在我第一次穿梭于拉斯维加斯 CES 展会璀璨混沌的展厅已经过去十年了。创新带来的兴奋感令人振奋,却又让人应接不暇。
今年,远程观察 CES 让我对数字健康的发展有了新的认识。尽管取得了显著进展,但仍面临持续的挑战,不过我对未来依然保持乐观。
2015:可穿戴设备革命的黎明
我参加的第一届 CES 正值可穿戴设备大爆发。
Fitbit、Misfit 和 Withings 等设备开创了新领域,提供健身追踪、睡眠洞察,甚至开启了连接健康生态系统的早期愿景。但也面临明显的挑战。互操作性、数据安全、医生和患者参与度已经成为重要问题,可穿戴设备往往更像是运动员的新奇玩具,而不是不可或缺的医疗保健工具。
设计的美感和简约性逐渐成为关键。我记得当时 Misfit 的 CEO Sonny Vu 说过:"可穿戴设备要么美观,要么隐形。"这个愿景已经遍布展会现场,从镶嵌施华洛世奇水晶的追踪器到隐藏在台灯和床垫等卧室物品中的睡眠传感器。
2025:更加成熟的格局
快进到 2025 年,数字健康领域变得更加成熟和富有想象力。
当代可穿戴设备和数字健康设备不仅仅是追踪睡眠和活动。许多设备现在集成了先进的生物识别技术,提供可操作的见解,弥合个人健康追踪和临床干预之间的差距。这种演变得益于更好的传感器、AI 驱动的分析和消费者对设备的需求增长,这些设备不仅可以监测,还能积极引导他们实现改善健康成果的目标。
可穿戴设备不再局限于健身爱好者,它们正成为管理慢性病和支持预防保健的重要工具。
数字健康设备不仅仅是健身追踪器
从追踪健身到管理压力、睡眠和慢性病,数字健康设备正变得越来越多功能,对个人和临床护理都至关重要。
Eli Health 的荷尔蒙检测仪通过唾液追踪皮质醇和孕酮水平,为压力、睡眠和生育管理提供可行的见解。
Circular 的 Ring 2 将心电图和房颤检测与高级睡眠追踪相结合,展示了单一功能的可穿戴设备如何演变为多功能健康工具。
Nextsense 的 Tone Buds 临床级脑电图耳塞使用粉红噪音来改善睡眠,反映了从被动监测到主动干预的转变,也表明消费者设备和临床设备之间的界限越来越模糊。
数字健康创新正转向可行和个性化的解决方案
这些例子突出了数字健康从广泛数据收集转向个性化见解的转变,使用实时反馈和分析来实现明智决策和主动健康管理。Nuvilab 的 AI 食物扫描仪提供实时膳食分析和见解,优化菜单并减少食物浪费。
L'Oréal 的 Cell BioPrint 使用蛋白质组学分析皮肤健康并预测问题,提供以前仅限于专家的见解。
远程护理正在演进
远程护理通过克服地理位置、时间限制和资源稀缺等障碍,正在改变医疗保健服务的提供方式,将实时诊断与全面护理的目标相结合。
2015 年,医疗保健已经开始"超越诊所",Doctor on Demand 等颠覆者铺平了道路。如今,OnMed CareStation 等解决方案提供"诊所即盒子"功能,提供实时咨询和生命体征检查,以解决服务不足社区的医疗服务差距。
AI 正变得无处不在
人工智能已经从新兴技术快速发展成为数字健康的关键组成部分,推动诊断和患者护理的个性化、效率和准确性。从自动化常规任务到辅助复杂决策,AI 已经变得不可或缺。
Kami Vision 的跌倒检测摄像头提供 99.5% 准确的跌倒检测和紧急警报,以提高家庭安全。HYODOL 是一款用于痴呆症护理的 AI 机器人,提供提醒、认知测试和安全功能,满足健康需求并减少孤独感。
智能和实用技术正在蓬勃发展
CES 展示的创新突显了实用解决方案如何满足小众但影响深远的健康挑战。这些技术通过专注于便利性、可及性和以用户为中心的设计,旨在提高生活质量,特别是对那些有特殊医疗需求的人。
FlowBeams 的 BoldJet 无针给药、Soliddd Corp 用于黄斑变性的智能眼镜,以及 Kirin Holdings 的不添加盐就能增强味觉的电子勺子等创新展示了 CES 的创造力。
生态系统集成和互操作性仍然具有挑战性
Withings Omnia 原型智能镜在 CES 2025 上展出,可能看起来像是华而不实的噱头,但它突显了一个更深层的目标:掌握数字健康的生态系统集成。提供 360 度身体扫描、实时健康指标和 AI 驱动见解的"魔镜"确实引人注目,但真正的挑战在于解决互操作性这个不那么性感的话题。虽然整体无缝数据集成仍然难以实现,但我们看到设备更好地集成到更广泛的生态系统中,实现更丰富的见解、实时监控和数字治疗方面的进展。
结语
CES 仍然是创新的展示平台,但也突显了尚待填补的空白。十年前,我们对可穿戴设备的测量能力感到惊叹。今天,我们在探讨这些工具如何改变生活,从被动追踪转向主动医疗保健管理。
数字健康的未来蕴含令人兴奋的潜力,但其成功取决于连接性和包容性。随着我们向前迈进,进步必须实用、可及,并围绕患者需求设计——而不是相反。让我们确保下一个十年带来在已有基础上的变革性进步。
好文章,需要你的鼓励
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。