健康数据爆炸式增长，为何我们并未更健康？

我们拥有越来越多健康数据，却没有变得更健康

过去几年里，AI 正在迅速进入健康领域。从训练计划生成、营养建议、睡眠分析，到各类被称为 AI Coach、AI Trainer 或 AI Wellness Assistant 的产品，越来越多的公司开始尝试用大模型重新定义个人健康管理。从技术角度来看，这种变化令人兴奋。今天的 AI 已经能够理解复杂问题、整合大量知识，并以接近真人教练的方式与用户互动。许多人因此相信，健康行业即将迎来一次由人工智能驱动的巨大变革。

然而，如果我们把注意力从模型能力转向用户结果，会注意到一个值得深思的趋势。全球可穿戴设备出货量从 2014 年的约 1 亿台增长至 2025 年的超 6 亿台（IDC，2025）。但与此同时，全球成人糖尿病患病率从 1990 年的 7% 上升至 2022 年的 14%，患者总数突破 8 亿（WHO/NCD-RisC，2024）。2010 至 2023 年间，高 BMI 和高血糖相关的疾病负担分别上升了 11% 和 6%（IHME GBD 研究，2025）。

数据在爆炸式增长，健康状况却并未同步改善。究其原因，一个连续开了三小时会、刚落地另一个城市、昨晚只睡 5 小时的人，不可能不知道自己现在十分疲惫。他需要的不是另一份完美的周训练计划，而是知道今天该做什么、做多少。

但现实是，用户依然在不断开始和放弃训练计划之间循环，依然会因为工作压力打乱运动习惯，依然会在拥有大量健康数据的同时感到迷茫。许多人可以准确说出自己的静息心率、睡眠评分和体脂率，却依然不知道今天应该训练还是休息，也不知道最近几个月的努力是否真的在让自己变得更健康。

健康问题的本质，从来不是知识问题

我们认为，这种现象并不是因为 AI 还不够强大，而是因为整个行业对于"健康智能"这件事的理解仍然停留在一个过于狭窄的框架之中。

今天绝大多数所谓的 AI 健康产品，本质上仍然是在解决信息获取的问题：帮助用户更快获得答案、更方便理解数据、更容易制定计划。

但健康从来不仅仅是一个信息问题。

对于大部分成年人而言，健康领域最缺少的从来不是知识。绝大多数人都知道规律运动的重要性，知道睡眠不足会带来风险，也知道长期久坐对身体没有好处。过去几十年中，医学研究和公共健康教育已经让这些知识变得前所未有地普及。如果知识本身足以解决问题，那么我们今天应该已经生活在一个远比现实更健康的世界里。

真正困难的部分在于，健康是一种长期状态，而不是一次决策的结果。一个人的身体状态来自数千次日常选择的累积：是否按时睡觉、是否完成训练、是否长期维持合理饮食、是否在压力增大时调整生活节奏。与大多数数字产品不同，健康行为与健康结果之间往往隔着漫长的时间尺度。今天完成一次训练，不会立刻获得更强壮的身体。今天减少一次熬夜，也不会立刻改善未来数年的健康风险。

健康领域的核心挑战并不发生在"知道应该做什么"的瞬间，而发生在之后漫长的执行过程中。因此，如果一个系统只能回答问题，却无法参与用户长期行为的形成，那么无论它拥有多强的知识能力，都很难真正改变最终结果。

从信息系统到控制系统

因此，我们越来越倾向于把健康管理理解为一个长期行为系统，而不是一个信息系统。

过去十年间，行业投入了大量资源用于收集和量化人体数据。智能手表记录活动量和心率，可穿戴设备监测睡眠和恢复情况，智能健身器械记录训练表现，各类应用负责追踪营养摄入、体重变化和运动轨迹。

从局部来看，每一个产品都在变得越来越智能。但从用户视角来看，这种智能却是高度碎片化的。训练数据存在于训练系统里，睡眠数据存在于睡眠系统里，饮食数据存在于饮食系统里。而工作压力、出差安排、生活习惯以及长期目标，则往往根本不存在于任何系统之中。

结果是，随着数据越来越丰富，真正需要思考的人反而变成了用户自己。用户需要理解不同指标之间的关系，需要决定哪些建议值得执行，需要判断今天应该训练还是恢复，需要把多个系统中的信息重新拼接成一个关于自己的完整故事。健康科技正在创造越来越多的信息，却没有相应减少理解这些信息所需的成本。

