本文来自微信公众号：爱范儿 （ID：ifanr），作者：发现明日产品的，原文标题：《独家专访 AirPods 团队：一只小小的耳机，如何学会追踪 50 种运动？》

音乐的出口

身体的入口

带心率监测的耳机，并非苹果首创。

过去十年，Jabra、Sennheiser、Beats都在这条赛道上尝试，但这些锦上添花的功能都让没能打动Nick Harris-Fry，作为资深跑者、Tom’s Guide的健身编辑，他几乎试遍了所有品牌的心率耳机，结论却始终一致：没有一副耳机能与胸带的精度相提并论。

胸带，那条勒在胸口略显不便的装置，至今仍是普通消费者能买到的最可靠的心率监测设备。

直到AirPods Pro 3的出现。

Nick Harris-Fry以Garmin HRM600胸带（电信号级精度）作为对照，结果发现AirPods Pro 3的心率曲线几乎与胸带重合，尤其在稳态跑与间歇跑这种对精度要求极高的场景下，两条曲线如同镜像般贴合。

更令人惊讶的是，它能在播放音乐的同时，感知你的心跳频率、判断步伐节奏，并实时识别超过50种运动类型。

AirPods Pro 3是如何实现的？

为了找到答案，爱范儿专访了苹果感知与连接副总裁Ron Huang与健康感知总监Steve Waydo，在这场对话中，我们试图理解的不仅是一项新技术的工作原理，更是苹果如何思考「身体」这个终极界面。

耳道，也许比手腕更懂你

从生理结构上看，耳道是一块天然的传感「黄金地带」。它靠近颞浅动脉，血流灌注稳定，又被外耳包裹，几乎没有外界光线干扰。

这些特性，让耳道成为比手腕更理想的生理信号采集点。

美国一篇论文《可穿戴光电容积脉搏波分析原理及其在生理监测中的应用》[1]明确指出：

耳道PPG（光电容积描记）信号在血管分布、抗运动干扰和环境光抑制方面，优于腕部与指端。

相比之下，手腕是一个充满变数的测量场域。肌肉频繁运动，摆臂幅度剧烈，汗液、毛发乃至肤色都会干扰光信号的传播。

苹果健康感知总监Steve Waydo在实验中反复验证了这一点：在力量训练、划船等需要握紧器械的场景下，腕部设备往往难以稳定测心率，而耳机测到的血流信号更加连贯。

在耳道这个暗箱式环境中，AirPods Pro 3采用了红外光PPG（IR PPG）方案——有别于市面上大多数设备使用的绿色LED光源。

Steve Waydo解释说，红外光的能耗更低，也避免了「耳朵冒绿光」的尴尬。

更重要的考量是，红外波长更深，穿透力更强，能够深入血管密集的耳道组织，捕捉到更干净、更稳定的脉冲信号。

AirPods Pro 3的传感器每秒脉冲约250–256次红外光，同时结合IMU（加速度计与陀螺仪）数据，用来消除运动伪影——比如跑步时脚步触地带来的节奏性震动，或者转头时产生的加速度变化。

这种光学信号与动态数据融合的算法，是AirPods Pro 3能在运动中保持心率精度的关键。它不是单一传感器的胜利，而是多模态数据协同的结果。

苹果感知与连接副总裁Ron Huang补充说：

当用户同时佩戴Apple Watch和AirPods Pro 3时，系统会在最近5分钟的信号里滚动比较，并自动选择更可靠的来源。

例如在力量训练中，手部抓握动作较多，腕部设备的数据会受到干扰，系统就会更多优先选择来自耳道的心率信号。

从这个角度看，Apple Watch和AirPods Pro并不是为了相互取代，而是为了在不同场景下互为补充，共同在为同一个身体建立更完整更真实的数字镜像。

十年算法的缩小成果

Waydo的团队从Apple Watch诞生之初就开始积累算法。那套神经网络原本是为手腕设计的，针对的是腕部血管的光学特性、手臂摆动的运动模式、皮肤组织的光散射规律。

