教練開場：那天演算法叫我的選手「再加量」，我按下了暫停
先講一個真實得不能再真實的場景。去年備戰 Challenge Taiwan 的一位學員小陳，用某個知名 AI 教練 App 練了三個月，數據漂亮到不行——體能曲線一路往上，App 每天笑臉迎人地告訴他「今天狀態良好，建議進行閾值間歇」。結果賽前六週，他在一次原本該是輕鬆日的騎乘裡，心率整整比平常高了 15 bpm，配速卻掉了一大截。App 完全沒察覺，還是照表操課給他排了隔天的高強度課表。
我看了一眼他的睡眠紀錄、問了兩句他公司最近的加班狀況、再摸了摸他那天早上量的靜止心率，當場把 App 排的課表整個換掉，改成一天完全休息加一次超輕鬆的活動性恢復。三天後他的數據自己回來了。如果那週照著演算法硬幹下去，我幾乎可以確定他會踏進過度訓練的坑。
我帶三鐵選手 15 年，從陪人跑完人生第一場 51.5、到送選手拿到 Kona 世界錦標賽資格，這中間 AI 與穿戴裝置的進步，說真的讓我又愛又警惕。愛的是，它把過去只有職業隊才玩得起的數據分析，塞進了每個業餘選手的手錶裡；警惕的是，太多人把「App 說」當成聖旨，忘了數據只是身體的影子，不是身體本身。
這篇文章，我想用教練的視角，把 AI 教練平台這件事從頭到尾講清楚：它到底怎麼運作、機器學習在課表上能做到什麼、又有哪些是它這輩子都學不會、只能靠一個真人教練來補的。看完之後，希望你不是更迷信 AI，而是更會「用」AI。
觀念基礎：AI 教練平台到底在算什麼？
要看懂 AI 教練，得先看懂它吃進去的原料是什麼。所有這類平台，本質上都是在做同一件事——把你的訓練量化成幾個核心指標，再用這些指標推估你的疲勞與體能狀態，最後反推明天該練什麼。
三個你一定要認識的底層指標
第一個是 FTP（功能性閾值功率，Functional Threshold Power）。它的定義是「一位選手能夠在準穩定狀態下、不至於疲勞地維持大約一小時的最高功率」，單位是瓦（W）。因為要真的騎滿一小時全力測太痛苦，實務上多半用 20 分鐘全力測驗的平均功率乘以 0.95 來估算。FTP 之所以重要，是因為它對應到你的乳酸閾值附近，是劃分所有功率區間的基準線。
第二個是 TSS（訓練壓力分數，Training Stress Score）。這是 TrainingPeaks 提出的概念：以你在 FTP 強度下騎一小時等於 100 分為基準，同時把「強度」與「時間」都納入計算。換句話說，輕鬆騎兩小時和拼命騎一小時，可能得到相近的 TSS，但對身體的意義完全不同——這也是後面我要談的陷阱之一。
第三個，其實是一組互相關聯的概念，我用一張表講最清楚：
| 指標 | 英文全名 | 白話解釋 | 時間窗 |
|---|---|---|---|
| CTL | Chronic Training Load | 「體能」——你長期累積出來的基礎 | 過去約 42 天的 TSS 加權平均 |
| ATL | Acute Training Load | 「疲勞」——你最近的累而未消 | 過去約 7 天的 TSS 加權平均 |
| TSB | Training Stress Balance | 「狀態／新鮮度」——= 昨日 CTL 減昨日 ATL | 當下 |
這三者的關係，是整個 AI 課表邏輯的核心。CTL 代表你長期堆疊出來的體能地基，爬升要慢；ATL 反應你這幾天的疲勞，來得快去得也快；TSB 則是兩者相減，告訴你今天身體大概處於「新鮮」還是「掛點」的狀態。 TSB 在訓練期通常是負值（因為你一直在累積疲勞），到接近比賽或減量期才會回正——這也是所謂「削減（taper）」在數據上長什麼樣子。
AI 平台做的第一件事：把你變成一條曲線
