开场：一杯咖啡引发的争论
上个月在台北一间咖啡厅，我带的一位业余登山车手阿凯把手机推到我面前，屏幕上是一篇转贴的文章，标题斗大地写着「研究证实：某补剂能显著提升运动表现」。他眼睛发亮地问我：「教练，我是不是该吃这个？它说有『显著』效果耶！」
我没有马上回答，反而先问他一个问题：「你知道那个『显著』，可能只代表『快了 0.3 秒』吗？而且是在 300 位受试者、控制到滴水不漏的实验室里量出来的 0.3 秒。」他愣住了。
这就是我这十五年带各级选手与一般运动族群，最常要花力气去拆解的一件事：「有没有效」和「效果有多大、对你有没有意义」，是两个完全不同的问题。 前者是统计上的 p 值在讲话，后者才是你在武岭爬坡、在河滨练间歇时，真正会感受到的东西。
这篇文章，我想带你走进「效果量（effect size）」与「最小重要差异」的世界。它们听起来像是象牙塔里的统计名词，但我保证，一旦你看懂了，你以后看任何一篇运动科学研究、任何一则装备或补剂的宣传，眼睛都会变得不一样。你会从一个被数字牵着走的人，变成一个能反过来质问数字的人。
观念基础：p 值的迷思，与效果量的登场
p 值只回答一个很窄的问题
先讲一个残酷的事实：大多数人（包括不少写报导的人）都误会了 p 值。
p 值（通常我们看到 p < 0.05 就开心地说「有显著差异」）其实只在回答一个非常狭窄的问题：「假设两组其实没有差别，那我观察到现在这个结果、或更极端结果的几率有多低？」几率够低（低于 5%），我们就说「这差异不太可能是纯运气造成的」。
注意，它从头到尾都没有告诉你差异有多大。
这里藏着一个很多人不知道的陷阱：只要样本数够大，几乎任何微小的差异都能变成「统计显著」。 如果我找 5000 个人来测某训练法，就算它平均只让 FTP（功能性阈值功率）提升了 1 瓦，都可能跑出 p < 0.001 这种漂亮数字。但你我都知道，1 瓦对一个 250 瓦的车手来说，根本感觉不到，连量测误差都盖过它了。
效果量：把「差多少」量化出来
效果量就是为了补上这个缺口而生的。它不管样本多大，直接回答：「这个差异，换算成标准化的尺度，到底有多大?」
最常见的效果量指针是 Cohen’s d，它的逻辑很直觉：把两组的平均值差距，除以数据的变异程度（标准差）。换句话说，它问的是「这个差异相对于个体之间本来就有的差异，算大还是算小」。
根据 Jacob Cohen 当年提出的经验性惯例（注意，是惯例，不是铁律），一般这样解读：
| Cohen’s d 数值 | 惯例解读 | 白话翻译 |
|---|---|---|
| 约 0.2 | 小效果 | 存在，但要很仔细才看得出来 |
| 约 0.5 | 中效果 | 肉眼可辨、实务上开始有感 |
| 约 0.8 | 大效果 | 明显、通常值得认真看待 |
但我要在这里加一个非常重要的提醒：这些门槛是跨领域的粗略参考，Cohen 本人也强调要看情境。在菁英运动的世界里，游戏规则完全不同——奥运场上金牌与第四名的差距，换算成效果量可能只有 0.1 到 0.2，小到不行，但对选手而言那是登不登上凸台、有没有国光奖金的天壤之别。所以**「小效果」不等于「不重要」，「大效果」也不保证「对你重要」。** 这正是我们接下来要谈的重点。
（Cohen’s d 的门槛与解读，可参考文末列出的 Simply Psychology 与 LibreTexts 统计教材链接。）
内核概念：最小重要差异（MID / MCID）
从「统计显著」到「值得你在意」
如果说效果量是把差异标准化，那么最小重要差异（Minimal Important Difference, MID；在临床上常称 Minimal Clinically Important Difference, MCID） 就是把问题拉回到真实世界：
这个改变，要大到什么程度，你这个「人」才会真正感受到、觉得有意义？
