谷歌于5月19日正式将Fitbit应用更名为Google Health。谷歌产品管理总监Taylor Helgren表示,此次更名旨在为用户打造一个统一的健康数据中心,整合来自Fitbit设备、Pixel Watch、第三方应用及医疗记录等多方来源的数据。
新应用支持与数百款第三方应用(如Peloton、MyFitnessPal)及多种设备配对使用,即便没有可穿戴设备,用户同样可以单独使用该应用。
界面与功能全面升级
根据用户反馈,原有的"今日""教练""个人"三个标签页将调整为四个:今日、健身、睡眠和健康,每个标签页专注展示对应类别的数据。
在医疗记录方面,用户可查看药物、化验结果及过敏信息,并可通过身份验证平台Clear完成身份核验后,由系统代为检索医疗记录。
AI健康教练正式上线
此次更新的重要亮点是由Gemini驱动的Google Health Coach正式推出,面向高级订阅用户开放。该功能此前以"个人健康教练"名称进行公测,现已正式上线。它能够分析用户的睡眠状况,根据目标和实时数据制定个性化健身计划,并基于循证医学回答健康问题。
睡眠追踪精度提升
谷歌采用新的高级机器学习模型,相较于之前的模型,在所有兼容的Pixel和Fitbit设备上,睡眠追踪准确率提升了15%。新模型能更精准地记录睡眠阶段转换、小憩和中断情况,从而生成更贴近真实状态的睡眠评分。
此外,谷歌计划在今年晚些时候将Google Fit的用户数据迁移至Google Health,进一步整合旗下健康与健身产品线。
隐私保护说明
在隐私方面,谷歌表示用户可随时删除或导出健康数据,并在30天内反悔恢复账户。谷歌承诺不会将Google Health中的健康数据用于广告投放,设备与服务器之间的数据传输均已加密,同时支持两步验证。谷歌还计划未来允许用户将数据安全共享给家人和医生。
现有用户无需重新下载
现有Fitbit应用用户无需下载新应用,Google Health将通过常规应用更新自动替换Fitbit应用,用户数据也将自动迁移至新应用。Android用户将在5月19日至26日期间陆续收到更新,iOS用户则可从5月19日起立即更新。
付费版与免费版对比
高级订阅版定价为每月10美元或每年100美元,相较于此前Fitbit Premium的每年80美元略有上涨。在5月18日之前购买新款Fitbit或Pixel Watch设备,可获赠六个月会员资格。
高级订阅用户可使用Google Health Coach,享受个性化每周健身计划、详细睡眠分析及医疗记录洞察,并可访问锻炼库和正念课程。
免费版用户(含配对Pixel Watch或Fitbit的用户)可追踪以下数据:
活动:距离、有氧负荷、步数、卡路里和准备状态
睡眠:作息规律、时长、睡眠阶段和评分
健康:血氧(SpO2)、心率、心率变异性、医疗记录和呼吸频率
用户还可记录体重、饮食、月经周期、饮水量和情绪。
需要注意的是,Google Health Coach及Google Health应用均不具备诊断或治疗任何健康状况的功能,如有医疗需求,仍需咨询专业医生。
Q&A
Q1:Google Health和原来的Fitbit应用有什么区别?
A:Google Health是Fitbit应用的全面升级版,不仅更名,还新增了多项功能。界面从原来的三个标签页扩展为今日、健身、睡眠和健康四个模块,支持查看医疗记录,并整合了由Gemini驱动的AI健康教练(仅限高级订阅用户)。睡眠追踪精度也提升了15%。原有Fitbit用户无需重新下载,通过常规更新即可自动切换。
Q2:Google Health的AI健康教练具体能做什么?
A:Google Health Coach由谷歌Gemini大语言模型驱动,面向高级订阅用户开放。它可以分析用户的睡眠数据,根据个人目标和实时健康数据制定个性化每周健身计划,并基于循证医学回答健康相关问题。此外,还能结合用户的医疗记录提供健康洞察。但需注意,该功能不具备诊断或治疗疾病的能力。
Q3:Google Health如何保护用户的健康数据隐私?
A:谷歌表示,Google Health中的健康数据不会用于广告投放。设备与服务器之间的数据传输经过加密处理,并支持两步验证。用户可随时删除或导出数据,删除账户后有30天的反悔期。是否参与AI训练等可选功能,用户可自行开启或关闭。
好文章,需要你的鼓励
今天讲的出海案例是开创电气,一家金华手持式电动工具制造商,在越南基地完成首款产品验收并形成80万台年产能力。
JETSPEC是由UC San Diego等机构联合提出的推测解码框架,通过树形因果掩码让草稿头在一次前向传播中生成分支一致的候选树,在MATH-500上实现最高9.64倍端到端加速。
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。
本文介绍了中国科学院自动化所的研究,揭示了大型语言模型在多轮工具调用强化学习中崩溃的根本原因,并系统评估了五种监督信号对训练稳定性和泛化能力的影响。