%。“尽管我们已经取得了一些进展，但我们知道还有很多工作要做，以确保 LinkedIn 始终是一个能够让你找到真实的人和真实观点的地方…… 这仍然是我们非常关注的问题。”Srinivasan 在 LinkedIn 最近发布的一篇帖子中写道。
B | Srinivasan 表示，自 LinkedIn 于 7 月 30 日推出“看起来像是 AI 垃圾”（seems like AI slop）按钮以来，已经有超过 100 万人点击该按钮，对他们认为可疑的帖子和评论进行反馈。当时，Srinivasan 强调，LinkedIn 更希望依靠用户之间的反馈，而不是使用自动化检测器来识别 AI 生成内容。“我们希望会员能够从真实的人那里获得关于内容是否听起来真实的反馈，而不仅仅是让 AI 检测器进行判断，然后出现误判。 “所谓更懂运动，不只是知道怎么练，更是知道什么该练、什么不该练，以及解释得清楚为什么。这，就是服务。” 7月17日，2026世界人工智能大会（WAIC）在上海开幕。
C | ”他写道。Srinivasan 表示，如果一篇帖子获得了“足够多的社区反馈”，LinkedIn 现在会在“帖子分析”（Post Analytics）中通过一条提示信息突出显示这一情况，“帮助你了解其他人如何看待你的内容”。他还表示，LinkedIn 已经“建立了相应的保护机制”，防止用户的内容遭到其他用户不公平地集中举报或针对。“我们从善意出发来设计这项机制；我知道自己越来越注意如何避免让内容听起来像 AI，而我们的目标是提供有帮助的反馈。
D | ”他写道。近期，随着 Anthropic 的 Claude、OpenAI 的 ChatGPT 等 AI 工具越来越普及，包括 Substack 和 YouTube 在内的其他平台也开始进一步收紧对 AI 生成内容的态度。注意到，Business Insider 的 Katie Notopoulos 最近体验了一款名为 Cringebot 3000 的 AI 工具。这款工具专门模仿 LinkedIn 上无处不在的“思想领袖”式写作风格。在一场分论坛上，Keep算法负责人武博文发表了题为《运动科技的下一个十年：AI如何重塑健康服务的本质》的演讲，首次向外界系统阐述了公司自研运动垂类模型“Keepace.ai”的需求逻辑与落地进展。 Keep算法负责人武博文 这是Keep自2025年初宣布“All in AI”战略以来，首次在WAIC这一级别的行业会议上披露其专属大模型的核心能力。她发现，与自己平时发布的帖子相比，这款工具生成的内容在 LinkedIn 上获得了更多阅读量。随着 LinkedIn 最新调整上线，Cringebot 以及其他 AI 聊天机器人生成的低质量内容可能不再触达那么多用户，同时也可能引发用户的相关反馈。Keep的分享释放了一个明确信号：运动科技行业的竞争，正在从“内容库大小”和“用户量高低”，转向“谁能用AI真正交付服务本身”。 从“卖课”到“卖服务”：为什么运动健康需要专属模型 演讲开篇，武博文回顾了Keep过去十年的核心壁垒——运动内容服务。但他指出，这一模式存在两个天花板：一是用户规模天花板，人力成本限制了高尔夫、网球等长尾课程品类的覆盖；二是商业化天花板，会员ARPU值约20元，本质是“卖课”而非“卖服务”。 AI的到来，恰恰能同时打破这两块天花板。在内容端，AIGC可以一次性补齐长尾课程品类；在商业模式端，AI Coach提供的互动、陪伴和计划设计，其商业价值可与“私教”服务对标——这让ARPU值有了近10倍的增长空间。 但一个关键问题随之而来：直接用通用大模型做运动指导，够吗？ 回答是否定的。他用“三大难度层级”解释了为什么运动健康需要一个专属大模型。
E | 第一，安全边界。
F | 通用模型的幻觉如果发生在问答场景，用户核实一下就好，但如果发生在运动指导场景，一旦被直接执行，将是不可逆的身体伤害。通用模型的优化目标是整体有用性，并未将“身体伤害”作为单独的、最高优先级的红线去对齐和评测。因此，专属模型第一件要做对的事，是把安全边界做成架构和评测体系里的硬约束。 第二，伪科学过滤。通常来说，健身是内容营销最密集的领域之一，“出汗多=减脂快”这类说法在互联网语料里的密度远超专业文献。通用模型目前没有严格的专门纠偏，会原样学习并复现。而专属模型的应对方式，则是首先把“是否有权威依据、能否溯源”做成训练和评测的硬指标。 第三，个性化颗粒度。这既是记忆架构问题——需要为每个用户持续采集和留存跨月的训练历史、疲劳趋势等数据，也是模型能力问题——把原始传感器数据转化为对用户体能水平、运动能力边界的准确刻画，需要专门的建模训练。武博文引用了行业证据：Google没有让通用版Gemini直接理解可穿戴设备数据，而是专门训练了Large Sensor Model；腾讯推出的CL-bench Life的结论也印证了，从碎片化、非结构化的真实运动饮食数据中学习推理，对现有模型极具挑战。 基于这三重判断，Keep的选择是：第一阶段先把“安全边界”和“科学性”打扎实，个性化作为需要更长期投入的能力放在后续阶段重点推进。
