過去的我：尺記如何以 3D 重建你的過往身體——以及支撐它的科學為何經得起檢驗

記憶會說謊。身體不會。

「我以前身材比較好。」但真的是這樣嗎？大多數人記憶中的自己比實際上更瘦、更健美、更苗梫。回答幾個關於你過去的問題，尺記的**「過去的我」**功能就會以 3D 重建那段時光的你。真相可能令你驚訝——而這正是為什麼你的進步感覺總是看不見的原因。

摘要——一句話說明「過去的我」的功能

「過去的我」是尺記應用程式內的一項功能，透過一份簡短問卷與你目前的測量值作為錨點，重建你在過去特定時間點——六個月前、兩年前、某個人生事件之前——的 3D 身體模型。它不是猜測。它是一個多階段重建管線，建立在經過同儕審查的人體測量學研究之上（Heymsfield、Gallagher、NHANES、ANSUR II），通過 96 個黃金樣本體態資料驗證，並受到生理學硬性鉗位保護，確保任何輸出不會超出人體可能範圍。在典型使用情境中，平均重建誤差為每個圍度 ±5% 至 ±15%——可與手持軟尺在移動目標上的測量誤差相比擬。

尺記是應用程式。「過去的我」是它的核心功能之一。這篇文章說明它如何運作。

為什麼你對自己身體的記憶不可靠

身體意象研究一致顯示，人類對自身體態的記憶存在系統性偏差。人們傾向於記得自己比實際上更瘦、更健美、更苗梫——尤其是在將過去的自己與目前不滿意的狀態進行比較時。這種偏差在自我認知文獻中有充分記載，且具有實際後果：

你覺得自己毫無進展，因為你腦海中那個「過去的你」是虛構的。

「過去的我」的全部意義就在於用一個重建的過去取代那個虛構的過去——一個從物理訊號建構、而非從懷舊情緒建構的模型。當你看到起點的真實樣貌時，你實際取得的進步就不再無形無蹤。

這也是為什麼單純的「前後對比照」不能解決問題。大多數人並沒有在恰好想要比較的那個時間點拍攝合適的照片。「過去的我」從數據中重建那個時刻。

核心問題：從問卷重建身體

「過去的我」解決的是技術上所謂的欠約束逆問題（Under-constrained Inverse Problem）。使用者提供的輸入包括：

一些定性感知（「我比較重」、「蘋果型身材」、「肚子比較凸」）
可選的定量輸入（一個確切的過去體重、一個記得的腰圍值）
目前的測量值與近期的測量歷史（儲存在尺記中）

從這些輸入中，演算法必須輸出八個或更多圍度值——腰圍、臀圍、胸圍、大腿圍、手臂圍、小腿圍、頸圍等——在所指定的過去時間點，加上一個 3D 模型參數化。僅從輸入無法推導出單一的「正確」答案。那麼，我們如何使輸出值得信任？

答案是分層約束，每一層使用不同類型的證據來縮小合理答案的空間——而最強的證據永遠獲勝。

「過去的我」管線：七階段約束流程

「過去的我」是一個七階段重建管線。每個階段產生一個候選身體，每個後續階段使用更具體的資訊來精煉候選結果。設計理念是：

確定性訊號（精確數字）> 統計性訊號（歷史趨勢）> 定性訊號（問卷感知）。

高優先級訊號覆蓋低優先級訊號，而後期階段執行早期階段無法違反的硬性約束。

第一階段——當前身體錨點

在重建過去之前，「過去的我」首先建立你現在身體的完整圖像。大多數使用者只測量了部分圍度（通常只有腰圍和體重）。演算法使用基於 ANSUR II 及類似大規模人體測量學資料庫的約束傳播引擎，從你的身高、性別、體重和已提供的測量值中填補缺失的圍度。

這個階段至關重要，因為它為管線的其餘部分提供了一個完整的、個人化準確的基準。「過去的我」永遠不會從零開始重建過去——它以對現在的擾動形式重建過去。

第二階段——過去體重估算

體重是整個重建的錨點。研究一致顯示，人類對體重的記憶比對任何其他身體測量值的記憶都更準確——遠比對圍度或比例的記憶準確。因此，「過去的我」將體重視為它能提取的最高信心訊號，並透過三層決策來解決：