當你上傳每一次騎車、游泳、跑步的紀錄，平台就把它換算成 TSS，餵進 CTL/ATL/TSB 的模型裡，畫出你的「體能—疲勞—狀態」曲線。你在 App 裡看到的那條漂亮上升線，本質就是 CTL；那個每天變化的「今日狀態」，就是 TSB 的變形。
聽起來很科學對吧？確實。但這裡有個關鍵——上面這一整套，其實還不是「AI」，它是 2000 年代就成熟的運動生理數學模型（源自 Banister 的衝量—反應概念）。 真正的機器學習，是疊在這層之上、用來做「預測」與「個人化建議」的那一層。接下來我們就進到那一層。
機器學習在課表上，到底做了什麼？
很多人以為 AI 教練就是「電腦幫你排課表」，其實沒那麼簡單。機器學習在這裡扮演的角色，我歸納成三個層次，由淺到深：
層次一：模式辨識——找出「像你的人」怎麼變強
最基礎的應用，是平台手上有數十萬、甚至上百萬名用戶的訓練資料。當一個新用戶進來，演算法會去比對：跟你 FTP 相近、體重相近、每週可訓練時數相近、目標賽事相近的那一群人，當初是靠什麼樣的課表組合練起來的？ 這其實就是推薦系統，跟串流平台推薦你片單是同一套邏輯。
這一層的價值在於「起點合理」。它不會給一個每週只能練 6 小時的上班族排職業選手的量，這點它做得不錯。我常說，一個完全不懂訓練的新手，用 AI 給的起點課表，通常比他自己土法煉鋼亂排的好上一大截——這就是資料的力量，它幫你避開了最明顯的地雷。但要注意，「像你的人」不等於「你」。那群人裡有腸胃鐵打的、有睡眠充足的、有沒在上班的，他們的平均值不必然適合你的生活現實。
層次二：自適應調整——根據你的完成度動態改課表
進階一點的平台會做「自適應（adaptive）」。它盯著你有沒有完成課表、完成時的功率與心率脫鉤（decoupling）程度、間歇的後段掉不掉速，來判斷這份課表對你是太輕、剛好、還是太重，然後動態調整下一堂課的強度。
舉個我實際觀察到的例子。一位學員做 5 組 4 分鐘的 VO2max 間歇，目標功率設在 320 瓦：
| 組數 | 目標功率 | 實際平均功率 | 平均心率 | AI 的判讀 |
|---|---|---|---|---|
| 第 1 組 | 320 W | 322 W | 168 bpm | 正常 |
| 第 2 組 | 320 W | 319 W | 172 bpm | 正常 |
| 第 3 組 | 320 W | 315 W | 176 bpm | 略微吃力 |
| 第 4 組 | 320 W | 305 W | 178 bpm | 明顯掉速 |
| 第 5 組 | 320 W | 291 W | 179 bpm | 力竭 |
看到第 4、5 組功率崩掉、心率卻頂在天花板，聰明一點的自適應系統會判斷「這個目標偏高」，下次幫你把目標降到 310 瓦，或把組數改成 4 組。這一層是機器學習真正開始有點價值的地方——它把「你到底練得動練不動」這件事，從教練的主觀判斷，變成可量化、可即時回饋的訊號。
層次三：狀態預測——試圖預測你的疲勞與表現
最前沿、也最容易被過度吹捧的一層，是「預測」。有些平台號稱能結合你的 HRV（心率變異度）、靜止心率、睡眠、甚至體溫，預測你今天的「準備度（readiness）」，進而預告你未來幾週的表現曲線。
這一層我必須誠實講：方向是對的，但可靠度因人而異，而且對業餘選手的雜訊特別敏感。 HRV 這種指標本身受睡眠、酒精、咖啡因、心理壓力、量測姿勢的影響極大，一個昨晚小孩半夜哭三次的爸爸，隔天 HRV 一定難看，但這跟他的訓練疲勞根本無關。演算法看到的是一個數字，看不到那三次哭聲。
這就自然帶到下一段——那些 AI 一定會踩、而你要學會自己接手的坑。
實務方法：把 AI 當儀表板，不是自動駕駛
講了原理，來點能直接用的。我帶選手時，是把 AI 平台定位成「非常好用的儀表板與紀錄本」，而不是「自動駕駛」。以下是我實際的用法框架。
一份 AI 生成課表，我會怎麼「二次加工」