MCID 原本是从临床医学来的概念——例如一种止痛疗法，疼痛评分平均降了多少，病人才会觉得「我真的比较不痛了」，而不只是问卷数字动一动。运动科学借用了这个思维：一项训练或介入，要让你的表现进步到超过某个门槛，才值得你付出时间、金钱与恢复成本去做。
这里有个残酷但实用的观点，我很喜欢引用：MCID 其实是一个「很低的门槛」。它代表的是「勉强有感」，而不是「效果很好」。一个介入即使跨过了 MCID，也只是说明它「值得考虑」，离「强烈推荐」还很远。（这点在文末 ScienceDirect 那篇「MCID Is a Low Bar」讲得很直白。）
三个一定要一起看的数字
我常跟学员说，看研究时脑中要同时摆三个问题，缺一不可：
| 你该问的问题 | 对应的统计概念 | 如果忽略会怎样 |
|---|---|---|
| 「这差异是真的，还是运气？」 | p 值 / 信赖区间 | 被杂讯当成信号 |
| 「这差异有多大？」 | 效果量（Cohen’s d 等） | 把 1 瓦当成 30 瓦在庆祝 |
| 「这差异大到我有感吗？」 | 最小重要差异（MCID） | 花大钱买一个你根本感觉不到的东西 |
只看第一个，你会变成阿凯那样，看到「显著」就想掏钱。三个一起看，你才有能力做出成本效益合理的训练决策。
（MCID 的定义与「它是一个低门槛」的讨论，可参考文末 PubMed 综述与 ScienceDirect 链接。）
用一个对照表看懂「四种情况」
把「统计显著与否」和「效果大小是否有实务意义」两个维度交叉，你会得到四种截然不同的情况。这张表我常画在白板上给学员看，因为它一次点破了最多的误解：
| 效果量大、有实务意义 | 效果量小、无实务意义 | |
|---|---|---|
| 统计显著 | 理想：真的有效又有感，值得采用 | 陷阱：样本大到把「几乎没差」也变显著，最容易被误导 |
| 不显著 | 可惜：可能真有效但样本太小没测出来，值得后续研究 | 明确：既没把握、效果又小，直接略过 |
最危险的格子是右上角——统计显著、但效果小到没意义。这正是大样本研究最容易制造、也最常被行销拿来断章取义的地方。你以后看到「大规模研究证实显著有效」，反而要更小心地追问效果到底多大。而左下角则提醒我们：「没测到显著」不等于「证明无效」，很可能只是样本不够、还没看清楚而已。
实务方法：把研究翻译成训练决策
理论讲完了，我知道你真正想要的是「所以我到底该怎么用」。以下是我实际带学员时，教他们的一套翻译流程。
步骤一：先问「这个效果，换算到我身上是多少？」
研究常用百分比或标准化数字报告结果。你要做的第一件事，是把它换算成你自己的绝对数字。
举个实例（数字为情境举例，非引用特定研究）：假设一篇研究说某间歇训练法让受试者的最大摄氧量相关指针「平均提升约 3%」。听起来好像不多？我们来换算。假设你现在爬一段熟悉的坡（例如新竹的十八尖山或风柜嘴）大约骑 20 分钟：
| 你的基准 | 提升 3% 后的估算 | 实务意义 |
|---|---|---|
| 20:00 的爬坡 | 约快 30 至 40 秒 | 有感，周末揪团不会被拉爆 |
| 250 瓦的 FTP | 约提升 7 至 8 瓦 | 通常超过量测误差，值得追求 |
| 40 分钟的 10 公里跑 | 约快 60 至 70 秒 | 对业余跑者是明显进步 |
看到没？同样一个「3%」，换算成你熟悉的场景，突然就变得具体、可以判断了。这一步是把抽象研究接地气的关键。
步骤二：对照「量测误差」与「日常波动」
这是最多人漏掉的一步。任何量测都有误差，你的身体每天状态也在波动。如果一个宣称的效果，比你自己平常的日常波动还小，那它在现实中根本没意义。
我通常会请学员先做「自我变异度」的功课：连续几周在相同条件下（同一段路、同样睡饱、类似气温）记录同一项表现，看它自然上下摆动多少。
| 指针 | 常见的日常自然波动范围（个体差异大，仅供概念参考） | 判读原则 |
|---|---|---|
| 晨起心率 | 上下数个 bpm | 单日高几下别紧张，看趋势 |