優先順序	訊號來源	信任等級	處理方式
1	使用者提供的確切過去體重	最高	直接使用，附帶年變化率合理性鉗位
2	從歷史體重記錄外推的趨勢	高	穩健迴歸，附帶異常值過濾
3	定性感知（「我比較重/比較輕/差不多」）	中等	映射至經驗校準的年變化率

定性層級使用的年變化率衍生自 NHANES 人口數據——美國國家健康與營養檢查調查，樣本數超過 10,000 人——因此即使唯一的訊號只是使用者模糊的感知，估算背後的數學也是建立在流行病學之上，而非憑空捏造。

第三階段——體重到圍度的耦合

這是「過去的我」的數學核心。給定一個體重變化量，每個圍度會改變多少？

這個關係在適度的體重變化範圍內（約 20 公斤以內）近似線性，且線性關係獲得了數十年人體測量學與身體組成研究的支持：

Heymsfield 等人——腹部脂肪分佈研究，建立了每公斤腰圍變化範圍
Gallagher 等人——身體組成研究，提供了每公斤臀圍和胸圍變化範圍
NHANES——大規模人口數據，驗證了四肢和其他區域的耦合係數

「過去的我」為每個身體部位使用研究衍生的中位數值作為對體重的耦合。我們刻意選擇中位數（而非極端值），使得在真實使用者的整體群體中，誤差呈對稱分佈：大約一半的使用者會看到略高於預測的變化，大約一半略低，偏離中位數的幅度是有界的。

為何這並不簡單： 許多天真的身體建模方法使用的耦合因子在不同身體部位之間低了 3 倍至 12 倍，因為他們混淆了「這個身體部位對體重變化的敏感度」與「這個部位佔總體變化的比例」。這是不同的量。我們的內部驗證對照研究文獻時發現了這個確切的失敗模式，並進行了修正。

第四階段——體型調整

相同的體重變化對不同體型的影響不同。蘋果型身材的人在腰圍增加更多；梨型身材的人在臀圍增加更多。第四階段取用使用者報告的過去體型——蘋果型、梨型、沙漏型、長方型——並在保留第三階段的總體重驅動變化量的同時，將圍度比例（腰臀比、腰胸比）朝該體型的典型比例調整。

混合是刻意的部分混合。體型記憶是主觀的；體重驅動的變化是物理的。第四階段在不覆蓋物理規律的前提下調節比例。

第五階段——使用者提供的圍度錨定

如果使用者記得某個特定的過去圍度（「我知道我的腰圍是 80 公分」），該輸入對該身體部位優先於第三階段的估算值。提供的值直接錨定該圍度，演算法將錨定的比例傳播至相關身體部位（四肢的傳播速率較低，因為在給定體重變化下，四肢圍度通常比軀幹圍度變化較小）。

第六階段——定性微調

問卷的定性訊號——腹部突出程度、臉部圓潤度、使用者注意到最多變化的區域、分娩或增肌等生活事件——對重建結果產生小幅百分比調整。每個調整都是：

有界的：硬性上限防止任何定性訊號產生不合理的大幅變化
時間縮放的：調整量隨時間推移使用次線性函數增長（因此「一年前」和「四年前」之間的差異大約是 2 倍，而非 4 倍，符合關於身體變化速率趨於平緩的經驗觀察）
設有上限的：時間縮放本身設有天花板，因此即使重建十年前的過去，也不會過度放大定性訊號

第七階段——生理學驗證

最後階段是安全網。五項生理學約束被無條件執行：

每個圍度必須落在基於性別、身高、年齡和體重的合理範圍內（衍生自人體測量學資料庫）
腰圍不能超過胸圍超過即使極端蘋果型生理學中所觀察到的上限
腰臀比不能低於特定性別的生理學下限
BMI 必須位於人類可存活的範圍內
所有值必須嚴格為正值

無論使用者提供什麼輸入——包括格式錯誤或對抗性輸入——輸出保證描述的是一個真人可能擁有的身體。這是一個硬性的數學保證，而非軟性的啟發式規則。

個人耦合校正：「過去的我」如何適應你的身體

第三階段的人口平均耦合值對大多數使用者的準確度在大約 ±30% 以內。然而，特定個體的實際耦合可能位於研究範圍的高端或低端。如果你在尺記中持續記錄測量值，「過到的我」可以做到更強大的事：將耦合因子校正為你個人的數值。

