0. 先说约束，因为约束定义架构
输入是一段普通手机 / 擂台摄像头录下的单路 RGB 视频（常见 1080p、30–60fps、HEVC / H.264）。输出是可复现的 7 维两层评分 + 双侧出拳统计 + 集锦锚点。
三个硬约束把问题钉死：
- 不处理人脸：只跑姿态 / 手套 / 出拳关键点，认人走人工在环 + BOXID，绝不上人脸识别。
- 零穿戴：业余拳手不可能每人戴 IMU 手套。一切运动学信息必须从视频里提取。
- 数据稀缺：业余标注数据极少，稀有拳种（hook / swing / uppercut）召回为 0。
这决定了我们做的是：在 in-the-wild（非受控）、单目、无标记条件下，弱监督地重建一场拳赛的运动学并映射到评分。这不是一个被充分解决的学术问题——难点恰恰在这里。
1. 难点一：单目重建的病态性
从 2D 像素恢复 3D 运动学本质上是病态问题：
- 尺度未知：同样的像素位移，可能是近处小手位或远处大手位，无参考物无法定标。
- 相机内参未知：业余视频的焦距、主点、畸变系数全无标定。
- 深度歧义不可逆：单帧 2D 无法唯一确定 3D——一个像素点对应射线上的任意深度。
拳击又是近距高速运动，透视畸变和自遮挡放大了这种不确定性。
我们的取舍：刻意不做 3D 重建，只保留 2D 图像平面上的相对运动学（速度、角速度、位移）。这些是单目可观测且稳定的部分——出拳快慢、组合密度、步伐跨度在 2D 平面上已经能区分好坏，不必冒 3D 重建的病态风险。
2. 难点二：拳击运动学的极端时序特性
拳击不是走路、不是挥手，它的运动学分布对算法极不友好：
- 高速：手套 tip speed 可达 8–15 m/s，单帧间位移大，运动模糊普遍。
- 短促：一次出拳有效加速相仅 200–400ms，事件边界难切。
- 高频遮挡：双拳彼此遮挡、躯干遮挡、贴身 clinch——检测器漏检率高。
这三类特性叠加，使"逐帧检测 + 后处理"在业余视频上直接崩：高速带来模糊和漏检，短促带来边界难定，遮挡带来轨迹断裂。任何一个单独可控，三个同时来就是地狱难度。
3. 难点三：长尾数据分布
业余数据集里 jab / cross 占绝对多数，hook / swing / uppercut / body shot 样本极少。留一法（LOO）实测：
| 任务 | 指标 | 值 |
|---|---|---|
| 出拳检测 | LOO F1 | 0.053 |
| 拳种分类 | LOO acc | 0.532 |
| hook / swing / uppercut | LOO 召回 | 全 0 |
稀有类召回为 0 不是模型不行，是没有正样本可学。任何"识别率%"都是幻觉。
长尾的直接后果：监督信号被 majority 类绑架，模型退化为"只会认 jab / cross"。这是数据现实的硬约束，不是工程能绕过的——除非先解决数据（见系列第二篇：数据底座）。
4. 难点四：实时性与精度的矛盾
30fps 实时线要求端到端 ≤ 33ms/帧。但我们要串联 person + pose + glove 三模型 + 追踪 + 后处理。
关键认知：单模型提速 ≠ 端到端提速。实测里 TRT 把三模型推理压到 26.6ms/帧（≈37 FPS），但全链路受追踪和后处理拖累，真实素材只有 12.8 FPS。瓶颈不在推理，在追踪和后处理——这是很多“模型很快”的叙事掩盖的真相。
5. 难点五：身份一致性（ReID 退化）
对练中两人换位、转身、衣着相似。两个朴素策略都会翻车：
- 按颜色认人：红蓝是开局锚定，换位后"红方"站到了画面右边，按颜色就错位。
- 按位置盯人：换向后当前左边的人变了，按位置数就会数错人。
贴身 clinch 时外观特征也退化，ReID 指纹短暂失效。身份一致性是双人场景下最容易被低估的难点。
6. 难点六：标注成本与噪声
- 关键点标注贵，业余数据尤其缺专业标注者。
- 出拳标注（punch_labeler）依赖人工，样本少且噪声大。
这反过来限制了难点三里的监督信号——没有干净的大标注，长尾永远补不上。标注成本不是边角问题，是卡住整个系统上限的那块石头。
7. 小结：难点是耦合的，不是孤立的
这六个难点不是并列清单，而是相互咬合：
- 单目病态（1）逼我们守在 2D，但 2D 下高速短促遮挡（2）更难；
- 长尾（3）和标注贵（6）是同一个数据问题的两面；
- 实时矛盾（4）让"多跑几次检测补遮挡"的朴素解法直接出局；
- 身份退化（5）让双人统计在没有强 ReID 时全盘失真。
任何一个难点单拎出来都有成熟解法，但六个同时压在"零穿戴 + 单目 + in-the-wild + 合规"这四条约束下，就构成了拳神AI 真正要啃的硬骨头。 后续篇章会逐一给出我们的应对。
下篇预告
第二篇：数据底座——为什么拳神AI 的模型不是小数据玩具？通用底座建立在什么规模的数据上，拳击专项又是怎么在自建数万帧数据集上闭环迭代的。难点三和难点六的答案，就在数据里。
_数据不骗人。拳神也不该。_