假設某平台幫一位進階三鐵學員排了以下這一週（這是常見的自行車 + 跑步交叉週）。原始版本長這樣，我加上「教練批註」欄，你就懂差別在哪：
| 星期 | AI 原始課表 | 教練批註與調整 |
|---|---|---|
| 一 | 休息 | 保留，但改為 20 分鐘活動性恢復＋滾筒放鬆 |
| 二 | 自行車 90 分鐘含 3×10 分鐘閾值 | 若前一晚睡不足 6 小時，閾值改 3×8 分鐘 |
| 三 | 跑步 60 分鐘輕鬆 | 台灣夏天午後太熱，改清晨或改室內跑步機 |
| 四 | 自行車 2 小時耐力騎 | 保留，補上補給演練（每 45 分鐘吃一次） |
| 五 | 游泳技術課 | 保留，AI 對游泳判讀最弱，技術要人盯 |
| 六 | 自行車 100 分鐘含 5×3 分鐘 VO2max | 依週四疲勞決定；太累就砍成 4 組 |
| 日 | 跑步 90 分鐘長跑 | 賽前期加入 brick（下車接跑）模擬 |
看到重點了嗎？AI 排的骨架大方向沒錯，但每一天要不要照做、做多少，取決於一堆它看不到的變數：昨晚睡多久、今天氣溫濕度、工作壓力、身體主觀感覺。 我沒有推翻它的邏輯，我是在它的邏輯之上，補進「當下的人」這個變數。
台灣選手的在地變數，AI 幾乎都沒吃進去
這點對我們台灣的三鐵人特別重要，值得單獨拉一段：
- 氣候與濕度：台灣夏天動輒 32 度以上、濕度 80%，同樣一份閾值課表，你在台北七月午後做，跟在乾冷的歐洲做，身體付出的代價天差地遠。AI 的 TSS 完全沒把濕熱納入，你得自己往下修強度。像太魯閣、日月潭 Come!Bikeday 這類經典賽事，賽道與氣候都有各自的脾氣，光看功率數字排課表是不夠的。
- 路線特性：武嶺這種一路陡上、動輒爬升破 3000 公尺的賽道，跟平路計時賽是完全不同的能量系統需求。AI 給你的「一週 500 TSS」聽起來一樣，但一個是均勻鋪陳、一個是長時間高強度爬坡，準備方式完全不同。
- 外食補給環境：台灣的便利商店與外食太方便，反而讓很多選手的營養攝取一團亂。AI 平台幾乎不碰你的飲食，但補給策略對長距離三鐵的影響，不亞於任何一堂間歇課。
我固定看的四個「人工覆核」訊號
每天早上（或每次訓練前），我要選手自己覆核這四件事，只要有兩項亮紅燈，當天課表就往下修：
- 靜止心率：比個人基準高出 5–7 bpm 以上，通常代表沒恢復好。
- 主觀睡眠品質：連續兩晚睡不好，比任何 HRV 數字都值得警惕。
- 訓練慾望：完全不想動、抗拒感很強，往往是身體先發出的訊號。
- 肌肉痠痛與關節感受：局部尖銳的痛（不是普通痠）一定要停，這是預防運動傷害的第一道防線。
常見錯誤與修正：我看業餘選手最常栽的五個坑
錯誤一：把 CTL 往上衝當成唯一目標
很多人被那條體能曲線綁架，非得每週看它上升不可，於是拚命累積 TSS。問題是，CTL 上升太快，ATL 一定同步暴衝，TSB 長期深陷負值，過度訓練與傷害就在那裡等你。 修正方式很簡單：CTL 每週的增幅，一般建議控制在單週約 5–8 分以內（因人而異），寧可慢一點、穩一點。地基要一層一層疊，不是一天蓋好。
錯誤二：所有訓練都在「灰色地帶」
這是我看最多、也最可惜的錯。很多人每一次騎車都騎在「有點喘、又沒真的很喘」的中等強度，功率和心率都卡在中間。結果 輕鬆日不夠輕鬆、強度日不夠強度，兩頭落空。 研究與職業隊實務長期支持「兩極化訓練（polarized training）」的大方向——大量的低強度有氧，搭配少量真正夠硬的高強度，中間地帶反而少碰。AI 排出來的課表如果你都「打折扣執行」，很容易全部塌進灰色地帶。修正：輕鬆日就給我真的輕鬆到能邊騎邊聊天，強度日就給我痛到位。
錯誤三：FTP 設定過高，全套區間跟著歪