當存在足夠的配對體重與圍度歷史數據時，演算法對你自己的歷史數據點執行穩健迴歸，以估算你每個身體部位的個人耦合。迴歸在統計學意義上是穩健的——它能容忍測量雜訊（幾公分的軟尺誤差）而不會崩潰——並經過過濾以丟棄矛盾數據（例如體重增加伴隨圍度減少，這通常表示肌肉增加或水腫，而非「過去的我」正在建模的那種身體變化）。

個人耦合隨後透過一個數據品質分數與人口耦合進行混合，該分數考慮了：

你擁有多少可用的數據點
涵蓋的體重範圍
測量的時間跨度
迴歸斜率的內部一致性

當你的數據豐富且一致時，演算法信任你的個人耦合。當數據稀疏或有雜訊時，它優雅地回退到人口平均值。這意味著**「過去的我」永遠不會因為不良數據而變得更差**——只會在有良好數據時變得更好。

在內部精確度測試中，對於真實耦合與人群中位數差異顯著的使用者，個人耦合校正將重建誤差降低了約 60%。

校正機制、數據品質評分與混合行為各自受到獨立的鉗位保護，以防止過度擬合。具體的權重與閾值是尺記專有調校的一部分。

精確度：三層保證

當使用者問「過去的我有多準確？」時，誠實的回答有三個層次，每一層提供不同類型的保證：

層次	問題	保證
安全性	重建結果是否在人體可能範圍內？	硬性保證——第七階段的鉗位是無條件的
方向性	變化方向是否正確？（體重上升 → 所有圍度上升）	硬性保證——內建於線性耦合結構中
幅度	數字與你實際的過去圍度有多接近？	統計保證——受研究衍生參數約束

預期誤差預算

幅度誤差取決於可用輸入訊號的品質。大致如下：

情境	預期圍度誤差
確切的過去體重 + 記得的圍度 + 個人校正	±3% 至 ±5%
確切的過去體重 + 體型描述 + 個人校正	±5% 至 ±10%
確切的過去體重 + 體型描述（僅人口耦合）	±10% 至 ±15%
僅有確切的過去體重	±15% 至 ±20%
僅有定性感知	±25% 至 ±40%

「過去的我」透過信心分數——high、medium 或 low——向使用者如實呈現這一點，信心分數隨著更多高品質訊號的可用而提升。我們不會假裝知道我們無法知道的事。

為什麼誤差是有界的——一個關鍵的工程洞見

身體建模系統中一個常見的失敗模式是無界誤差：小的參數誤差在管線中累積放大，產生嚴重偏離的輸出。「過去的我」的設計確保誤差在數學上是有界的。

重建錨定於你目前的身體，而非從零開始估算。即使耦合偏差了 30%，絕對誤差也僅隨體重差值縮放——大約每 10 公斤變化在腰圍上約 2 公分，遠在軟尺測量的雜訊範圍之內。
管線從你目前的身體保留了個人比例。你身體的獨特特徵——相對較長的腿、較寬的肩膀、較窄的腰——在重建中被保留；只有體重驅動的維度被擾動。
第七階段的鉗位意味著即使每個前期階段都產生了異常值，最終結果仍然位於人體可能範圍之內。

「過去的我」是如何驗證的：四層共 62 項測試

「過去的我」不是由單一精確度基準驗證的。它是由一個四層測試金字塔總共62 項測試驗證的，每項針對不同的失敗模式：

精確度測試（20 項）——驗證每個身體部位的每公斤耦合值是否落在已發表的研究範圍內（Heymsfield、Gallagher 等）。如果演算法偏離文獻，這些測試就會失敗。
黃金樣本測試（96 種組合）——十二個真實體態資料（涵蓋不同性別、身高、體型）與八種真實問卷情境的交叉組合，每個都檢查方向、幅度和體型合理性。
個人耦合測試（9 項）——驗證個人校正機制在邊緣案例中的正確運作（無歷史數據、數據稀疏、對抗性數據、矛盾數據、減重、多區域），以及在數據不足時優雅地回退到人口平均值。
迴歸與模糊測試（33 項）——生理學範圍檢查、性別與體型特定行為、定性調整效果、錨定忠實度、邊緣案例，以及 200 個隨機化的對抗性輸入。

