谷歌表示该功能将帮助AI教练提供更好的建议,但无法用于诊断、治疗或监测疾病
你愿意与私人教练分享你的医疗记录吗?虚拟教练又如何呢?谷歌本周宣布,将为Fitbit的AI健康教练增加读取医疗记录的功能,希望用户愿意以最敏感的数据换取更个性化的健康建议。这一举措紧随亚马逊、OpenAI和微软等竞争对手的步伐。
从下个月开始,美国Fitbit用户将能够在预览版中将医疗记录链接到Fitbit应用程序。这些医疗数据(如实验室结果、药物和就诊历史)将与可穿戴设备数据一起,帮助Fitbit的AI健康教练提供"更安全、更相关、更个性化"的建议。
谷歌健康智能产品管理总监Florence Thng在博客文章中举例说明:"你不再会得到关于胆固醇的通用答案,而是可以问'如何改善我的胆固醇?'教练随后可以总结你的胆固醇实验室报告,突出显示值得注意的数值和趋势,并基于你的病史和可穿戴设备数据提供个性化健康信息。"
Thng表示,在接下来的几个月里,用户将能够通过链接或二维码"安全地分享"他们的记录和AI摘要给家人或医疗提供者。与Fitbit中的其他健康数据一样,医疗记录不会用于广告,并且用户将完全控制其数据的使用、分享或删除方式。
在博客末尾的小字免责声明中,谷歌表示其演示是"说明性的","Fitbit无意使用您的医疗记录来诊断、治疗、治愈、预防或监测任何疾病或病症",并敦促用户在进行健康相关改变之前咨询专业人士。
Fitbit的睡眠追踪功能也在谷歌所称的"迄今为止最重要的更新"中得到了提升。该公司表示,Fitbit的睡眠追踪现在将提高15%的准确性,并更好地区分你是在睡觉还是只是试图入睡。这一追踪更新将在"接下来几天"内推出预览版,改进的睡眠评分将在未来几周内推出。
将医疗记录与Fitbit AI健康教练集成的举措认识到,AI在消费者中最受欢迎的用途之一就是健康和养生。随着科技、健康和健身公司利用这项技术扩展其产品和提供更细致的生活洞察,这一趋势正在兴起。可穿戴设备公司,如智能戒指制造商Oura和健身追踪器Woop,使用专用聊天机器人来个性化建议。Anthropic和OpenAI都明确鼓励用户与Claude和ChatGPT分享数据来讨论健康问题,而为Fitbit AI教练提供支持的谷歌Gemini尚未在其聊天机器人中公开追求这一功能。
这些公司声称其产品无论如何回应都不是用于诊断或治疗,但它们可能在与FDA等监管机构打擦边球,并在如何处理敏感数据方面面临严格审查。许多基于AI的健康产品在欧洲等隐私法严格的地区尚未上市,专家警告用户应谨慎分享信息。这在美国对生殖数据等信息尤为重要。
Q&A
Q1:Fitbit AI健康教练的新功能是什么?
A:从下个月开始,美国Fitbit用户可以将医疗记录(如实验室结果、药物和就诊历史)链接到Fitbit应用程序。AI教练将结合这些医疗数据和可穿戴设备数据,提供更安全、相关和个性化的健康建议,而不是通用答案。
Q2:使用Fitbit读取医疗记录安全吗?
A:谷歌表示医疗记录不会用于广告,用户完全控制数据的使用、分享或删除。但谷歌明确声明Fitbit无法用于诊断、治疗或监测疾病,建议用户在做出健康相关改变前咨询专业人士。
Q3:Fitbit睡眠追踪有什么改进?
A:谷歌宣布了Fitbit睡眠追踪的重大更新,准确性提高15%,能更好地区分用户是在睡觉还是试图入睡。这一更新将在几天内推出预览版,改进的睡眠评分将在未来几周推出。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。