大家平常有在使用生成式AI嗎？
我在日常工作中，從程式碼生成到架構規劃的腦力激盪等專業領域的應用自不在話下，也會用Nano Banana來畫圖和插畫，還有在本站部落格文章的撰寫輔助上也有活用。可以說是每天都在使用。
而最近，我也開始在跑步領域嘗試活用了。在日常訓練中導入生成式AI（Gemini、ChatGPT等）後，發現不僅非常實用，還相當有趣，所以想分享這個體驗。感覺就像隨時有一位虛擬的私人教練在身邊，針對跑姿改善和各種疑問給予回饋。
我的跑鞋歷程與跑姿的變化
長年以來，我一直愛用零落差和極簡跑鞋。這類促進自然著地的跑鞋，能夠紮實地運用腳部肌肉來跑步是其魅力所在。但在2020至2023年左右，擔任迪卡儂（Decathlon）品牌大使期間，比較常穿的是緩衝性較高的跑鞋。迪卡儂的跑鞋性價比極佳，但沒有零落差的款式，大多偏向高緩衝。
品牌大使期間結束後，重新回到Altra和Topo Athletic的零落差跑鞋時，日常慢跑沒有問題，但在比賽和長距離跑中開始出現小腿疼痛和不適感。
原因是，我認為經過數年穿著高緩衝跑鞋後，步幅（stride）變長，變得有過度跨步的傾向。這點從智慧手錶取得的數據分析中也能看出同樣的趨勢。
似乎是因為過度依賴著地時的衝擊吸收，小腿和阿基里斯腱的負荷產生了變化。回到零落差跑鞋後，小腿突然被拉伸，容易出現疼痛是常見的問題。
向生成式AI諮詢獲得的洞察與改善方案
活用生成式AI。將每天跑完步後的感想（例如「跑了20km的越野跑賽事，但小腿繃緊了」「不蹬地的跑姿是什麼？」等）輸入AI來獲取回饋。
例如：
- 跑步距離、配速、跑鞋種類
- 感受到的不適（小腿疼痛、著地位置等）
- 過去的數據（以文字分享Garmin或Strava的紀錄）
- 有疑問的地方提問等
把這些丟進Gemini，就能得到基於科學根據的建議。被指出「試試把步頻提高到180 SPM（steps per minute）左右如何？可能是高緩衝習慣導致步幅容易變長的影響」，我覺得非常有道理。
180 SPM是許多精英跑者作為基準的高效步頻，能縮短觸地時間並分散負擔。我開始使用智慧手錶的節拍器功能來有意識地控制步頻。
此外，就跑姿改善應該做哪些訓練動作進行諮詢後，得到了以下建議：
| 訓練動作名稱 | 效果 |
|---|---|
| 踝跳（Ankle Hop） | 強化腳踝彈力，提高反彈力 |
| 百步抬腿（100-Up） | 調整著地和抬膝的節奏，是經典訓練動作 |
| 單腿硬舉（Single Leg Deadlift） | 強化腿後側肌群和穩定性 |
| 離心小腿抬舉（Eccentric Calf Raise） | 鍛鍊小腿的離心收縮，提升耐久力 |
| 扶牆提拉訓練 | 培養「只做提拉」感覺的最強訓練動作。創造出無法蹬地的情境 |
雖然才剛開始實施，改善的實感還不太明顯，但目前最大的感受是，透過轉換為高步頻跑法，零落差跑鞋的優勢更能發揮出來。
一開始也曾考慮換成低落差跑鞋（3mm～6mm），但覺得腳的疼痛應該是某種啟示，於是隨意向生成式AI詢問了一下，結果就這樣持續了大約兩週。
推薦給大家的理由
生成式AI可以24小時隨時諮詢，並且能累積個人數據提供更精確的建議。
- 分享每日跑步紀錄 → 像教練一樣分析
- 每月一次回顧 → 幫你整理進度
- 提議新的訓練動作和伸展 → 甚至附上教學影片連結
當然，AI並不能取代醫生或真正的教練，但作為虛擬教練非常好用。
大家也試試跑完步後把感想丟給AI吧。說不定會有意想不到的發現！我正持續使用這個方法，為下一場比賽磨練跑姿。每當有新發現或感受到逐漸改善的地方，就會覺得很開心。
雖然是開源的，但似乎有Strava的MCP伺服器存在，如果活用這個將Strava同步的數據與生成式AI直接串接，分析更細緻的指標，或許能獲得更有趣的洞察。這個就當作冬天的自由研究來嘗試吧。
有任何問題歡迎留言。一起升級我們的跑步吧！
