你的手機裡，現在就躺著一份近乎完美的健身計畫。三十秒前，你打開 AI，丟給它你的身高體重、現有器材、一週能練幾天，它就吐回一份條理分明的課表：漸進超負荷、週期化安排、連「每公斤體重每天吃約 1.6 克蛋白質」這種專業數字都幫你算好了。十年前，這份東西要花你一個月薪水請教練、或熬夜啃幾百支影片才湊得出來。
然後呢？然後它就靜靜躺在筆記軟體裡，而你已經兩個禮拜沒進健身房了。問題從來不在計畫——在執行力。
面對這個場景，網路上有兩種廉價的聲音。一種是雞湯：「有 AI 加持，你一定能練出夢想身材！」另一種是犬儒：「AI 那套都是炒作，根本沒人靠它變強。」這兩種我都不買單——因為它們漏掉了同一件、而且是最關鍵的一件事：那份計畫，從來就不是你的問題。
這篇文章要跟你拆解一個能套用到「任何想變強的領域」的鏡頭。先把結論講白：資訊從來不是瓶頸；個人化的計畫、即時的回饋、和持續的執行才是。AI 第一次把前兩者的成本打到趨近於零——這是真的、也是新的——但「持續做下去」還是你的事，而那正是九成的人卡住的地方。換句話說，AI 拿掉的是你最後一個藉口，不是最後一個障礙。真正稀缺的，從來不是資訊，是執行力。我不會灌你雞湯，這篇會把這件事拆到你能驗證、也能這週就動手裝上系統。
先說結論：免費的是「入場券」，不是「結果」
- 核心觀念：一件事能不能做成，要過三道關卡——①知道該做什麼（資訊）②有人為你量身訂做、給你即時回饋（個人化＋回饋）③你真的持續做下去（執行）。網路讓第①關幾乎免費，AI 第一次讓第②關也變便宜；但第③關「執行力」，沒有任何工具能替你完成。瓶頸，正一路往下搬到你身上。
- 一個今天就能用的測試：下次當你又想「再找一份更好的計畫／再看一支影片」時，停下來問自己——「我真正卡住的，是不知道怎麼做，還是知道卻沒做？」誠實回答，你會發現絕大多數時候是後者。那一刻你就該明白：要動手的不是「找更好的計畫」，是「想辦法讓自己持續執行」。
- 但別被騙：社群上那些「我靠 AI 練出腹肌」的轉變影片，是分子沒有分母的倖存者偏差——你看不到同樣設定了 AI、卻練兩週就放棄的一大票人（他們默默刪了 app，不會發文）。而且會主動去設定並長期使用 AI 教練的人，本來就是動機特別強的一群，他們用任何工具大概都會成功。把這兩個坑記著，後半會講清楚。
這個想法到底在說什麼：資訊早就免費了，結果卻沒跟上
先把一個常見的誤會擋下來：大多數人以為，自己之所以還沒變強／變專業／變健康，是因為「缺資訊」——缺一份對的計畫、缺一個高人指點。但這個假設，在資訊爆炸了二十年之後，早就站不住腳。健身、語言、寫程式、投資⋯⋯每一個領域最頂尖的知識，現在都在 YouTube 上免費、隨點隨看。如果「缺資訊」是真的瓶頸，這二十年我們應該集體變強才對。
事實是反過來的。要把一件事做成，得通過三道不同的關卡，而它們的成本曲線完全不一樣：
第②關為什麼以前那麼貴，是這整件事的關鍵。教育學家班傑明・布魯姆（Benjamin Bloom）在 1984 年提出著名的「兩個標準差問題」（The 2 Sigma Problem）：接受「一對一家教＋精熟學習」的學生，表現比一般課堂教學的學生平均好上大約兩個標準差——粗略地說，是把後段班拉到前段班的差距。但布魯姆把它稱為一個「問題」，原因很尖銳：一對一的個人化關注「成本太高，無法大規模實施」。真正有效的從來不是資訊本身，是「為你量身訂做＋盯著你給回饋」這件事，而它貴到只有少數人請得起。
經濟學家鮑莫爾（William Baumol）的「成本病」（cost disease）解釋了為什麼會這樣：像教學、教練、治療這類勞力密集的個人服務，生產力很難隨科技提升（一個好教練一小時還是只能盯一個人），所以它們的相對價格只會越來越貴。這就是過去幾十年的世界：資訊的價格一路跌到趨近於零，個人化的回饋卻一直被鎖在高價區。而 AI 真正動到的，正是這塊以前動不了的硬骨頭——它第一次讓「為每個人量身生成計畫、再根據回饋調整」變得幾乎免費。這才是它跟「免費影片」時代真正不同的地方。
我們其實已經跑過這場實驗了：免費的哈佛，為什麼沒讓所有人變強