FTP 是所有功率區間的地基。如果你為了面子把 FTP 設得比實際高，那麼你的「閾值課」其實是在做「VO2max 的強度」，「耐力騎」其實在做「甜蜜點」，整套訓練的強度分布全部往上位移，練到後來只有累沒有效。修正：每 4 到 6 週誠實重測一次 FTP，用 20 分鐘測驗乘以 0.95 是最務實的做法。
錯誤四：完全不做游泳與跑步的技術，只堆量
AI 平台對「技術」這件事幾乎是瞎的。它能算你游了多少距離、跑了多少配速，卻看不出你游泳抓水抓得對不對、落地是不是過度跨步。三鐵的游泳尤其吃技術，光堆量而技術爛，只是把錯誤動作練得更根深柢固。修正：技術課一定要有人在旁邊看，或至少錄影自我檢視。
錯誤五：忽略 brick（轉換訓練）的專項性
三鐵最難的不是單項，是「下車接著跑」那種雙腿像灌了鉛的轉換感。AI 排課常常把騎和跑當兩件獨立的事排，忘了 brick 訓練的重要性。修正：賽前期每週至少安排一次 brick，讓身體熟悉轉換的痛苦。
給不同程度選手的行動建議
AI 教練這工具，對不同階段的人用法完全不同。我分三個層級給你具體做法。
初鐵／剛完賽的新手（目標：安全完賽 51.5 或首個標鐵）
- AI 的最大價值：幫你建立規律與紀錄習慣。 這階段最重要的不是課表多精密，而是「你有沒有持續動」。讓 App 提醒你、記錄你，光這點就贏過大多數三分鐘熱度的人。
- 不要一開始就沉迷 FTP、TSS 這些數字。你的身體對訓練還很敏感，光是規律地練，進步就會很快。
- 重點放在：把三項的基本技術（尤其游泳）打好，學會分配一週的訓練，別讓自己受傷。這階段受傷退場的人，遠比練太少的人多。
- 行動：用 AI 排一份保守的 8–12 週課表，但把每一堂高強度課的強度先打 8 折執行，觀察身體反應。
進階／想破 PB 的中階選手（已完賽數場，想在 226 或 113 突破）
- AI 的最大價值：量化你的疲勞管理。 這階段你已經練得夠多，勝負關鍵從「練多少」轉向「怎麼恢復、怎麼削減」。CTL/ATL/TSB 這套對你開始真正有意義。
- 學會讀 TSB：賽前把 TSB 從深負值拉回接近或略高於零，就是削減期的核心操作。學會這個，你的比賽日狀態會判若兩人。
- 開始重視專項與補給演練：長距離賽事，補給策略的重要性不輸體能。用長騎與長跑當作補給實驗場，找出腸胃能接受的節奏。
- 行動：讓 AI 排骨架，但每週固定花 10 分鐘自己覆核疲勞訊號，主動決定哪一天該加、哪一天該砍。
高階／挑戰 Kona 資格或個人極限的選手
- AI 的角色降為輔助儀表板。 到這個層級，個體差異大到通用演算法很難照顧周全。你需要的是高度客製化，這正是真人教練不可取代的地方。
- 善用數據做假設驗證：用平台的歷史資料回頭分析——你在哪種課表組合下 FTP 成長最快？哪種削減長度讓你比賽狀態最好？把 AI 當成你的資料庫，而不是決策者。
- 警惕數據的假精確：越到高階，1–2% 的差距就是勝負。這種等級的判斷，往往要靠教練那雙看過幾百個選手、能從一段影片、一次對話裡讀出你狀態的眼睛。
- 行動：找一位真人教練或建立自己的判讀框架，把 AI 數據當輔助證據，而非最終裁決。
週期化：AI 最容易「排得漂亮卻排錯方向」的地方
我特別想單獨談週期化（periodization），因為這是我看 AI 平台最常「數字對、方向錯」的環節。週期化的核心觀念很簡單——訓練不是每天都一樣硬，而是分成不同階段，讓身體先打地基、再堆專項、最後削減求峰值。 但很多 AI 平台的週期邏輯，是套用一個通用模板，然後根據你的目標日往回推，它並不真的理解「你這個人現在缺什麼」。
我用一張典型的 20 週 113 半程超鐵（俗稱 70.3）備賽週期，讓你看清楚各階段的重點差異：
| 階段 | 週數 | 主要目標 | 訓練重點 | 常見的 AI 盲點 |
|---|---|---|---|---|