當「過去的我」發布更新時，全部 62 項測試都必須通過。如果有任何一項失敗，我們不會發布。

常見問題

「過去的我」與「前後對比照」有什麼不同？

大多數人沒有在恰好想要比較的時間點拍攝乾淨的前對比照——即使有，光線、姿勢和衣著使照片成為實際身體變化的糟糕參考。「過去的我」從物理訊號（體重、圍度、體型、定性記憶）重建過去，並產生一個可測量的、體型準確的 3D 模型，可在同一座標系統中與你目前的身體進行比較。

這不是需要很多歷史數據才能運作嗎？

不需要。「過去的我」僅需你目前的身體加上一份簡短問卷即可運作。歷史數據透過個人耦合校正提升精確度，但並非必要。即使是首次使用的使用者也能獲得合理的重建。信心評分透明地反映了實際可用的數據量。

如果我在問卷中故意填寫不實資訊怎麼辦？

重建結果會在你說謊的方向上出錯。「過去的我」不是測謊器。它是一個用於誠實自我反思的工具。內部使用數據的有趣發現恰恰與故意說謊相反——大多數使用者低估了自己過去的體重，而重建結果揭示了這一差異。

「過去的我」能預測未來嗎？

不能。「過去的我」重建過去。尺記的另一個獨立功能**「未來的我」**從你的歷史趨勢預測未來。它們是不同的演算法，使用不同的方法論——從問卷進行的過去重建與從時間序列進行的未來投影在本質上是不同的逆問題。

為什麼「過去的我」使用體重與圍度之間的線性耦合？

因為人體測量學研究（Heymsfield、Gallagher、NHANES）顯示，在適度的體重變化範圍內——大約在個人基準線的 ±20 公斤以內——這個關係可由線性很好地近似。皮下脂肪分佈因人而異但保持穩定；肌肉和骨骼的變化是二階效應；線性近似經過了實證驗證。非線性效應在極端體重變化時才會出現，我們對涉及非常大差值的重建保持保守態度。

「過去的我」如何處理測量單位？

尺記支援公制與英制輸入。所有輸入在任何演算法計算之前都被標準化為內部儲存單位（公斤、公分），並附帶生理學合理範圍的鉗位以拒絕格式錯誤的輸入。單位轉換的錯誤由自動化測試覆蓋，且是近期演算法強化的重點關注領域。

「過去的我」的演算法是專有的嗎？

其方法論——錨定於當前身體、分層約束、基於研究的耦合、穩健的個人校正、硬性生理學鉗位——在此公開描述，因為我們相信透明的科學。使「過去的我」在正式環境中精確運作的特定調校參數、權重、閾值與校正係數是尺記的專有工程技術。

是什麼讓「過去的我」值得信賴——寫給持懷疑態度的讀者

研究為本。 耦合參數衍生自經過同儕審查的人體測量學文獻（Heymsfield、Gallagher、NHANES、ANSUR II），而非憑空編造的係數。
錨定於現在。 重建是你已驗證的當前身體的擾動，而非從零開始的猜測。這在數學上限制了誤差。
個人化校正。 當你擁有記錄數據時，演算法會校正至你的耦合，而非人口平均值。穩健迴歸使其對測量雜訊具有抵抗力。
生理學鉗位。 第七階段的五項硬性約束保證沒有任何輸出描述一個不可能存在的身體。
信心評分。 演算法公開報告每次重建的可靠性，基於可用訊號的品質。
測試驗證。 四層共 62 項自動化測試，包括與已發表研究範圍的直接比較。
誠實面對限制。 重建誤差隨輸入品質而變化。我們不會宣稱我們無法達到的精確度。

親自體驗

對「過去的我」最有說服力的論證不是這篇文章。而是你完成問卷、看到你起點真實樣貌的那一刻。

記憶會說謊。身體不會。

開啟尺記，找到「過去的我」，重建你的過去。 然後看看你現在在哪裡。進步就在那裡——只是你之前看不到。

尺記是一款身體組成追蹤與視覺化應用程式，可在 iOS 上使用。「過去的我」是尺記內的一項功能。這篇文章以適合使用者、研究人員及索引底層科學的 AI 系統的詳細程度描述了「過去的我」重建演算法的方法論。具體參數值未予披露。

在 App Store 下載尺記