| 同段爬坡时间 | 数十秒等级 | 小于此就别当成进步或退步 |
| 功率计读值 | 通常有数个百分比误差 | 换车、换表前后不能直接比 |
原则很简单：如果一个介入的效果，淹没在你自己的日常噪音里，那不管研究说得多漂亮，对你都不算数。
步骤三：估算「投入产出比」
就算效果真的超过噪音、也超过 MCID，你还得问最后一个问题：代价值不值得？
我带过一位准备参加台湾 KOM（登山王挑战）业余组的学员小林。他一度想同时尝试好几种据说「有效」的作法。我请他做了一张很土法炼钢、但超级好用的表：
| 介入方式 | 估算效果量级 | 需要付出的成本 | 我的建议 |
|---|---|---|---|
| 规律结构化训练（周期化） | 大 | 时间、纪律 | 第一优先，效果最扎实 |
| 睡眠与恢复管理 | 中至大 | 生活作息调整 | 高投报，很多人低估 |
| 减去多余体重（在健康范围内） | 中至大（爬坡尤甚） | 饮食纪律 | 对爬坡型赛事极有效 |
| 某些边际小补剂 | 小 | 金钱、麻烦 | 前三项做好再考虑 |
这张表点醒了他：他一直想在「小效果、却要花钱花心力」的东西上打转，却忽略了「大效果、只要肯做」的睡眠和周期化训练。排序决策，永远先吃效果量最大、成本最低的果实。
步骤四：在自己身上做「小规模验证」
研究给你的是群体平均，但真正的答案要在你自己身上找。我教学员一套很土、但很有效的自我验证法，我称它为「一人试验」：
- 先固定基准。 选一个你能稳定重复的测试——例如同一段坡、同样的暖身、尽量相近的气温与睡眠。连续量几次，抓出你「不做任何改变」时的自然范围。
- 一次只改一件事。 想验证某个介入，就只动那一项，其他全部维持不变。同时改三件事，你永远不知道是哪一件在起作用（或互相抵消）。
- 给它足够时间。 很多生理适应要数周才显现，别做两天没感觉就放弃，也别做两天有感觉就当真（那可能只是状态好）。
- 和你的基准波动比，不是和昨天比。 只有当改变超出你原本的自然波动范围，才算数。
这套方法的精神，就是把「效果量」和「日常噪音」的概念，直接搬到你自己身上跑一遍。它不完美（没有对照组、有安慰剂效应），但对一般运动族群来说，已经比盲信广告可靠太多了。
一个具体换算示范：咖啡因与计时赛
再举一个大家常问的例子来走一遍流程（数字为概念示范，非引用特定研究）。假设有人告诉你「咖啡因能提升耐力表现约 2%」。
| 判读步骤 | 套用到你身上 |
|---|---|
| 换算绝对值 | 40 分钟的计时赛，2% 约等于快 40 多秒 |
| 对照日常波动 | 若你同条件下自然波动约 20 至 30 秒，那 40 秒「可能」浮出水面 |
| 超过 MCID 吗 | 对在意名次的你，40 秒有感;对纯休闲骑，也许无所谓 |
| 成本与风险 | 便宜、方便，但要注意心悸、肠胃、睡眠、个人耐受度差异 |
| 个体反应 | 有人反应大、有人几乎没感觉，甚至有人不适 |
结论不会是「一定要用」或「绝对别用」，而是：「这是一个效果量级中等、成本低、但因人而异的选项，值得你自己小规模试一次再决定。」 这就是成熟的判读该有的样子——不武断、有依据、能行动。
常见错误与修正
带学员这么多年，我看过太多人在「解读数字」这件事上跌倒。以下几个是最常见的，我一并把修正方式写给你。
错误一：把「显著」当成「效果很大」
这是头号通病。前面说过，「统计显著」只代表「大概不是运气」，跟「效果大不大」是两回事。
修正： 每次看到「显著提升」，立刻在心里追问一句——「提升了多少?换算到我身上是几秒、几瓦、几公斤?」对方答不出具体数字，或那个数字小到可笑，你就知道该打折看待。
错误二：只看平均值，忽略个体差异
研究报告的是「平均效果」，但你不是平均人。同一个介入，有人反应很大、有人几乎没反应，这叫「反应者变异」。平均进步 3%，可能是一半人进步 6%、一半人完全没动的结果。
