随着腕部和手指佩戴健身追踪设备的普及,监测健康状况变得前所未有的简单。但对收集数据的分析很大程度上依赖用户自己完成。直到近年来,制造这些可穿戴设备的科技公司推出了基于AI的健康教练服务。
2025年10月,谷歌为美国地区使用安卓设备的Fitbit Premium订阅者推出了由Gemini AI驱动的Coach功能。不过,10月的发布只是预览版本,公司希望从早期用户那里获得反馈。今年2月,谷歌将Coach公共预览版扩展至iOS用户以及加拿大、英国、澳大利亚、新西兰和新加坡的Fitbit Premium会员。谷歌在周二举行的年度健康活动The Check Up上宣布,将为这一集健身教练、睡眠指导和健康顾问于一体的服务增加更多功能。
睡眠洞察和评分的改进
在睡眠追踪方面,公司最重要的更新是将睡眠阶段准确性提升了15%,这一数据基于兼容的Pixel和Fitbit设备上最新算法与旧算法的对比结果。
当前模型现在能够更好地区分用户何时正在尝试入睡,以及何时真正进入睡眠状态。它可以检测午睡、睡眠中断或在不同睡眠阶段之间的转换。
几周后,这些改进将共同促成Sleep Score的全面升级,新评分系统不仅关注睡眠时长,还会考虑入睡所需的时间。由于拥有更多睡眠数据,Coach将能够提供更明智的洞察和改善睡眠的建议。
医疗记录可用性
从4月开始,美国订阅者将能够在Fitbit应用中关联他们的医疗记录,包括药物、实验室结果和就诊历史。
这一功能是与B. Well Connected Health(一个由AI驱动的数字健康平台,整合来自不同医疗提供商的健康数据)和Clear(以机场安检身份验证而闻名的身份验证平台)合作开发的。
在Fitbit应用中,用户可以搜索自己的医生,然后链接到其会员门户。或者如果使用Clear通过自拍和有效身份证件验证身份,系统将代为搜索医疗记录。功能可用性将取决于医疗提供商。
Fitbit的Coach随后可以利用用户的医疗历史创建更加个性化的指导,结合实验室结果、Fitbit收集的数据以及从记录中收集的任何其他相关信息。几个月后,用户将能够通过二维码或智能健康链接URL与医疗提供商或家庭成员分享这些记录和摘要。
隐私安全考量
隐私专家提醒人们在将医疗信息上传至AI工具之前要三思而后行。
Fitbit表示会安全存储用户的医疗记录,用户控制数据如何使用、是否共享以及是否删除。该公司还表示,医疗记录不会用于广告投放。
AI健康教练无法替代医生,因为它们不能诊断或治疗疾病。在没有咨询医生的情况下,用户不应对生活方式或健康日常做出任何改变。
Fitbit个人健康教练的未来
谷歌还宣布将投资健康研究,涉及利用可穿戴设备数据预测胰岛素抵抗、高血压以及了解AI在虚拟医疗环境中的表现等主题。这些研究主题让我们了解到谷歌可能为未来Fitbit更新准备的内容。
4月份,参与公共预览的Fitbit会员还将能够通过Health Connect将连续血糖监测仪连接到Fitbit应用。这一功能让用户能在一个地方查看来自兼容应用的所有健康数据。通过这种连接,Fitbit会员可以向Coach询问锻炼或饮食选择如何影响血糖水平的更多信息。
Q&A
Q1:Fitbit的Coach功能有什么新特点?
A:Coach是谷歌为Fitbit Premium订阅者推出的由Gemini AI驱动的健康教练服务,集健身教练、睡眠指导和健康顾问于一体。最新更新包括睡眠阶段准确性提升15%,能更好区分入睡尝试和真正睡眠状态,以及即将支持医疗记录关联功能。
Q2:Fitbit如何保护用户医疗记录的隐私?
A:Fitbit表示会安全存储用户医疗记录,用户完全控制数据如何使用、是否共享以及是否删除。公司承诺医疗记录不会用于广告投放。但隐私专家建议用户在上传医疗信息到AI工具前要谨慎考虑。
Q3:AI健康教练能否替代医生?
A:不能。AI健康教练无法诊断或治疗疾病,只能提供健康建议和洞察。用户在没有咨询医生的情况下,不应对生活方式或健康日常做出任何改变。这些工具应该作为医疗保健的辅助,而非替代。
好文章,需要你的鼓励
研究人员意外发现,标准MOSFET晶体管可同时模拟神经元和突触行为,形成"神经突触随机存取存储器"(NSRAM)。该技术仅需一至两个晶体管即可实现传统需数十乃至数百个元件才能完成的神经信号处理,且与现有硅基制造工艺完全兼容,良率达100%。未来有望应用于边缘AI及高能效神经形态芯片,长远或可挑战GPU地位。
复旦大学团队提出ICWM框架,让机器人在任务前通过随机探测动作自主感知当前视角和物理配置,无需重新训练即可适应新摄像头角度,真实机器人测试成功率最高提升175%。
本文提出一种评估人工智能风险的新方法,借鉴生态学与演化论视角,从理论生态模型中推导出三项风险指标,涵盖种群模型与生态系统模型。研究旨在为AI治理策略提供量化工具,并对分析局限性及政策改进方向进行了深入探讨,为构建更科学的AI风险评估体系提供参考框架。
西安交通大学团队提出Fast-LeWM,用动作前缀并行预测替代逐步推演,将AI世界模型规划速度提升近4倍,同时平均成功率从85.8%提升至90.5%。