| 基礎期 | 第 1–8 週 | 打有氧地基、練技術 | 大量低強度、游泳技術、肌力 | AI 常太早塞高強度，地基沒打穩 |
| 進展期 | 第 9–14 週 | 提升閾值與專項耐力 | 閾值間歇、長騎長跑、brick | AI 對 brick 專項性判讀弱 |
| 專項期 | 第 15–18 週 | 模擬比賽強度與補給 | 比賽配速演練、補給實測 | AI 幾乎不管你的腸胃與補給 |
| 削減期 | 第 19–20 週 | 消疲勞、拉回狀態 | 降量不降強度、TSB 回正 | AI 削減常過度、或不夠 |
基礎期最容易被業餘選手（和某些 AI）搞砸。 大家都想趕快看到強度課帶來的「有練到」感覺，於是跳過扎實的低強度累積。但有氧地基就像蓋房子的地基，你看不到它，它卻決定了整棟樓能蓋多高。我常跟學員說：基礎期無聊、緩慢、看似沒進展，但那八週的低強度累積，才是你後段能不能扛住高強度的本錢。AI 給的模板如果讓你在第三週就開始做一堆 VO2max，我通常會直接往回拉。
削減期則是另一個極端。 減量要「降量不降強度」——總訓練量往下砍三到五成，但保留少量短促的高強度刺激，讓身體維持「鋒利」但把疲勞排掉。目標是讓 TSB 從深負值回到接近或略高於零。我看過 AI 把削減期排成「幾乎全休」，結果選手上場時腿是鬆的、卻也是鈍的，反而找不到比賽的節奏感。這種微妙的平衡，是週期化裡最需要「手感」的部分。
一個完整案例：從演算法紅燈到 PB 的三週
再給你一個更完整的真實案例，讓前面所有觀念落地。學員阿May，一位 38 歲的上班族媽媽，備戰普悠瑪鐵人賽的 51.5 標鐵，目標是站上分組頒獎台。她用 AI 平台自主訓練了大半年，來找我時卡在一個瓶頸——數據上 CTL 一直漲，實際比賽成績卻不進反退。
我調出她三個月的資料，問題一眼就看出來：她的訓練幾乎全塌在灰色地帶（前面提過的錯誤二），而且 AI 因為看她「都有完成課表」，判斷她狀態良好，持續加量。她的 ATL 長期貼著 CTL，TSB 幾乎沒有一天回正過——她從來沒有真正休息過，也從來沒有真正練狠過。
我做的調整很簡單，就三件事：
- 重新校準強度分布：把她一週七成的課改成真正的低強度（心率壓在有氧區間、能邊騎邊講話），剩下的三成給我痛到位。中間地帶砍掉。
- 強制安插恢復：每三週插一個「恢復週」，把量砍掉四成，讓 TSB 有機會回正。這件事 AI 一直沒幫她做。
- 加入比賽配速的 brick：賽前四週，每週一次「騎完立刻接跑」的轉換演練，讓她熟悉那種腿沉的感覺。
第一週她很不習慣，一直覺得「輕鬆日這樣騎太混了吧」。到第三週，她自己傳訊息跟我說：「教練，我今天的閾值課，功率比以前高、心率反而更低了。」那就是有氧地基開始發揮、疲勞開始消退的訊號。最後她在普悠瑪站上了分組第三。同一個 AI 平台、同一份數據，換一種讀法，結果天差地遠。 這就是我想強調的——工具沒錯，怎麼用才是關鍵。
常見問題 FAQ
Q1：AI 教練 App 值不值得付費？
對絕大多數業餘選手來說，值得——但要付對心態。它最大的價值是「紀錄、量化、提醒、給合理起點」，這幾件事它做得很好。如果你期待它像真人教練一樣讀懂你今天的狀態、聽懂你話裡的疲憊，那你會失望。把它當工具，不當老師。
Q2：那我到底還需不需要真人教練？
看你的階段與目標。初鐵完賽，AI 加上一點自律通常就夠了。想認真破 PB、挑戰長距離或世錦賽資格，一位好教練帶來的判斷、修正與心理支持，是任何演算法給不了的。兩者不衝突——最好的組合，往往是「AI 負責記錄與量化，教練負責判讀與決策」。
Q3：HRV 到底該不該每天看？
可以看，但看「趨勢」不看「單日」。單日 HRV 雜訊太大，一杯咖啡、一場爛睡、量測姿勢不對都能讓它劇烈跳動。連續 5–7 天的趨勢往下，才比較有參考價值。別讓一個難看的單日數字，毀了你原本該練的好課表，也別讓漂亮的數字騙你硬上。