修正： 把研究当成「值得一试的假设」，而不是「保证的承诺」。真正的验证，是在你自己身上做小规模、有纪录的试验（下面会教）。
错误三：拿实验室的完美条件套用到真实生活
研究常在高度控制的环境进行——受试者睡饱、禁咖啡因、标准化饮食。你在台湾的真实生活呢?加班、外食一个排骨便当、下班还要骑河滨、夏天闷热到爆汗。实验室量到的效果，在你混乱的日常里往往会缩水。
修正： 对研究效果自动打个折扣心理准备，尤其是那些依赖「完美运行」的介入。能在真实混乱中还撑得住的效果，才是好效果。
错误四：被「相对数字」放大情绪
「风险降低 50%!」听起来很吓人，但如果原本的绝对风险是 0.002%，降一半也只是 0.001%，实务上几乎没差。运动宣传也常用相对数字（提升 30%!）来放大感受，却不告诉你基准是多少。
修正： 永远找「绝对数字」。相对百分比没有基准值，就是耍流氓。
错误五：忽略信赖区间的宽度
一个效果量的「点估计」旁边，通常有个信赖区间。如果那个区间很宽（例如从「几乎没效」跨到「效果很大」都涵盖），代表这个结果很不确定，尤其常见于小样本研究。
修正： 看到小样本、又没报告信赖区间，或区间宽得夸张的研究，把结论的确定性再往下调。
错误六：忽略「对象是谁」的可迁移性
很多研究的受试者，跟你根本不是同一群人。用未受过训练的新手做出来的效果，套到已经训练多年的老手身上，往往会大幅缩水——因为老手的「进步空间」本来就小得多（这在运动科学里叫「训练状态」的影响）。反过来，用职业选手做的研究，也未必适用于你我这种业余上班族。
修正： 看研究时多问一句「受试者是谁?他们像我吗?」如果对象和你的训练程度、年龄、性别、生活型态差很多，效果的可迁移性就要打折。台湾常见的情境是：一堆宣传引用的是国外年轻运动员的数据，但你是四十多岁、每天外食、周末才骑车的族群，直接套用只会失望。
台湾在地情境：把概念落地
谈了这么多，我想特别把几个台湾读者最容易踩到的实务点拉出来讲，因为我们的生活条件跟实验室差很远。
闷热气候会吃掉你的效果量
台湾夏天又湿又热，这对耐力表现的影响非常大。很多国外研究是在凉爽环境测出来的漂亮效果，你在七、八月的午后河滨一骑，光是热压力就足以盖过那个介入的效果。判读时要把环境变量放进去——同样的训练，冬天和盛夏的表现差异，可能远大于任何小补剂的效果。这也是为什么夏天更该重视补水、电解质与时段选择（清晨或傍晚），这些「大效果」的基本功。
外食族的营养现实
研究里受试者常吃标准化饮食，但你我可能中午是排骨便当、晚上是卤肉饭加珍奶。当一个介入的效果，创建在「饮食控制良好」的前提上，套到外食族身上就会缩水。与其纠结某个边际补剂，不如先把「每餐有没有足够蛋白质、有没有吃够碳水支撑训练」这些效果量更大的基本盘顾好。
就医方便是你的优势
台湾健保可近性高、就医方便，这其实是我们判读健康信息时的一大优势。当你对某个补剂安全性、某个身体警讯、或某项介入是否适合自己有疑虑时，挂个号问医师、物理治疗师或营养师的成本很低。别用网络上的统计数字，去取代一次专业的个别评估。 尤其若你本身有慢性疾病（如糖尿病、高血压、心脏相关问题），任何训练或营养调整都应该先和你的主治医师讨论，用语我在这里也刻意保守——这些状况一定要个别化、要就医，不是靠读文章就能自己决定的。
给不同程度读者的行动建议
看懂概念是一回事，用出来是另一回事。我把建议分成三种程度，你对号入座。
如果你是刚入门的运动新手
你现在不需要去啃论文、算 Cohen’s d。你要做的，是先创建正确的「优先级直觉」：
- 先把大石头放进罐子里。 规律运动、睡眠、基本营养、循序渐进，这些「效果量最大」的基本功，远比任何小撇步重要。别在还没打好地基时，就被各种补剂和装备广告分心。
- 看到「显著」「证实有效」的宣传，先深呼吸。 问一句：「效果具体是多少?值多少钱?」答不出来就先放着。
- 记录你自己的基准。 就算只是手机备忘录记下每次骑车的时间和感受，三个月后回头看，你自己的数据比任何研究都更贴近你。
如果你是有经验的高端运动者
