可穿戴健康基座模型發佈

可穿戴健康基座模型發佈

近年來，可穿戴設備如智慧手錶、健身手環等日益普及，持續蒐集使用者心率、步數、睡眠等大量生理與行為資料。然而，將這些低階感測器訊號轉化為高階健康洞察相當困難，主因包括個體間表型多樣性、基線健康差異，以及高品質標註資料極度稀缺。為突破這些限制，Google Research 等多個頂尖機構的研究團隊發表了一篇論文，提出一個專為可穿戴健康資料設計的通用人工智慧基座模型。 這項研究題為《Towards a General Intelligence and Interface for Wearable Health Data》，模型在超過一萬億分鐘的未標記感測器資料上進行預訓練，資料來源涵蓋五百萬名參與者。這種大規模無監督預訓練讓模型得以學習豐富的行為與生理特徵表示，為後續個人化健康分析奠定堅實基礎。 團隊在涵蓋心血管、代謝、睡眠、心理健康、生活型態選擇與人口統計因素等三十五項健康預測任務上評估模型。結果顯示，隨著模型容量與預訓練資料量同步擴展，性能呈現系統性提升，驗證了健康資料領域也存在「規模定律」——更大的模型與更多資料帶來更佳表現。 除了標準預測任務，模型還展現出色標籤效率，只需少量標註樣本即可快速適應新任務，大幅降低健康領域高昂的標註成本。同時，模型具備生成能力，能穩定估計日常健康指標（如活動量、睡眠品質），實現連續且個人化的健康監測。 研究亮點之一是部署一組大型語言模型代理，自動搜尋下游預測頭的架構。這些代理基於模型產生的嵌入向量，自行探索最佳分類或回歸結構，在眾多任務上取得顯著效能提升，且增益隨代理容量增加而更加突出。此自動化機器學習方法極大減輕人工設計預測模型的負擔。 研究進一步將這些下游預測器整合進個人健康代理系統。此代理能利用基座模型的豐富表示，生成更具相關性、上下文感知且安全的回應。為驗證效果，團隊邀請臨床醫師對代理的回饋進行評分，總計收集一千八百六十份評估，結果顯示代理在提供健康建議時會考量個體情境，顯著提升安全性與實用性。 這項研究的意義遠不止技術創新，它為可穿戴健康資料分析提供一個通用且可擴展的框架。過去每項健康預測任務須獨立開發模型，耗時且不易泛化；基座模型則透過大規模預訓練學習廣泛生理模式，使下游任務共享知識，實現更高效、更準確的預測。 參與研究的學者來自 Google Research、微軟、華盛頓大學等知名機構。論文已於 arXiv 公開（編號 2605.22759），並更新三個版本。共同第一作者為 Girish Narayanswamy 與 Maxwell A. Xu，共同最後作者為 Daniel McDuff 與 Xin Liu。 展望未來，這類基座模型有望在遠距醫療、慢性病管理、健康促進等領域發揮關鍵作用。隨著可穿戴裝置持續普及，基於大規模資料預訓練的通用健康模型將成為精準醫療的重要基礎設施。研究人員也提醒，資料隱私、模型公平性及臨床落地等方面的挑戰仍需持續關注。 總體而言，這項工作是可穿戴健康人工智慧領域的重要里程碑，展現大規模無監督預訓練在健康資料中的巨大潛力，也為未來個人化健康代理的發展開闢新路徑。