大型语言模型已经被用于处理各种模态的数据，包括文本、图像、音频和视频等，而现在Google也将大型语言模型应用于理解和推理个人健康问题和数据上，主要目标是要提升个人健康，该新研究特别着重于睡眠与健身这两项早期死亡预测因子。

Google研究展示了大型语言模型在健康数据上的潜在应用，可分析穿戴式设备的健康数据，将零碎的数据点转化为个人健康报告。大型语言模型利用代码生成和信息检索工具强化分析能力，使得人工智能代理可以经迭代处理，分析穿戴式设备多维时序数据。

人工智能代理运用Python解释器进行复杂运算辨识趋势，再通过搜索引擎存取最新的医疗和健康知识库，就可针对用户给出个人化的建议和解释。用户可以询问像是「如何在白天感觉更清醒且充满活力？」等问题，人工智能代理依据用户穿戴式设备所纪录的睡眠时间，以及运动频率给出具体建议。

穿戴式设备量测个人生理状态和行为，纪录连续且精细的数据，诸如步数、心率变异、睡眠持续时间等，结合大型语言模型，经由提供个人化报告与建议协助用户实现健康目标。不过这件事并不容易，模型必须能够对复杂时间串行和零散数据进行推理，并在个人健康背景下生成个人化解释和建议。

研究人员以「如何改善睡眠品质？」问题为例，说明人工智能代理需要经历一连串复杂分析步骤才能给出答案。步骤包括检查数据的可用性、计算平均睡眠时长、辨识一段时间内的睡眠模式异常，并借由全面分析用户的健康状况，做出更具意义和针对性的分析，再加上睡眠标准知识，提供用户量身打造的睡眠改善建议。

Google研究人员使用了Gemini模型微调版本PH-LLM。通过使用多模态编码器，PH-LLM能够更好地理解和解释文本及时序传感数据。研究人员创建一组基准数据集，来评估模型与专家的能力差距，在健身领域，无论是Gemini Ultra 1.0模型还是PH-LLM模型的性能，都与健身专家没有统计学上的差异，而在睡眠评估上，PH-LLM则与专家表现接近。

过去虽然也有各种大型语言模型的医疗相关应用，但是却很少使用来自行动或是穿戴式设备的复杂数据，研究人员认为这些数据对于个人健康监测非常重要。该Google研究的主要贡献，在于展示大型语言模型可以用于分析和解释穿戴式设备数据，并且证明其能力可媲美人类专家。