用 AI 管理訓練負荷：運動傷害預防從「憑感覺」變成「看數字」
職業隊早就在用穿戴感測器管理選手負荷，但台灣多數球隊還是靠防護員的經驗判斷。這篇說明訓練負荷監控的原理、AI 傷害風險預測到底能做到什麼、沒有預算的隊伍該怎麼用一張表開始，以及最容易被誤解的三件事。
一位在大專院校帶隊的體能教練跟我說過一句話，我印象很深：「我們的選手不是被對手打敗的，是被上上週的加練打敗的。」
他指的是那種很典型的狀況——賽前緊張，教練加訓練量，選手也想多練，結果比賽前一週有人拉傷。事後大家都說「就是運氣不好」。
其實那不是運氣。那是可以被看見的。
訓練負荷到底在量什麼
運動科學裡的「負荷」分兩種：外部負荷是你實際做了多少（跑了幾公里、幾次衝刺、舉了多重），內部負荷是身體承受了多少（心率、疲勞感、恢復狀態）。
同樣跑五公里，睡眠不足的那天對身體的負擔完全不同。這就是為什麼只看訓練菜單不夠。
職業隊常見的作法是選手穿背心，裡面的 GPS 與慣性感測器記錄跑動距離、加速減速次數、衝擊負荷。Catapult 是這個領域最普遍的名字，全球超過四千支隊伍在用。室內項目因為 GPS 收不到訊號，改用超寬頻定位，KINEXON 的技術就是 NBA、NFL 在用的那一套。
AI 在這裡的角色，跟你想的可能不一樣
很多人以為 AI 的功能是「預測誰會受傷」。這個說法太滿了。
實際上像 Zone7 這類平台在做的事，是把球隊本來就有的資料——訓練負荷、體能檢測、過往傷病紀錄——整合起來，算出每位選手的風險等級，並標出是哪些因素觸發了警示。
差別在哪？「這位選手下週會受傷」是預言，「這位選手最近三週負荷持續偏高、上一次類似情況後兩週發生了拉傷」是資訊。前者不可信，後者很有用。
而且這件事有個前提常被忽略：模型仰賴資料。 如果球隊過去沒有系統性記錄訓練量與傷病，剛導入的前幾個月其實是在補資料，不是在拿建議。這也是為什麼很多球隊買了系統覺得沒用——不是系統沒用，是還沒有東西可以學。
沒有預算的隊伍，可以這樣開始
穿戴裝置一套要幾十萬，台灣多數校隊與業餘球隊負擔不起。但負荷監控最有價值的部分，其實不需要硬體。
主觀運動強度（RPE）乘上訓練時間，就是運動科學裡用了幾十年的訓練負荷指標。作法簡單到有點好笑：
- 每次訓練結束後半小時，讓球員填一個 0 到 10 的主觀強度分數
- 乘上訓練的分鐘數，得到當日負荷
- 累加成週負荷
- 計算「最近一週負荷 ÷ 前四週平均負荷」
第四項就是常被引用的急性慢性負荷比。比值明顯偏高，代表訓練量在短期內暴增，那是需要多看一眼的時候。學界對這個指標的算法仍有爭論，但作為基層球隊的第一個警示燈，它夠用了。
一張 Google 表單、一個試算表，加上你願意每天花五分鐘看一眼，這件事就能開始。
最容易誤解的三件事
第一，數據不會做決策。 系統跳出紅燈，是提醒你去看那位選手，不是要你直接把他排除在名單外。實際判斷要結合防護員的觸診、選手的主觀回饋與比賽的重要性。
第二，比賽日的負荷常常被漏掉。 很多隊伍只記錄訓練，但比賽的強度往往是訓練的兩倍。漏掉這一塊，整個累積負荷都是失真的。
第三，恢復比訓練更難記錄。 睡眠、營養、課業壓力、感情狀況——這些對青少年選手的影響巨大，卻幾乎不會出現在任何負荷系統裡。有經驗的教練知道，某個孩子最近狀況不對，多半跟訓練菜單無關。
台灣的實際狀況
台灣職業運動這幾年開始導入負荷監控，但基層仍普遍停留在「防護員憑經驗判斷」。這不是因為教練不重視，而是資源結構的問題：一位防護員可能同時要顧三支球隊，根本沒有時間做長期資料追蹤。
我覺得比較務實的路線有兩條。
第一條是先把資料存下來。 就算你現在不會分析，先用簡單的表單記錄訓練量與傷病，一年後你會有一份沒有其他人有的資料。這件事的成本幾乎是零，但價值會隨時間累積。
第二條是跟學校體育系所合作。 台灣的運動科學研究能量其實不錯，體育系的學生需要真實資料做研究，球隊需要有人分析資料，這是雙贏的組合。比起自己摸索，找一位研究生合作往往走得更快。
至於裝置的採購，我的建議是先問一個問題：買回來之後誰要看那些數字？ 沒有人負責解讀，穿戴裝置就只是一堆很貴的背心。這句話聽起來刻薄，但這是我看過最多球隊踩的坑。
TheAI學院 總結與評語
運動傷害預防這件事，最貴的從來不是設備，是一位主力傷停六週的代價。職業隊算得很清楚，所以他們買；基層隊算不起，所以只能靠經驗——但這中間其實有一大塊是可以靠土法煉鋼補上的。
評語：負荷監控真正的價值不在預測未來，而在讓「我覺得他有點累」變成「他這三週的負荷比上個月高了 40%」。前者無法討論，後者可以。
給台灣讀者的具體建議：這個月就開始收 RPE。一張表單、每次訓練後五分鐘、堅持一整季。等到某天你能對著數字跟教練說「他上週的負荷是平常的兩倍」，你就會明白這件事的價值——而那時候你還一毛錢都沒花。
延伸閱讀：基層球隊的 AI 比賽影片分析流程、運動數據分析職涯指南，健身族群則可以參考 AI 健身計畫指南。
資料來源
（本文依公開資訊整理，不構成醫療或訓練處方建議，選手傷病請諮詢專業人員。）
常見問題
沒有穿戴裝置也能做負荷監控嗎？
可以。主觀運動強度量表（RPE）乘上訓練分鐘數，就是最經典的訓練負荷指標，一張 Google 表單就能收。研究上它與客觀指標的相關性其實不錯，缺點是要球員每天誠實填。
AI 真的能預測受傷嗎？
只能給機率，不能給答案。傷害是多因素事件，模型能做的是提醒你多留意某位選手，最終判斷仍在醫療與體能團隊手上。任何宣稱能準確預測受傷的說法都該懷疑。
急性慢性負荷比是什麼？
把最近一週的訓練負荷除以前四週的平均負荷，比值過高代表短期內訓練量暴增，是常被引用的受傷風險指標。學界對它的計算方式仍有爭論，適合當參考而非唯一依據。
室內項目的 GPS 追蹤準嗎？
不準，室內收訊不良。室內項目要靠慣性感測搭配場館定位基站，例如超寬頻定位系統，成本與布建方式跟戶外完全不同，導入前要先確認場館條件。