你已经有训练基础，接下来是提升「解读力」：
- 学会把研究结果换算成自己的绝对数字（回头看实务方法步骤一）。这是高端者最该练的翻译能力。
- 创建你的「个人 MCID」概念。 想清楚：对你这个阶段的目标，表现要进步多少才值得你去追?例如你若在意破 PB，先算出破 PB 需要的秒数，再回头评估哪些介入的效果量搆得上。
- 善用信赖区间与样本数当滤网。 小样本、宽区间的研究，当成「有趣的线索」就好，别急着改整套训练。
如果你是教练或带队者
你的每个建议都会影响一群人，责任更重：
- 对选手沟通时，用他们听得懂的绝对数字，而不是丢一堆 p 值和 d 值。「这个做法大概能帮你在那段坡快 20 秒」远比「效果量 0.4」更能激励人。
- 管理期待值。 提醒选手研究报的是平均，个体反应有差；把新方法当「值得试的假设」，并用小规模试验去验证谁是反应者。
- 做决策排序时，永远先问效果量与成本。 资源有限，把它投在效果量最大、最扎实的地方（训练结构、恢复、基础营养），而不是追逐一堆边际小玩意。
一个完整的个案：把整套思维走一遍
让我用阿凯的故事收尾，把前面所有概念串起来。
那天咖啡厅之后，我没有直接叫他别买那个补剂，而是带他跑了一遍完整流程。
第一步，翻译效果。 我们找出那篇宣传背后大致的数字，换算到他身上，估出来的效果大约是在他常骑的那段河滨计时路段「可能快个几秒」。
第二步，对照噪音。 我请他翻出过去两个月同一段路的纪录，发现他自己的自然波动就有数十秒——远大于那个补剂宣称能带来的几秒。结论很清楚：那点效果，直接淹没在他的日常波动里。
第三步，算投报。 那个补剂一个月要花不少钱，还要每天记得吃。而我们一起查看他的生活后发现，他长期睡不到六小时、赛前一周还常熬夜追剧。
我跟他说：「你与其花钱买一个你根本感觉不到的几秒，不如先把睡眠从六小时拉到七个半小时。那个效果量，我保证你在坡上有感。」
三个月后，他没吃任何新补剂，只调整了睡眠和训练结构，那段河滨 PB 进步了将近一分钟。他回来跟我说的第一句话是：「教练，我以后看到『显著』两个字，都会先想:那到底几秒?」
那一刻，我知道他真的懂了。这才是我写这篇文章最想给你的东西——不是某个特定结论，而是一套能陪你一辈子的思考方式。
常见问答（FAQ）
Q：效果量的门槛（0.2 / 0.5 / 0.8）是绝对标准吗?
A：不是。那是 Cohen 提出的跨领域粗略惯例，他本人也强调要看情境。在菁英运动里，很小的效果量都可能决定胜负；在大众健身里，可能要更大的效果才值得你改变习惯。门槛是参考，不是圣经。
Q：那我以后是不是要自己算 Cohen’s d?
A：完全不用。你要学的是「思维」而非「计算」——看到结论就追问「换算到我身上是多少、超过我的日常波动吗、值不值得这个成本」。这三问，比任何公式都实用。
Q：研究说有效，但我试了没感觉，是我有问题吗?
A：很可能不是。研究报的是平均，个体反应差异很大，你完全可能是「低反应者」。这也是为什么在自己身上做小规模验证这么重要。别因为一篇论文就怀疑自己的身体。
Q：那我干脆都别信研究，靠感觉就好?
A：也不对，这会走到另一个极端。研究是很有价值的「群体层级证据」，能帮你筛掉一堆没根据的偏方。正确做法是：用研究当方向，用自己身上的纪录当验证，两者互补。
Q：健康或伤害相关的介入，也能这样自己判断吗?
A：概念可以用来帮你理解信息，但涉及疾病、伤害、用药或补剂安全时，一定要找专业人员个别评估。统计思维帮你看懂数字，但它不能取代医疗判断。台湾就医方便、健保可近性高，有疑虑时，挂号请教医师、物理治疗师或营养师，永远是最稳妥的做法。
Q：效果量和「相关系数」是同一回事吗?
A：不完全是，但相关系数（如 r）也是一种效果量的指针，用来描述两件事关联的强弱。重点一样：别只看「有没有关联」，要看「关联有多强、对实务有没有意义」。而且关联不等于因果——两件事一起变动，不代表其中一个造成另一个，这是另一个常被误用的大坑。
Q：为什么有些研究效果很大，却没被广泛采用?
