「醫師，我最近想挑戰全馬，聽說現在有很多AI（人工智慧）工具可以幫忙排訓練課表，您覺得這些AI生成的計畫靠譜嗎？」林先生一臉好奇地問道，他是一名在科技業工作的工程師，平時喜歡慢跑，但對準備馬拉松這項極具挑戰性的耐力運動，仍感到有些陌生與焦慮。
「林先生，您的問題問得很棒，這確實是許多跑者，特別是像您這樣希望利用新科技輔助訓練的朋友，會關心的議題。」我點點頭，回應道：「隨著AI技術的突飛猛進，它已經開始滲透到我們生活的各個層面，當然也包括運動健身。對於像馬拉松這樣需要高度規劃與堅持的賽事，確實有越來越多AI工具聲稱能提供訓練方案。不過，這些AI生成的訓練計畫是否真的符合科學依據，並且對不同程度的跑者都適用，這在學術界和運動科學領域，一直是一個值得深入探討的議題。」
我拿起桌上一份最近的醫學公報，緩緩說道：「就在最近，一項發表在英國醫學公報上的研究，深入探討了這個問題。他們評估了目前市面上多款主流的AI模型，看看它們在生成馬拉松訓練計畫方面的表現如何，是否能與經過同行評審的運動科學文獻所確立的訓練原則相符。」
這項研究的核心目的，便是要釐清人工智慧是否能可靠地，根據已有的實證醫學基礎，為跑者提供有效的訓練處方，特別是針對馬拉松這種對耐力與體能要求極高的運動項目。研究人員的作法很有趣，他們選取了包含Claude 3.5 Sonnet、Claude 3.5 Haiku、ChatGPT 4.0、ChatGPT 0.1、ChatGPT 4、Gemini 2.0 Flash、Gemini 2.0 Flash Thinking，以及DeepSeek R1等八款領先的AI模型。他們給予這些AI模型同樣的指令，要求它們為三種不同程度的跑者——初學者、中階跑者和進階跑者——設計一份為期六個月的馬拉松訓練計畫。之後，研究人員再將這些AI生成的計畫，與現行的運動科學文獻中關於馬拉松訓練的關鍵要素進行比較與分析。這種比較主要是定性分析，而非實際訓練後的數據量化結果，旨在評估AI計畫與科學原則的吻合度。
究竟AI在規劃馬拉松訓練方面有哪些值得稱許的表現，又有哪些環節是目前仍有待加強的呢？根據這項研究的發現，我們可以從幾個面向來深入了解。
人工智慧的潛力與亮點：基礎原則的掌握
我接著解釋道：「根據這項研究，這些AI系統在某些核心訓練概念的掌握上，表現出不錯的潛力。它們普遍能識別出馬拉松訓練中幾個非常重要的組成部分，這與當前耐力訓練的理論是高度吻合的。」
首先，許多AI模型都能在訓練計畫中納入「每週跑量的漸進式增加」（weekly mileage progression）。這是一個非常基礎且關鍵的訓練原則。想像一下，我們的身體需要時間來適應越來越大的訓練負荷。如果跑量增加太快，不僅容易造成身體過度疲勞，更可能導致受傷。因此，循序漸進地增加每週的總跑量，讓肌肉、骨骼、關節和心血管系統有足夠的時間進行適應與強化，是馬拉松訓練成功的重要基石。AI能夠理解並將這個概念融入計畫中，顯示它在基礎的訓練強度管理上有一定的認知。對於一般跑者而言，能夠獲得一個有結構、有步驟的跑量增長計畫，確實是相當有幫助的。
其次，研究也顯示，這些AI模型普遍都能在訓練計畫中包含「賽前減量期」（tapering）的概念。賽前減量期，顧名思義，就是在馬拉松比賽前的一至三週，逐步減少跑量與訓練強度，但保持一定的運動頻率。這並不是偷懶，而是為了讓身體在比賽前達到最佳的恢復狀態，儲備足夠的能量，同時讓肌肉和神經系統從長期訓練的疲勞中復原。經過適當減量期的跑者，通常能在比賽中發揮出較好的表現。AI能自動將這個重要的生理調整機制納入訓練計畫，無疑提升了其計畫的科學性與實用性。這對於不熟悉訓練原理的初學者來說，尤其是一個重要的指引，避免在賽前過度訓練而影響比賽表現。
