近年來，隨著大數(shù)據(jù)技術和人工智能的發(fā)展，運動鞋生物力學領域的研發(fā)創(chuàng)新逐漸由單一的實驗測試科學轉(zhuǎn)變?yōu)閷嶒灴茖W與數(shù)據(jù)科學并重的模式。美國學者Booth等首次將機器學習算法應用在運動鞋楦的設計改良領域，采用主成分分析（PCA）、線性及非線性模擬等方法，將足形指標簡化降維為關鍵指標，研究結果顯示，大樣本量精準的足形數(shù)據(jù)采集有利于機器學習精度的提升，同時隨著機器學習算法的改良和大數(shù)據(jù)的積累，有望將運動鞋楦的設計誤差降低至亞毫米級。部分國際運動品牌研發(fā)團隊聚焦運動鞋舒適性的提升，基于4 199名運動員足形，構建大規(guī)模人群的足部統(tǒng)計形態(tài)模型（statistical shape modelling，SSM）。其采用PCA降維方法對足部三維解剖構形進行二維精細描述，基于迭代最接近點算法，實現(xiàn)了足部模型與模板網(wǎng)格的自動剛體對齊，將復雜的三維足部形態(tài)特征用傳統(tǒng)的二維足形測試指標進行描述?；诓煌朔N的大數(shù)據(jù)足形精細參數(shù)的獲取和建模，有助于進一步提升運動鞋舒適度。我國學者顧耀東等開展基于機器學習算法和大數(shù)據(jù)足形特征的生物力學指標預測工作，開發(fā)、訓練和測試了基于足形多變量的機器學習偏最小二乘回歸（partial least squares regression，PLSR）模型，現(xiàn)已收集近3 000人的精細化足形參數(shù)，預測普通人群在著鞋和裸足狀態(tài)下的足底壓力特征。隨著足形大數(shù)據(jù)的進一步積累和機器學習算法的優(yōu)化，預計預測精度可達0.95以上。筆者認為：當前人工智能和大數(shù)據(jù)技術在運動鞋生物力學研發(fā)領域的應用已得到學界和業(yè)界的廣泛關注和共識；未來運動鞋生物力學研發(fā)應充分結合多學科前沿研究成果，尋找新的學科增長點，不斷融合生物力學、計算機科學及人工智能等領域的前沿技術，拓寬研究深度及廣度，提升運動鞋科技研發(fā)能力。