蘋果（Apple）近期最新一項最新研究指出，相較於傳統的生理指標如心率、血氧，透過可穿戴裝置的偵測日常活動、睡眠狀況及運動習慣，更能精確反映使用者的健康狀態。為了能證實這點，蘋果研究團隊也開發出可穿戴裝置蒐集到的行為數據訓練出的基礎AI模型，並在超過25億小時的穿戴數據驗證下，也展現出領先業界的預測健康實力。

蘋果公開健康AI模型WBM

根據蘋果主導的「心臟與活動研究」團隊公開預印本論文《超越感測數據：可穿戴裝置行為數據基礎模型提升健康預測》資料顯示，研究團隊運用來自超過16萬名參與用戶、累計逾25億小時的Apple Watch與iPhone數據，訓練出新一代健康AI模型名為「WBM（Wearable Behavior Model，可穿戴行為模型）」。

在結果顯示，WBM在多項健康預測指標上，表現甚至超越依賴低階感測器數據的現有模型。

過去僅仰賴Apple Watch心率感測（PPG）、心電圖（ECG）等原始感測資料的健康模型不同，WBM直接學習高層次的行為特徵，包括步數、步態穩定性、行動力、最大攝氧量（VO₂ max）等指標，數據不僅由Apple Watch大量產出，更經專家嚴謹設計及驗證，能更貼近真實世界下的健康狀態變化。

Apple Watch感測器已經非常強大，為何需要WBM模型？

蘋果研究團隊在論文中明確指出，智慧手錶與健身追蹤器等可穿戴設備，雖然感測器能蒐集多個健康領域數據，但健康偵測的本質，往往需要在以「天」、「週」為單位的行為變化才能找出關鍵趨勢，而非單靠每秒鐘大量產生的原始感測數據。

而蘋果最新AI健康模型WBM就是正針對這需求而生，它專注於高層次行為指標，這類資訊更能反映長期用戶健康變化，例如偵測用戶是否懷孕、睡眠品質變化，甚至感染、受傷與心血管疾病等多種健康狀態。

蘋果WBM模型背後關鍵技術和運作原理

蘋果也分享技術層面，WBM模型是利用27項人類可理解的行為指標作為輸入，如活動能量、步行速度、心率變異度、呼吸速率、睡眠時數等，資料以每週為單位分批處理。

同時團隊更採用新一代Mamba-2架構，據稱在健康預測任務上，相較傳統Transformer模型（如GPT基礎架構）有更高效率與表現。

根據最終研究數據證實，WBM在57項健康預測任務中，有18項靜態健康預測（如是否服用β阻斷劑）及幾乎所有動態健康任務（如懷孕、睡眠品質、呼吸道感染）表現優於PPG模型。

唯一例外為糖尿病預測，PPG略勝一籌，而將WBM與PPG數據結合的混合模型，則在懷孕偵測準確率高達92%，其他任務也有明顯提升。

總結來看，WBM並非意在取代傳統感測數據，而是強調「行為數據」在健康監測上的補充價值。WBM可掌握長期行為趨勢，PPG等感測數據則擅長偵測即時生理變化，兩者結合將有助於早期發現重要健康警訊。

想了解更多Apple資訊、iPhone教學和3C資訊技巧，歡迎追蹤瘋先生FB粉絲團、訂閱瘋先生Google新聞、 Telegram、 Instagram以及訂閱瘋先生YouTube。