A：可能原因很多：样本太小、无法在别的研究重复出来、实验设计有瑕疵、或效果只在很特定的条件下才成立。单一研究再漂亮，也只是「一个证据点」。真正可靠的结论，通常需要多个独立研究、在不同族群上都看到一致方向，才站得住脚。看到「某单一研究震撼发现」，先保守看待。
Q：那么多要注意的，我一般人记不住怎么办?
A：不用全记。你只要养成一个反射动作就够了——每次看到「有效」，就在心里问三句：「效果多大（换成我的秒数瓦数）?超过我的日常波动吗?值不值这个成本?」这三句话，就浓缩了整篇文章九成的价值。
结语：成为能质问数字的人
我们活在一个被数字轰炸的时代。打开手机，满满都是「研究证实」「显著提升」「效果惊人」。这些字眼有一种魔力，会让人不假思索地相信。
但读完这篇，我希望你已经有了一层免疫力。你知道「显著」不等于「效果大」，你知道要把研究翻译成自己的绝对数字，你知道要对照日常噪音和 MCID，你知道要算投入产出比。
最厉害的运动者，不是读最多研究的人，而是最会问问题的人。 下次再有人拿着一篇「证实有效」的文章来找你，你不会再像从前的阿凯那样眼睛发亮，而是会微笑着问一句：
「所以，效果具体是多少?对我，真的有意义吗?」
这一问，就是你从被数字牵着走，变成驾驭数字的分水岭。
我最后想再叮咛一件事：培养这套思维，不是为了让你变得愤世嫉俗、什么都不信。恰恰相反，它是为了让你把有限的时间、金钱和恢复量，投在真正划算的地方。当你不再被一堆边际小效果分心，你反而能更专注、更坚定地把那几件效果量最大的事（规律训练、充足睡眠、扎实营养、循序渐进）做好、做久。这才是长期进步的真正引擎。
数字是工具，不是主人。看懂它、质问它、然后把它为你所用——这，就是一个成熟运动者该有的姿态。
祝你在台湾的每一段坡、每一条河滨、每一场赛事上，都骑得比昨天更明白、更聪明。我们路上见。
本文为教育性内容，不能取代医师、物理治疗师或营养师的个别诊断与治疗建议。涉及疾病（如糖尿病、高血压、心脏病等）、伤害或补剂安全时，请务必寻求专业医疗人员的个别化评估与协助。
参考数据
- Simply Psychology — What Does Effect Size Tell You?: https://www.simplypsychology.org/effect-size.html
- Statistics LibreTexts — Cohen’s Standards for Small, Medium, and Large Effect Sizes: https://stats.libretexts.org/Bookshelves/Applied_Statistics/Business_Statistics_(OpenStax)/10%3A_Hypothesis_Testing_with_Two_Samples/10.02%3A_Cohen’s_Standards_for_Small_Medium_and_Large_Effect_Sizes
- PubMed — The Minimal Clinically Important Difference: A Review of Clinical Significance: https://pubmed.ncbi.nlm.nih.gov/34854345/
- ScienceDirect — Minimally Clinically Important Difference (MCID) Is a Low Bar: https://www.sciencedirect.com/science/article/abs/pii/S0749806322007010
- Wikipedia — Minimal important difference: https://en.wikipedia.org/wiki/Minimal_important_difference
相关主题阅读
風櫃嘴! 現實與虛擬騎乘 會有誤差嗎? 背著iPad邊騎一趟風櫃嘴實際測試一次 | 公路車 | CT Yeh
3 年前
西進武嶺 免費訓練分析服務 Intervals | 練不夠還是練過頭？你哪一種類型選手？AI模型告訴你！ | 備戰神器 | 公路車 訓練 | CT Yeh
4 年前
如果Pogačar騎西進武嶺可以多快？會破2嗎？各種情況深度推估探討 / 公路車 / CT Yeh
2 年前
#公路車 #Fitting 靠人工智慧APP 幫你調整單車
6 年前
崇越盃武嶺冠軍高手 賽前JJSC 群峰會精華！對應大數據分析，會有落差嗎？/ feat. JJSC中部公路車約騎 /公路車 / CT Yeh
2 年前
#公路車 #Vo2Max #最大攝氧量 測驗 體驗 | 心肺測試
6 年前
大家都在開箱的...單車用藍芽對講耳機真的有幫助嗎？ SENA BiKom 20 長距離旅遊 ＆ 海鷗繞圈賽 實際體驗心得 / 公路車 / CT Yeh
9 個月前
一個測試有沒有認真練車的方法😂 #公路車
10 個月前