但令人意外的是，这十年的积累并未因平台切换而作废——它们成为了AirPods心率传感器开发的基础。

由于耳机的空间极为有限，AirPods Pro 3使用的是Apple Watch心率算法的「小型化版本」。

他们从原型耳机中采集到的大量数据，进一步微调模型，使其在极端条件下也能准确追踪心率。测试包括不同肤色、耳型、温湿度和运动强度，甚至在寒冷气候中仍保持稳定。

「贴合度」是在采访中被反复提到的一个关键词，它不仅关乎声学体验——主动降噪的效果、空间音频的沉浸感，更直接决定了生理数据的准确性。

当耳塞贴合良好时，双耳协同的心率读数非常精准。

Steve Waydo说。

这也是苹果在AirPods Pro 3上重新设计入耳结构、优化硅胶耳塞形状、升级自适应调音算法的隐性原因——那些看似为了声音的改进，同时也在为生理监测铺路。

像大语言模型那样：如何让耳机理解50种动作？

准确的心率监测只是起点。

苹果的目标是：让AirPods Prio具备与Apple Watch相当的运动体验——不仅要知道你的心跳快慢，还要理解你正在做什么运动，消耗了多少卡路里，跑了多远的距离。

这意味着，苹果必须榨干「所能利用的每一个传感器。」

AirPods Pro 3在感知系统上其实是像个「小生态系统」。在耳机侧，它部署了加速度计、陀螺仪和心率传感器，在iPhone侧，则贡献了GPS与气压计。这些传感器产生的数据流，需要被实时整合、解析、转化为有意义的运动指标。

Ron Huang提到，Apple Watch上已积累了大量动作信号的经验，比如跑步时手臂的摆动、划船机训练的动作模式等。把这套能力迁移到AirPods后，需要把原来针对手腕的动作观测「翻译」为对头部运动的观测。

为此，团队借鉴了大语言模型（LLM）的训练思路——通过海量数据学习通用的「动作语法」，而非为每种运动硬编码规则。

他们基于Apple Heart and Movement Study（心脏与运动研究）中约5000万小时的真实运动数据，训练了一个全新的动作基础模型(Motion Foundation Model)。

那是一项苹果几年前面向公众发起的开放研究，参与者自愿捐献来自Apple Watch与iPhone的运动数据。

它本质上是一个回归模型，能理解你在做哪些活动、是否在对抗阻力、动用大肌群还是小肌群、运动平面与身体姿态等。

为了确保算法能覆盖普拉提、HIIT、椭圆机等不同类型的锻炼，苹果邀请了不同体能与技能水平的参与者进行测试与校准。

在实验室中：在他们采用了被认为是「黄金标准」的方式——佩戴氧气面罩，用代谢面罩（Metabolic Cart）观测真实氧气交换率，以验证卡路里模型的准确性。

在步数与距离的追踪上，团队开发了全新的行人运动神经网络。他们邀请数百人进入生物力学实验室，使用标定跑步机记录距离，在鞋底放置压力传感器标记落脚与离地时刻，并用摄像机捕捉完整步态。

最终，他们得以在AirPods上「一次性推出超过50种运动类型」的追踪能力，而这在Apple Watch时代花了几年才达成。

从声学到身体：技术的终极归宿

作为一种时刻贴近身体的设备，AirPods天然地处于一个微妙的位置：它既面向外部世界，放大声音、过滤噪音、重构空间，又面向内在自我，感知呼吸、追踪脉搏。

当一个声学器件开始理解心跳的起伏、步伐的韵律、身体的语言，它就不再仅仅是一个输出设备，而是一个双向的感知界面。

从「听世界的声音」到「听身体的声音」，这条路径延续了苹果一贯的产品哲学——技术最终要回归人的感知。

耳机曾经只是音乐的出口，内容的播放器。而现在，它正成为身体的入口，自我认知的传感器。当技术学会倾听身体，它才真正学会了倾听人。