抽象的話講再多，都不如一個我們已經真實跑過、而且有完整數據的實驗。2012 年前後，全世界最興奮的一個念頭叫「MOOC」（大規模開放線上課程）：哈佛、MIT、史丹佛把它們最頂尖的課，免費開放給地球上任何一個有網路的人。當時人人都相信，教育的高牆要被推倒了——只要把世界級的內容免費送到所有人面前，結果自然會跟上。
結果呢？哈佛與 MIT 的研究者 Justin Reich 與 Ruipérez-Valiente 在 2019 年的《Science》論文〈The MOOC Pivot〉裡，攤開了 2012–2018 年 edX 平台上 563 萬名學習者、1,267 萬筆註冊的完整數據。投資了六年，結局是這樣的：
- 所有註冊者的完課率始終低迷、甚至不升反降——2014–15 年約 6%，中間兩年掉到約 4%，到 2017–18 年只剩 3.13%。
- 約 52% 的人註冊後，連課程都沒打開過一次。
- 學完一門、隔年回來再上一門的「第二年回訪率」，從第一屆（2012–13）的約 38%，一路降到 2016–17 屆的約 7%。
同樣是世界上最好的內容、免費、零門檻，為什麼大多數人拿到了卻沒結果？答案，藏在這份研究裡最漂亮的一個對照組：在那一小群付了錢、事先公開承諾「我要拿到證書」的 verified（付費認證）學習者裡，完課率高達 約 46–56%——以 2017–18 年來說，是同年免費瀏覽者（約 3%）的大約十五倍。
請把這個數字看進去：內容一模一樣，結果差十五倍，唯一的差別是「有沒有把自己綁進一個會逼你執行的結構」。這就是整件事的核心——資訊從來不是瓶頸，執行力才是。而「AI 把世界級計畫免費送給每個人」這句話，跟「edX 把哈佛免費送給每個人」在結構上一模一樣。我們不是在猜 AI 健身教練的結局，我們其實已經跑過一次這個實驗了。
如果你覺得線上課程太遙遠，那看一個更貼身的版本：健身房悖論。經濟學家 DellaVigna 與 Malmendier 在一篇名字就很諷刺的論文〈Paying Not to Go to the Gym〉（付錢不去健身房，AER 2006）裡，追蹤了三家健身房 7,752 名會員三年的真實出席紀錄。結果：付月費（每月超過 70 美元）的會員，平均每月只去 4.3 次——換算下來每次運動成本超過 17 美元，但同一家健身房的十次券，每次只要約 10 美元。八成的月費會員，其實買單次還比較划算。更刺眼的是，這些人辦卡時「預測」自己每月會去 9.5 次，實際卻只去了 4.17 次——預測足足是現實的兩倍多。他們缺的不是資訊（健身房就在那、器材都有），缺的是對「未來那個會偷懶的自己」的誠實。研究者一針見血：問題出在對自我控制力的過度自信。
把鏡頭再拉到最遠：根據美國 CDC 的 NHANES 長期調查，美國成人肥胖率（20 歲以上、年齡標準化）從 1999–2000 年的 30.5% 一路升到 2017–2018 年的 42.4%，嚴重肥胖更從 4.7% 翻倍到 9.2%。而就在同一段時間，健身與營養的資訊從稀缺變成無限免費（YouTube 在 2005 年才誕生）。我不會說「免費資訊害大家變胖」——肥胖有飲食環境、加工食品、社經結構等一大堆原因，這是因果謬誤。但這個並存本身已經夠說明問題：資訊的洪水，並沒有把結果一起沖上岸。
為什麼 AI 這次「真的」不一樣——以及它的邊界
講到這裡，你可能以為我要唱衰 AI。不。我要很公平地說：AI 確實帶來了一個真實的、過去做不到的突破。它攻破的，正是布魯姆口中那道「太貴、無法規模化」的個人化高牆。而且這不只是「能生成計畫」而已——已經有控制良好的研究顯示，AI／聊天機器人式的介入，真的能推動實際發生的行為，不只是嘴上的意圖。2023 年一篇彙整 19 個試驗的統合分析（npj Digital Medicine）發現，聊天機器人讓受試者平均每天多走約 735 步、每天多吃約一份蔬果、每晚多睡約 45 分鐘。這些是真的有動起來的數字。
