伊朗德黑蘭大學數學、統計與電腦科學學院副教授 Bagher Babaali 領率的團隊，在 2026 年 Sussex-Huawei Locomotion Challenge（SHL） 中奪得第一名，並連續第二年蟬聯冠軍。競賽於上海舉行，與 UbiComp／ISWC 學術活動同期登場，由英國薩塞克斯大學推動、華為支持，聚焦以手機感測器辨識步行、跑步、騎乘自行車，以及搭乘汽車、巴士、火車與捷運等八類移動模式。
團隊採用「凍結預訓練模型＋任務特定分類器」路線，測試五個已預訓練的時序基礎模型，不重新調整其內部參數，僅針對目標任務訓練分類元件，最後以全域線性融合策略整合各模型預測。這項成果的重要性不只在單一競賽奪冠，而是連續跨年度勝出，顯示團隊在資料準備、模型選擇、實驗設計與評估方法上具備可重現的技術能力。
SHL 資料集涵蓋手機置於手部、軀幹、臀部及背包等不同位置的日常移動紀錄，真實反映路面、車體懸吊、步行速度與個人動作差異。團隊的解法證明，在不從頭訓練大型模型的條件下，也能透過多模型互補提升感測器分類的可靠度。
這場競賽的本質並非企業間的市場價格戰或監管權力角力，而是 人工智慧研究典範由「生成內容」轉向「理解物理世界訊號」 的技術演進。過去數年，公眾與投資人的注意力集中於大型語言模型；如今，利用智慧手機加速度計、陀螺儀與磁力計所產生的連續時間序列，辨識使用者正在走路、搭巴士還是乘火車，逐漸成為更貼近日常應用且更具商業價值的技術主戰場。
這項競賽能夠成立，背後有兩項歷史背景。第一，行動裝置感測器早已普及，但資料仍停留在「取得容易、理解困難」的階段。單次讀數或許只能顯示晃動，但大量連續觀測蘊含步頻、節奏、轉向、煞車與路面振動等規律。問題在於，同一活動會因個人體型、攜帶位置、裝置型號與交通環境而出現顯著落差，真正的技術難題不是辨識一個固定樣本，而是建立能跨越人、裝置與場景的泛化能力。
第二，時間序列基礎模型的成熟，降低了每項新任務從零訓練的成本。預訓練模型可先吸收大量序列資料中的週期、趨勢與關聯，再由較小的任務特定分類器接手精準判讀。德黑蘭大學團隊將五個模型全部納入最終融合，而非只保留單一最佳模型，其核心洞見是：模型互補的價值，往往高於單一模型的極限效能。
技術上仍須警惕「基礎模型」標籤被過度行銷。不同模型的訓練資料、架構、輸入格式及目標並不相同，凍結參數也不等於免除訓練，更不保證跨資料集優越。模型若犯下高度相似的錯誤，融合只會增加複雜度；能讓整體勝出，關鍵在於各成員具有實質差異的錯誤結構，而非單純堆疊數量。
國際制裁與出口管制警報
🔴 極高風險 (CRITICAL)資料來源：OpenSanctions / US BIS Entity List
⚠️ 合規與地緣風險要點： 受美國出口管制條例 (EAR) 與外國直接產品規則 (FDPR) 全面封鎖，限制取得先進 EDA 工具、極紫外光 (EUV) 設備與 5G 射頻晶片。
從行動感知研究的歷史演進來看，手機從單純通訊工具轉為環境代理，以及雲端模型向裝置端推論遷移，是兩條可相互印證的主線。德黑蘭大學這次成果延續的，正是「預訓練模型降低新任務成本」的工程路線；其後續影響，取決於模型能否跨越不同城市、晶片、作業系統與攜帶方式。
01 起因觸發：2026 年 SHL 挑戰聚焦手機感測器辨識八類移動模式，德黑蘭大學以五個凍結時序模型及線性融合連續第二年奪冠
02 一階傳導：智慧手機、穿戴裝置與邊緣 AI 業者取得可複用的預訓練模型整合路徑，降低每項感測器任務的資料標註與訓練成本
03 二階擴散：交通規劃、旅運分析、穿戴健康與工業設備監測開始導入時序分類技術，但跨品牌、跨族群泛化與隱私法規成為部署瓶頸
04 宏觀終局：人工智慧競爭焦點由語言生成轉向物理世界訊號理解，**模型介面、資料治理與邊緣算力將成為下一階段的價值分配關鍵**
領域延伸情報推薦 相關延伸研讀
依主題領域自動關聯之高參考價值外電情報
ACLED 地緣衝突與安全熱區監測
CRITICAL (極高衝突)監測熱區：中東與紅海走廊 (Middle East & Red Sea Corridor)（葉門 · 以色列 · 黎巴嫩 · 荷姆茲海峽）
📡 區域安全態勢評估： 紅海曼德海峽商船遇襲風險持續高企，多國海軍聯合護航行動持續進行，牽動蘇伊士運河全球航運保費。
