🎯 情报来源：Apple Machine Learning Research
研究人员利用来自162,000名用户的25亿小时可穿戴设备数据，开发出专门针对行为信号的基础模型。该模型在57项健康相关预测任务测试中表现强劲，尤其在睡眠预测等行为驱动型任务中展现出显著优势。当与原始传感器数据表征结合时，模型性能可进一步提升。
区别于传统仅处理低级传感器数据的方法，该研究聚焦于与生理相关时间尺度高度一致的行为数据。通过系统优化模型架构和标记化策略，团队验证了针对可穿戴设备特性定制基础模型设计的必要性，为新型健康应用开发开辟路径。
💡 核心要点
- 数据规模：基于162,000用户提供的25亿小时可穿戴设备行为数据
- 任务覆盖：在57项健康预测任务中验证模型有效性
- 技术突破：开发专门针对行为信号的定制化基础模型架构
- 性能优势：行为驱动型任务（如睡眠预测）表现尤为突出
- 扩展性：与原始传感器数据结合可产生性能增益
📌 情报分析
技术价值：极高
25亿小时真实世界数据构建的专用模型架构，在57项任务验证中展现普适性性能，技术壁垒显著。
商业价值：高
可穿戴设备市场年增速超14%，精准健康预测模型可直接集成至现有硬件，商业落地路径清晰。
趋势预测：高
WHO预测数字健康市场规模2025年将达6570亿美元，该研究为行为数据的高阶应用确立技术范式。