Q4：AI 排的課表我做不完，是我太弱嗎？
通常不是。更常見的原因是 FTP 設定偏高、或演算法沒吃進你當下的疲勞與台灣的濕熱環境。先誠實重測 FTP，再把主觀感受納入。做不完不是罪，硬做完把自己搞傷才是。
Q5：我沒有功率計，只有心率錶，AI 平台還能用嗎？
能用，但要理解限制。心率是「結果指標」，它反應身體對強度的反應，會受到氣溫、脫水、咖啡因、睡眠影響而漂移；功率是「輸入指標」，你踩多少就是多少，比較純粹。沒有功率計的話，把心率的區間抓好、多依賴主觀感受（RPE，自覺費力程度）來輔助判斷，一樣能練得很好。台灣濕熱環境下，心率往往會比同樣強度的涼爽天氣高，這時候別死盯數字，相信身體的費力感。跑步的話，很多平台改用配速搭配 GAP（坡度調整配速）也能做類似的量化。
Q6：AI 平台之間差很多嗎？我該怎麼選？
差不少，但對業餘選手來說，「你會不會持續用它」比「它演算法多先進」更重要。選一個介面你看得順眼、每天願意打開、資料能跟你的手錶順暢同步的平台，比選一個功能最花俏但你三週後就懶得看的更有價值。實務上我會建議：先確認它能不能匯出原始資料（別被單一平台綁死）、自適應功能是不是真的會根據你的表現調整、以及它對你的主項運動（游泳／自行車／跑步）判讀夠不夠細。
Q7：未來 AI 會完全取代教練嗎？
我的看法是：AI 會取代「教練工作裡的計算與記錄部分」，但取代不了「教練這個人」。訓練從來不只是數字——它牽涉到動機、恐懼、生活壓力、人生階段、比賽當下的心理博弈。舉個例子：一位選手賽前三天突然對比賽產生莫名的恐懼，數據上他狀態完美，但那份恐懼會毀掉他的比賽。這種時候需要的不是一份調整過的課表，而是一段真誠的對話、一句「我陪你走過這關」。這些是人與人之間才傳得過去的東西。工具越強，會用工具的教練與選手，才越有價值。
結語：讓數據為你服務，而不是被數據綁架
回到開頭那位小陳。後來他順利完成了 Challenge Taiwan，成績還破了自己的 PB。他事後跟我說，最感謝的不是那些漂亮的數據，而是「有人在數字之外，看見了那個快撐不住的我」。
這句話，其實就是我這篇文章想講的全部。AI 與機器學習，把訓練的『量化』與『個人化起點』推到了前所未有的高度，這是好事，是這個時代業餘選手的巨大福氣。 但數據永遠只是身體投射出來的影子——它會漏掉那三次半夜的哭聲、那個濕熱到讓人喘不過氣的台北午後、那份藏在心裡沒說出口的疲憊。
所以我的建議始終如一：擁抱數據，但別跪拜數據。 用 AI 幫你記錄、量化、看見趨勢；用你自己（或你信任的教練）的判斷，去接手那些演算法永遠看不見的東西。當有一天你能一邊看著 App 的曲線、一邊摸著自己的脈搏，然後從容地說出「今天這堂我要改」——那才是真正把 AI 用對了的樣子。
未來已經來了，而且來得比我們想像的快。願你成為那個駕馭工具的人，而不是被工具駕馭的人。把演算法當成你身邊那位算得又快又準、但永遠不會看你臉色的助理教練，而你自己，才是那個真正做決定的主教練。我們賽道上見。
本文為教育性內容，不能取代醫師、物理治療師或營養師的個別評估。
參考資料
- 功能性閾值功率（FTP）的定義與 20 分鐘測驗換算：BikeRadar — What is FTP and why does it matter for cyclists?
- FTP 與乳酸閾值、功率區間的關係：TrainerRoad Blog — What FTP Really Means to Cyclists
- TSS、CTL、ATL、TSB 的定義與時間窗：A Coach’s Guide to ATL, CTL & TSB — TrainingPeaks
- Form（TSB）計算方式（CTL 減 ATL）：Form (TSB) — TrainingPeaks Help Center