Google研究以大型語言模型分析穿戴裝置健康資料，可給出高品質健身與睡眠建議

大型語言模型已經被用於處理各種模態的資料，包括文字、圖像、音訊和影片等，而現在Google也將大型語言模型應用於理解和推理個人健康問題和資料上，主要目標是要提升個人健康，該新研究特別著重於睡眠與健身這兩項早期死亡預測因子。

Google研究展示了大型語言模型在健康資料上的潛在應用，可分析穿戴式裝置的健康資料，將零碎的資料點轉化為個人健康報告。大型語言模型利用程式碼生成和資訊檢索工具強化分析能力，使得人工智慧代理可以經迭代處理，分析穿戴式裝置多維時序資料。

人工智慧代理運用Python直譯器進行複雜運算辨識趨勢，再透過搜尋引擎存取最新的醫療和健康知識庫，就可針對使用者給出個人化的建議和解釋。使用者可以詢問像是「如何在白天感覺更清醒且充滿活力？」等問題，人工智慧代理依據使用者穿戴式裝置所紀錄的睡眠時間，以及運動頻率給出具體建議。

穿戴式裝置量測個人生理狀態和行為，紀錄連續且精細的資料，諸如步數、心率變異、睡眠持續時間等，結合大型語言模型，經由提供個人化報告與建議協助使用者實現健康目標。不過這件事並不容易，模型必須能夠對複雜時間序列和零散資料進行推理，並在個人健康背景下生成個人化解釋和建議。

研究人員以「如何改善睡眠品質？」問題為例，說明人工智慧代理需要經歷一連串複雜分析步驟才能給出答案。步驟包括檢查資料的可用性、計算平均睡眠時長、辨識一段時間內的睡眠模式異常，並藉由全面分析使用者的健康狀況，做出更具意義和針對性的分析，再加上睡眠標準知識，提供使用者量身打造的睡眠改善建議。

Google研究人員使用了Gemini模型微調版本PH-LLM。透過使用多模態編碼器，PH-LLM能夠更好地理解和解釋文字及時序感測資料。研究人員創建一組基準資料集，來評估模型與專家的能力差距，在健身領域，無論是Gemini Ultra 1.0模型還是PH-LLM模型的效能，都與健身專家沒有統計學上的差異，而在睡眠評估上，PH-LLM則與專家表現接近。

過去雖然也有各種大型語言模型的醫療相關應用，但是卻很少使用來自行動或是穿戴式裝置的複雜資料，研究人員認為這些資料對於個人健康監測非常重要。該Google研究的主要貢獻，在於展示大型語言模型可以用於分析和解釋穿戴式裝置資料，並且證明其能力可媲美人類專家。