更關鍵的是，研究發現「會根據你的回饋動態調整」的個人化（dynamic tailoring），是唯一一種在介入結束 12 個月後仍然顯著的形式（Krebs 等人 2010，統合 88 份研究、超過十萬人）。換句話說，AI 最擅長的那件事——持續為你量身微調——剛好就是最能撐住長期執行的那一塊。所以「AI 解決個人化和回饋、卻完全碰不到執行」這種乾淨俐落的二分法，其實太天真了：個人化和回饋，本來就是執行力的一部分成因。
但——這是這篇最重要的一個「但是」——「在邊際上幫助」不等於「解決」。那些漂亮數字幾乎全來自實驗室裡的隨機對照試驗：受試者被招募、被監控、本來就有一定動機。一走出實驗室到真實世界，畫面立刻變調：
- 真實流失率高到嚇人。健康類 app 介入的統合分析顯示，平均退出率約 43%（部分高達 82%）；某個真實世界世代研究裡，只有約 2% 的人維持了足以產生效果的持續使用。AI 拉高的是「最理想情況下的天花板」，沒有修好中位數那個人的半途而廢。
- 效果是小到中等，而且難以持久。上面那些統合分析的效果量大多落在「小到中等」；而真正還沒被解決的，是「怎麼讓效果在介入結束後撐下去」——維持，才是這整個領域公認最難的一塊。AI 的推力是真的，但它是順風，不是火箭。
- 真正用現代大型語言模型（LLM）做的嚴謹試驗，幾乎還不存在。絕大多數正面證據來自規則式或早期 AI 的聊天機器人、簡訊提醒，而不是今天的生成式 LLM。少數真正拿 LLM 跟真人對照的研究之一（2025，n=87）只證明了「AI 寫的鼓勵訊息，被覺得跟真人一樣有幫助」——它明確沒有測量這些訊息有沒有真的改變行為或體重。
再加上兩個 AI 教練先天的物理限制：它看不到你的動作（深蹲姿勢跑掉、它毫無所覺），也無法為你的安全負責。涉及傷病、疼痛或任何醫療狀況，請去找真正的專業人士，別把性命交給一個會「自信地給你錯答案」的模型。
順帶把幾個常見的健身迷思一起戳破，因為它們也是「以為再多懂一點就會變強」的幻覺：所謂「肌肉混淆」（不斷換動作去「騙」肌肉）並沒有比穩定地漸進超負荷更會長肌肉；「沒有痠痛就沒有效果」是錯的，延遲性痠痛（DOMS）既不是長肌肉的必要條件、也不是可靠指標；「不練肌肉會變脂肪」更是生物學上的不可能（肌肉和脂肪是兩種完全不同的組織）。你看，連這些「知識」都已經是免費可查、而且大多是雜訊——再次證明，缺的從來不是資訊。
AlphaLab 的判讀：別再優化計畫，去工程化你的執行力
我同意什麼：AI 把「個人化計畫＋即時回饋」的成本打到趨近於零，是貨真價實的突破，不是炒作。布魯姆那道「太貴」的牆，第一次真的被推動了。對於本來就有動機、只是請不起教練的人，這是天大的好消息。
我存疑什麼：「免費教練人人有 → 大家就會變強」這個推論，極可能是 MOOC 劇本的重演。更危險的是一個反直覺的陷阱：被當成「人人平等的工具」的新科技，往往反而擴大差距——因為本來就比較有自律、有資源、有底子的人，能從同一個工具裡榨出更多價值（這在教育科技裡叫「馬太效應」）。免費的 AI 教練，很可能讓本來就會練的人練得更好，而對最需要幫助的那群人幾乎沒動到。它democratize（普及）的是「投入」，不是「結果」。
我會怎麼改：停止把力氣花在「找一份更完美的計畫」上——那是 95 分跟 92 分的差別，邊際效益趨近於零，而且它常常只是「假裝在進步」的拖延。把省下來的力氣，全部投到那個真正稀缺、也真正決定成敗的變數：執行力。一句話的版本：不要再優化計畫，去工程化你的執行。把 AI 當成它最強的角色——一個近乎免費的「計畫與回饋引擎」——然後把「持續做下去」當成一個需要你親手設計的系統，而不是一個靠意志力硬撐的指望。
怎麼真的用上它：這週就能裝上的執行力系統
讀完覺得有道理、但什麼都沒變，那這篇就只是另一份你不會執行的計畫。所以把上面整套濃縮成一個你這週就能跑一次的流程。挑一件你「一直在找更好方法、卻一直沒真的開始」的事，照著做：
- 先承認：你缺的不是計畫，是「持續」。把目標從「找到最完美的課表」改成「設計一個我會持續做下去的系統」。光是這個轉念，就能讓你停止用「研究」來偽裝拖延。
