别问“什么型号能跑”，先问哪一环会先撑不住
数字人教练在手机上不是一个程序在跑，而是一条链路：摄像头拍到画面，模型从画面里找出人体关键点并判断动作，反馈生成模块决定说什么，最后由渲染部分把数字人演示出来。这条链路里，不同环节吃的硬件资源完全不同。
| 环节 | 主要做什么 | 主要吃的资源 | 撑不住时的表现 |
|---|---|---|---|
| 输入 | 摄像头取画面 | 摄像头、光线、机位 | 画面模糊、拖影、关键点抖动 |
| 推理 | 识别人体关键点与动作 | NPU或CPU，部分设备用GPU | 识别延迟、反馈滞后、跳帧 |
| 渲染 | 绘制数字人形象与演示动作 | GPU、内存 | 教练动作卡顿、掉帧、机身发热 |
因此“旧”这个字要拆开看：有的旧手机摄像头不错但推理慢，有的渲染很流畅但摄像头在暗处噪点严重。我们不在文章里列具体机型和跑分，一是因为机型太多且不断变化，二是同一台手机在不同电量、温度、后台状态下表现也会不一样。更有用的是学会判断自己手机卡在哪一环。
GPU影响什么：数字人“演得顺不顺”
GPU主要负责渲染，也就是把数字人的身体、动作和演示画面实时绘制出来。它决定的是教练看起来流不流畅，而不是识别得准不准。
GPU吃紧时，常见现象有：
- 数字人的示范动作出现停顿，或者动作之间衔接不连贯。
- 画面帧率明显下降，长时间使用后机身发烫，系统降频后更卡。
- App切到后台再回来时，画面需要较长时间重新加载。
需要注意的是，渲染变卡并不意味着识别一定出错。识别和渲染是两条相对独立的链路，只是它们共用手机的散热与电量预算，渲染占得太多，就会间接挤压推理的可用资源。
NPU和CPU影响什么：动作“看不看得懂”
动作识别属于神经网络推理，最适合由NPU这类专用单元来做；没有NPU的手机则由CPU甚至GPU承担，效率会低不少。它决定的是反馈来得快不快、关键点稳不稳。
推理吃紧时的典型表现：
- 你做完一个动作，过一会儿才收到反馈，来不及在下一次动作前调整。
- 关键点抖动、偶尔丢失，导致同一个动作被判断成不同的结果。
- 系统为了保持流畅，主动降低了分析频率，细微的动作差异被漏掉。
这一环和训练体验的关系最直接。数字人教练的价值在于把动作数据转成可执行的反馈，如果分析链路变慢，反馈就会错过最适合纠正的时机。关于反馈时机为什么重要，可以看虚拟教练到底什么时候应该开口。
摄像头影响什么：模型看到的是什么
摄像头常被忽略，但它是整条链路的入口。输入质量不好，后面再强的芯片也补不回来。
- 分辨率与画面清晰度：过低的分辨率会让手脚这类细小部位的关键点难以定位。
- 帧率与快门：拍摄快速动作时，帧率低或曝光时间长会产生拖影，模型看到的是模糊的肢体。
- 弱光表现：室内光线不足时，很多手机摄像头会拉高感光度或延长曝光，噪点增加，关键点更不稳定。
- 视角与镜头畸变：广角镜头边缘会拉伸人体，影响角度判断。
也就是说，一台旧手机如果芯片尚可但摄像头在暗处很差，把训练地点换到光线更好的位置，效果可能比任何软件设置都明显。
系统吃紧时会先放弃什么
一个合理的设计不会让手机硬撑到卡死，而是按优先级降级。江南体育AI在方案设计上倾向于“先保识别，再保反馈，最后保外观”，大致顺序如下：
- 先降低渲染：减少数字人的画面细节与特效，降低渲染分辨率或帧率，把资源让给识别。
- 再降低分析频率：在动作变化缓慢的阶段减少分析次数，只在关键动作节点提高频率。
- 改变反馈形式：实时语音改成关键点提示或训练后总结，避免在设备吃紧时给出滞后的即时提醒。
- 调整云端与本地的分工：把部分推理放到云端完成，本地只保留取画面与基础处理。
云端与本地分工是一个权衡。举例来说，假设本地负责取画面和轻量级关键点提取，云端负责更精细的动作分析与反馈生成，那么手机压力更小，但会引入网络延迟，并且需要把视频或关键点数据发送出去，涉及隐私与流量。具体哪些处理在本地、哪些在云端，以及是否提供相应选项，请以App内说明为准，本文只描述这类系统常见的设计思路。
动手自查：五分钟判断这台手机适不适合
正式训练前，可以按下面的步骤做一次轻量检查。
- 关闭后台应用：退出不需要的应用，特别是视频、游戏和其他会占用摄像头或麦克风的程序。
- 检查电量与省电模式：省电模式通常会限制芯片性能，训练时建议关闭，并保证电量充足。
- 先在光线充足处试一次：光线均匀、背景不杂乱，单人入镜，站在能让全身进入画面的位置。
- 观察卡在哪一环：如果教练动作卡但识别反馈及时，问题在渲染；如果教练动作流畅但反馈总慢半拍，问题在推理；如果关键点乱跳，先检查光线与摄像头。
- 观察发热：连续使用一段时间后明显变卡，多半是散热降频，而不是性能本身不够，可以缩短单次训练时长，中途休息。
- 重启一次再试：内存碎片和后台残留会让旧手机表现比刚开机时差很多。
如果确实带不动，有哪些替代方式
如果自查后发现瓶颈在硬件，也不必立刻换设备。可以从以下方向调整使用方式。
- 降低对实时性的依赖：选择“训练后回看与总结”的形式，让分析在录制之后进行，不要求当场反馈。
- 减少画面元素：关闭不必要的演示效果，只保留关键提示。
- 选择更简单的动作：动作幅度小、背景简单的训练，对识别的压力更小。
- 使用另一台设备作为摄像头输入或作为主设备，具体支持情况以App内说明为准。
关于识别速度慢时更细致的逐层排查，包括机位、距离和发热降频，可以参考数字教练动作识别很慢怎么办。如果想了解为什么识别之外还需要3D动作模型来完成演示，则可以看看懂动作和教会动作是两件事。
