我已经佩戴谷歌无屏幕健康追踪器Fitbit Air数周,在将其与竞品Whoop进行对比测试的过程中,我的思绪却更多地转向了谷歌最大的竞争对手——苹果。
尽管我也期待苹果推出一款无屏幕健康追踪器,但我更希望看到的是苹果对其健康套件进行实质性升级,而这一切的起点在于软件层面的变革。
苹果全球开发者大会(WWDC)即将于本周一开幕,届时发布的软件将搭载于苹果下一代产品中。尽管表面看来平平无奇,但此次WWDC或将成为这家科技巨头的重要转折点,而传闻中的Siri全面重塑正是这场变革的核心。
今年早些时候,苹果与谷歌宣布,谷歌的Gemini将为下一代Siri提供底层支持。企业间的软件合作并不罕见,但苹果绝非普通公司。史蒂夫·乔布斯当年以封闭的硬件与软件生态著称,对将产品融入Android体系或将谷歌服务引入苹果生态几乎毫无兴趣。然而时至2026年,生成式AI已全面渗透Android硬件,而苹果在这一领域的布局却相对薄弱,此番与谷歌的合作可谓水到渠成。
作为关注健康领域的编辑,我对谷歌Gemini加持下的Siri在健康与健身方面的潜在应用最感兴趣。
虽然谷歌的AI健康教练并非完美,但测试体验让我真切感受到健康AI的实用价值。通过一个接入睡眠、运动和压力数据的聊天机器人,用户可以提出结合自身情况的健康问题,并获得个性化的解答与建议。
更令我期待的是,苹果将如何将这一软件融入其设备体系,打造出有别于竞争对手的独特体验。
我希望苹果能够对健康应用进行类似谷歌将Fitbit升级为"Google Health"那样的全面改版。苹果早已通过Apple Watch积累了大量健康数据,现在是时候利用这些数据驱动新的每日健康指标、打通应用间的信息壁垒,并提供更有深度的健康洞察了。
将健康聊天机器人集成到健康应用中在技术上并不复杂,但苹果需要确保谷歌Gemini能够达到其一贯的隐私保护、安全性与加密标准。这正是众多用户选择苹果而非Android设备的重要原因,同时也是此次合作面临的最大挑战:苹果是否会为了引入可用的AI能力而在隐私保护上做出妥协?我希望苹果在发布这款健康AI助手时,能够就此给出明确的解答。
这款健康助手应当能够在健康应用、日记应用与Apple Watch健身应用之间实现跨应用联动,自动记录信息,无需用户在多个应用中重复手动输入。例如,用户在日记应用中记录了某种情绪状态,健康AI便能将该情绪与来自健康、睡眠或运动应用的生理数据相关联,形成更完整的健康画像。
在苹果去年9月推出睡眠评分功能的基础上,我更期待苹果能将更多智能手表数据整合进每日摘要,方便用户随时查阅。在测试Fitbit Air和Google Health Premium期间,我很享受每天收到一份包含日常活动概览、就寝时间建议和运动提醒的小结。
苹果在健康生态中的定位始终强调隐私保护与科学依据。我期待看到苹果以其严谨的研究导向,推出健康准备度评分、压力监测,或是功能更完善的健康建议引擎。
苹果似乎将健康应用的交互性置于次要位置,这在一定程度上情有可原——健康应用既非游戏,也非流媒体应用,用户本不需要在其中花费大量时间浏览。然而,Oura和Google Health应用的成功已经证明,当健康数据以直观、易懂的方式呈现时,用户确实能从设备中获得更多价值。
Oura在这方面做得最好:它设有睡眠、运动和压力每日评分的独立标签页,一个聚合关键生物指标的短期总览标签,以及展示压力管理、睡眠健康和心脏健康等长期趋势的纵向健康标签。
如果苹果能够做好健康教练功能和健康应用的重新设计,将为其未来的可穿戴设备产品奠定坚实的竞争基础。
Q&A
Q1:谷歌Gemini接入Siri后,Apple Watch的健康功能会有哪些变化?
A:根据目前的信息,谷歌Gemini将为下一代Siri提供底层支持,这有望让Apple Watch的健康功能实现质的飞跃。具体来说,用户可能将获得一个能调取睡眠、运动和压力数据的健康聊天机器人,从而获得个性化健康建议。此外,健康应用有望实现跨应用数据联动,自动关联日记中的情绪记录与生理健康数据,无需手动输入。
Q2:苹果引入谷歌Gemini会不会影响用户隐私?
A:这是此次合作面临的最大挑战之一。苹果一直以严格的隐私保护和数据加密著称,这也是大量用户选择苹果而非Android设备的核心原因。引入谷歌Gemini后,苹果是否能确保第三方AI服务达到自身的隐私标准,目前尚不明朗。文章也指出,希望苹果在正式发布健康AI助手时,能够就隐私保护机制给出明确说明。
Q3:苹果健康应用与Oura、Google Health相比差距在哪里?
A:目前苹果健康应用的主要不足在于交互性较弱,数据呈现方式不够直观。相比之下,Oura设有每日睡眠、运动和压力评分标签,以及短期和长期健康趋势总览;Google Health则提供每日活动摘要、就寝建议和运动提醒。两者均通过更具互动性和可读性的数据展示,帮助用户从健康设备中获取更多实际价值,而这正是苹果健康应用目前所欠缺的。
好文章,需要你的鼓励
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
随着医疗数据数字化与互操作性的进步,跨机构纵向患者数据的研究应用成为可能。本研究通过对20位领域专家的访谈,识别出8种数据收集方法,涵盖智能手机应用、结构化数据导出、区域/全国研究查询及聚合数据源等。研究发现,各方法均有其优缺点,无单一最优方案。参与者中介交换方式可绕过复杂治理安排,但存在数据缺口;全国性网络尚不支持研究查询。公共政策的持续推进将对该领域发展起关键作用。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。