第三個值得注意的發現是，大多數AI系統在規劃訓練強度分佈時，都能建議將「較高比例的訓練時間用於低強度運動」，具體來說，是將超過八成的訓練時間安排在較低的運動強度區間。這個「80/20法則」或類似的強度分佈策略，是當代耐力訓練理論中一個廣為接受的原則。它強調透過大量低強度、長時間的訓練，來建立紮實的有氧基礎，提升身體利用脂肪作為能量的效率，同時降低訓練對身體的壓力，減少受傷風險。而較少的、高強度的訓練則用於提升速度、VO2 Max（最大攝氧量）等關鍵指標。AI能夠掌握這種進階的訓練強度分配概念，顯示出它在理解複雜訓練理論方面的潛力，能為跑者提供一個符合科學依據的強度指南。這對於許多跑者而言，是個重要的參考，可以幫助他們避免「跑得太快、跑得太多」的常見錯誤，專注於建立穩固的耐力基礎。
綜合來看，這些AI系統在提供結構化、原則性的訓練內容上，確實展現出強大的潛力，能將一些現代耐力訓練的核心原理，以相對容易理解的方式呈現出來。對於許多初次接觸馬拉松訓練，或是希望有一個基本框架的跑者來說，這提供了便捷且有組織的入門方案。
人工智慧的限制與挑戰：精準度與個性化的不足
然而，這項研究也清楚指出，人工智慧在生成訓練計畫方面，目前仍存在一些顯著的限制和有待改進的地方，特別是在精準度、完整性以及個性化方面。這些限制可能會影響AI計畫的實際效果，甚至在某些情況下，可能不適合直接應用。
其中一個主要的問題是，不同AI模型的回應在「準確性」和「完整性」上存在差異。有些AI工具在生成的計畫中，會遺漏一些關鍵的訓練細節，例如未能明確給出每週的具體跑量目標，或者提供的數據不夠完整。想像一下，一份訓練計畫如果沒有具體的數字指引，跑者就很難知道自己每週應該跑多少公里，這樣計畫的執行性就會大打折扣，跑者可能因為不確定而盲目訓練，這不僅無法有效提升表現，更可能因為訓練不足或過度而產生問題。
更令人關注的是，研究發現一些AI模型在區分不同程度跑者的訓練計畫時，表現得不夠精準。舉例來說，它們有時候會把「中階跑者」和「進階跑者」的訓練計畫混為一談，彷彿兩者屬於同一個水平。然而，這兩種跑者在體能基礎、訓練目標和所需刺激上，存在著顯著的差異。中階跑者可能仍在鞏固基礎、提升速度耐力，而進階跑者則可能追求更快的比賽時間，需要更精細的配速策略、更高強度的間歇訓練，以及更精確的恢復安排。如果AI無法有效地區分這些差異，為不同程度的跑者提供「客製化」的計畫，那麼其建議的實用性就會受到很大的限制。一個為中階跑者設計的計畫，對於進階跑者而言可能強度不足，無法達到提升效果；而對於初學者來說，若不慎參考了過於進階的內容，則可能導致過度訓練或受傷。
此外，研究還發現AI在提供「配速數據」方面，特別是針對進階跑者，存在著不一致的情況。配速（pacing）在馬拉松比賽中至關重要，尤其對於有明確時間目標的進階跑者而言，精準的配速計畫是達成目標的關鍵。這包括長跑配速、間歇跑配速、輕鬆跑配速等等。如果AI給出的配速數據不準確或前後矛盾，跑者將難以依照計畫進行訓練，這不僅會影響訓練效果，也可能在比賽中因為配速不當而功虧一簣。對於需要高精準度訓練的進階跑者來說，這是一個明顯的不足。