- 讓 AI 做它最強的那件事——而且要用「動態」的方式。給它三樣東西：你的目標、現有條件（器材、一週可練幾天、經驗、傷病史）、和「請套用漸進超負荷」。然後關鍵一步——每週把你實際做到的數據貼回去，讓它根據你的進度與卡關調整下一週。會根據回饋調整的個人化，才是唯一被證明長期有效的。至於「每公斤吃 1.6 克蛋白質」這種資訊，三十秒就能問到——這正好提醒你：計畫早就不是瓶頸了。
- 把「執行」工程化（這才是真正的重點）。三個零成本、但有研究撐腰的開關：
① if-then 排程：把模糊的「我要多運動」換成具體的「週一、三、五早上七點，我換上鞋、走進健身房」——固定時間、地點、觸發點。這種「執行意圖」（implementation intention）是行為科學裡少數效果穩定、效果量可觀的技巧。
② 製造「有人在看」：找一個真人問責對象（朋友、訓練夥伴、社群），別只靠 AI。研究一致顯示，「有人引導」的數位介入，效果勝過「純自助」。
③ 為「破功」預先寫好劇本：漏掉一天不是失敗，是系統的一部分——預設好「漏掉就下一場照常，不補償、不自責」，別讓一次缺席滾成全面放棄。 - 做一週實驗：把「找更好的計畫」換成「先出現兩次」。這一週，對你選的那件事，不准再花任何時間研究更好的方法。只准做兩件事：(a) 讓 AI 生成一份「夠好」的計畫（30 分鐘封頂），(b) 用 if-then 把它排進行事曆，然後真的去做兩次。一週後你會清楚看到自己卡在哪——我幾乎可以保證，卡點不是計畫，是「出現」。
最後，偷學 MOOC 那個十五倍的祕密：把自己從「免費瀏覽者」變成「verified 學習者」。方法就是給自己裝上同樣的承諾結構——押一筆會心疼的錢、公開向別人宣告、找一個會追問你的問責夥伴。順帶提醒：別信「21 天養成習慣」這個迷思（它源自整形外科醫師 Maltz 1960 年的一句軼事，不是研究）；真實研究（Lally 等人 2010）追蹤發現，一個行為自動化平均要約 66 天，個別差異從 18 天到兩百多天都有。執行力是慢慢長出來的，不是三週速成——這正是為什麼你需要一個系統，而不是一股衝勁。
送你一句可以貼在螢幕上的話：AI 已經幫你把教練請好了，剩下那段沒人能替你走的路，叫「出現」。
📚 延伸閱讀
- AlphaLab 知識分享——更多把一個想法拆到能驗證、能動手的文章。
- AI 時代怎麼脫穎而出——當「複製」變免費，稀缺的東西就換了一批；這是「資訊不再是瓶頸」的另一面。
- 不是你不夠努力，是你選錯了賽局——選對「在哪裡執行」，跟「執行多努力」一樣重要。
- LLM 是什麼？運作原理白話拆解——想把 AI 用好當教練，先看懂這台機器到底怎麼運作、為什麼它會「自信地說錯」。
本文為知識分享與個人觀點，非專業（醫療／心理／健身）建議；涉及傷病、疼痛或任何健康狀況，請諮詢合格專業人士。文中引用的研究與數據截至 2026 年 6 月、均為公開可查的來源：Bloom《The 2 Sigma Problem》（Educational Researcher, 1984）；Baumol 成本病；MOOC 數據出自 Reich & Ruipérez-Valiente《The MOOC Pivot》（Science, 2019）；健身房悖論出自 DellaVigna & Malmendier《Paying Not to Go to the Gym》（AER, 2006）；肥胖率為 CDC NHANES（1999–2000 至 2017–2018）；蛋白質攝取出自 Morton 等人（BJSM, 2018，約 1.62 g/kg/天）；習慣養成出自 Lally 等人（European Journal of Social Psychology, 2010，平均約 66 天），「21 天」說法源自 Maltz《Psycho-Cybernetics》（1960）；行為改變證據出自 Singh 等人（npj Digital Medicine, 2023）、Krebs 等人（2010）等統合分析，效果多為小到中等且介入後會衰退；「執行意圖」出自 Gollwitzer & Sheeran（2006）。AI 具有輸出錯誤資訊的可能，重要決策請由人類複核。本文無業配內容。