G | Keepace.ai三项核心能力：安全优先、科学扎实 今年4月，Keep发布了第一版运动领域专属模型Keepace.ai。武博文在演讲中展示了该模型当前覆盖的三大场景：训练课程生成、运动知识问答、运动数据解读。 在训练课程生成时，当用户问“想用哑铃练背，但最近腰不舒服”时，Keepace.ai不会像通用AI那样直接推荐俯身划船或硬拉，而是先识别风险，主动选择单臂支撑划船以分担脊柱压力，并规划完整的热身→主训→核心强化→拉伸四个环节。每个环节标注动作要领和节奏，并在建议中明确写道“若腰疼急性发作、伴下肢放射痛，先暂停训练并就医”。 而当面对用户“减肥跑步需要考虑快慢吗”的问题，Keepace.ai先给出前提——减肥的关键是热量缺口，再给出结论：“配速有影响，但对大多数人来说，能不能长期坚持，比追求某一次的高强度更重要。”同时纠正了“先烧糖再烧脂肪”的常见误区，指出三大供能系统同时工作、按强度分配比例。每一个建议都标注依据，经运动科学顾问审校，确保可验证。 在运动数据解读场景中，当跑者完成10公里同步数据后问“这次强度不低，会不会影响恢复”时，Keepace.ai能识别平均心率达估算最大心率的89%（属高强度区间），主动发现累计爬升5426米但爬升高度仅21米的GPS漂移误差，并基于运动生理学规则给出未来48-72小时恢复建议和下次训练强度调整方案。 武博文强调，这三项能力背后是同一个逻辑：选动作、给结论、读数据，每一步都把“安全”和“有科学依据”放在优先级最前面。 All in AI这一年：盈利验证、数据壁垒与模型落地 Keepace.ai的特殊能力，建立在Keep过去一年多“All in AI”战略的推进之上。 2025年2月，Keep创始人王宁发布全员信，宣布公司进入“All in AI”的十年新周期。
H | 此后，Keep在战略层面完成了从“内容平台”向“AI驱动的运动健康生态”的跃迁。 财务层面的验证是最直接的信号。据财报披露，2025年，Keep实现经调整净利润2522万元，对比2024年经调整净亏损4.7亿元，强势扭亏为盈，这是公司成立十年来的首次年度盈利。
I | 毛利率同步攀升至52.2%，较上年提升5.5个百分点，实现连续三年扩张。公司管理层在内部将AI投入定位为“替换式投入”而非“增量式投入”——AI并非在原有成本结构上叠加的新增支出，而是通过对传统内容生产方式、用户服务模式的替代，实现降本与增效的双重目标。 同时，Keep底层架构完成了关键迭代。Keep从传统流程驱动向多智能体系统（MAS）升级，支持高并发与复杂任务场景下的自主决策；同时联合专业运动机构构建了领域级Benchmark，以此指导自研模型的迭代方向。
J | 用户侧的感知与体验也十分明显。
K | 当前，Keep AI产品化的落地数据已形成闭环，截至2025年底，AI教练“卡卡（Kaka）”已为超过130万用户生成了个性化训练计划，语音陪跑功能调用超2100万次，食物图像识别350万张。Kaka数据分析功能的次日留存率为69%，AI饮食记录功能对App整体日活留存的贡献为79%。
L | 下一个十年：服务交付的起点 Keep致力于成为下一个“国民级AI应用”。十年沉淀的140亿条真实运动记录，已被拆解为17类标签、700余项指标的全景特征图谱。这些数据的时间跨度与结构化程度，构成了竞争对手难以用算力买到的护城河。 武博文在分享结尾表示，“所谓更懂运动，不只是知道怎么练，更是知道什么该练、什么不该练，以及解释得清楚为什么。这，就是服务。” 从“内容交付”到“服务交付”的转变，正是Keep定义的下一个十年竞争终点。而Keepace.ai的标准，也许可以作为垂直领域专属模型的一个观察样本，不追求通用模型的“全能”，而是在安全边界和科学依据这两个不可退让的底线之上，构建属于自己的垂直壁垒。
Current article:http://www.bainangmieruopanglaomen.sbs/news/20260826_529687.doc
Published on:11:56:47