值得強調的是，這項研究進行的是「定性分析」，主要評估的是AI計畫與既定訓練原則的符合程度，而非「量化結果」的統計學推論。換句話說，研究並沒有實際讓跑者去執行這些AI計畫，然後比較他們的成績或受傷率。因此，我們不能斷言這些AI計畫會導致跑者表現更好或更差，只能說它們在「遵循科學原理」這一點上，有其優勢也有其不足。
給跑者的建議：善用科技，但勿忘專業判斷
「林先生，總結來說，這項研究告訴我們，人工智慧在馬拉松訓練計畫的生成上，確實展現出極大的潛力。」我將報告輕輕放下，語氣中帶著專業的審慎：「它能夠快速且方便地產出結構化的訓練內容，並能抓取一些重要的訓練原則，比如循序漸進的跑量增加、賽前減量以及有氧訓練為主體的強度分配。這對於希望獲得基礎指導的跑者而言，是一個容易取得且有一定參考價值的起點。」
「不過，我們也必須清醒地認識到，目前這些AI系統仍有其顯著的局限性。」我強調：「特別是在『個性化』和『專業監督』這兩方面，目前的AI還無法完全取代人類教練或運動醫學專業人士的角色。每個人的身體狀況、健康背景、訓練經驗、生活壓力、甚至情緒反應都是獨一無二的。一份真正有效的訓練計畫，需要根據這些個人化的數據和實際情況進行動態調整。例如，在訓練過程中，跑者可能會遇到輕微的傷痛、感冒，或是工作壓力大、睡眠不足等問題，這些都需要專業人士的判斷，才能決定是否需要調整訓練量或暫停訓練。目前的AI，還無法根據跑者實時的身體反應和生活狀況，做出這樣精細且富有同理心的判斷。」
「這項研究的結論也明確指出，在這些AI計畫被大規模應用於實際訓練之前，我們還需要進一步的驗證。」我望向林先生：「未來的研究，應該會聚焦於進行更大規模的隨機對照試驗，讓跑者實際去執行AI生成的訓練計畫，並將他們的訓練成果、受傷狀況等『實際結果』與專業教練制定的計畫進行比較。更進一步的發展方向，還包括將個人的生理數據，例如心率變異性、睡眠品質、恢復狀況等，整合到AI模型中，讓AI能夠生成更具備『個人化』調整能力的訓練計畫。」
「所以，林先生，我給您的建議是，您可以將AI生成的馬拉松訓練計畫，視為一個『初步的參考』或是『靈感的來源』。」我做出總結：「它確實能提供一個大方向和基礎框架，但切記不能將其視為唯一或絕對的指導。在執行AI計畫時，您仍需要保持警覺，密切觀察自己的身體反應。尤其對於初學者或是身體狀況較為複雜的跑者，我會更建議您在開始訓練前，諮詢專業的跑步教練或運動醫學醫師，讓他們評估您的身體條件，並協助您客製化一份更安全、更有效、更符合您個人需求的訓練計畫。AI只是工具，如何善用這個工具，並將它與人類的智慧與經驗結合，才是您成功挑戰馬拉松的關鍵。」
林先生若有所思地點點頭，臉上的焦慮感似乎減輕了不少。「謝謝醫師，我明白了。我會先找個專業教練討論一下，再看看怎麼結合AI的建議。」
這項研究提醒我們，儘管人工智慧的發展令人振奮，它在為運動員提供專業訓練處方方面仍處於早期階段。其強大潛力在於提供基礎架構和提高可近性，但對於精確的個性化需求和潛在的風險管理，人類的專業判斷和監督，在可預見的未來仍然是不可或缺的。未來AI的發展，將會朝向更智慧、更個人化的方向邁進，但目前的跑者仍需理性看待，將AI視為輔助而非取代專業的工具。
參考文獻：
Artificial intelligence-generated marathon training programs: reliable tools in exercise prescription for athletic performance?. Br Med Bull. 2026 Jan 02; 157(1). doi: 10.1093/bmb/ldag010