当我们重新审视健康管理本身时，会发现一个事实：健康从来不是理解身体的过程，而是影响身体的过程。一个人不会因为知道自己的体脂率而变得更健康，也不会因为理解睡眠原理而获得更好的睡眠。真正带来变化的，是之后发生的行为。训练是否完成、饮食是否调整、睡眠是否改善、压力是否得到管理，这些持续发生的行动最终决定了健康结果。

从这个角度来看，健康管理更像是一种动态控制系统，而不是信息系统。它需要持续感知身体状态，理解变化原因，决定下一步行动，并观察行动带来的结果，然后重新调整未来的决策。这个过程不会结束，因为人体本身始终处于变化之中。

下一代健康智能，应该降低认知成本

真正的 AI 健康智能应该建立在这样的理解之上：健康管理需要持续感知用户状态、理解状态变化背后的原因、生成适合当前阶段的行动建议，并最终帮助用户把这些建议转化为真实发生的行为。这也是 CARE Loop 的出发点。

CARE 代表 Collect、Analyze、Recommend 和 Execute。表面上看，它只是四个简单步骤。但我们并不把它视为产品功能列表，而是把它视为健康智能系统运行的基本结构。它描述的是 AI 如何持续参与一个人的健康过程，而不仅仅是在用户提出问题时提供答案。

许多 AI 产品已经能够完成 Recommend，也就是生成建议。用户描述自己的目标和情况，系统给出训练计划、饮食方案或者恢复建议。从模型能力角度来看，这已经不再困难。然而，建议生成本身并不构成健康智能。原因很简单，一个建议是否正确，并不取决于它是否符合某种通用规律，而取决于它是否适用于此时此刻的这个人。

为了做到这一点，系统首先需要 Collect。对于健康智能而言，Collect 的意义并不只是记录更多数据，而是持续理解一个人的完整状态。训练、睡眠、恢复、工作压力、生活节奏、长期目标以及行为习惯，共同构成了健康决策所需的上下文。脱离这些背景，单个指标本身往往缺乏意义。

但数据并不是答案。人体是一个高度复杂的系统，同样的指标变化可能来自完全不同的原因。因此，Collect 之后必须进入 Analyze。

健康智能真正重要的能力，不是发现数据变化，而是理解变化为什么发生，以及它对未来意味着什么。只有当数据被转化为对用户状态的理解时，它才开始产生价值。

在此基础上，Recommend 才真正成立。推荐不仅是生成计划，更是帮助用户做决策。系统需要同时考虑目标、状态、风险和现实生活约束，在理论最优与长期可执行之间找到平衡。

然而，CARE Loop 中最容易被忽视、也最关键的一环，是 Execute。

长期以来，健康行业默认认为，只要建议足够准确，用户自然会采取行动。但现实恰恰相反。

比如系统发现用户连续三天睡眠不足、工作压力升高，真正有效的做法不是简单建议"今天休息"，而是主动将训练强度下调、缩短训练时长，并在用户完成后给予正向反馈——让用户不需要做决策，行为自然发生。

真正有效的健康智能，不仅提供建议，更需要帮助用户降低行动门槛、推动行为发生，并在执行过程中持续调整策略。

当行动产生结果，新的反馈又会重新进入系统，形成下一轮感知、理解与决策。这也是为什么 CARE 被称为 Loop，而不是 Framework。

健康不是一个拥有终点的任务，而是一个持续运行的过程。每一次训练、每一次睡眠、每一次饮食选择都会改变系统对于用户的理解，并进一步影响未来的决策。

随着时间推移，系统积累的不只是数据，而是对于一个人的长期认知。它开始理解用户的偏好、习惯、风险、动力来源以及行为模式，并逐渐形成越来越个性化的健康管理能力。

CARE Loop：健康智能持续运行的闭环

真正的 AI 健康智能应该建立在这样的理解之上：健康管理需要持续感知用户状态、理解状态变化背后的原因、生成适合当前阶段的行动建议，并最终帮助用户把这些建议转化为真实发生的行为。这也是 CARE Loop 的出发点。

CARE 代表 Collect、Analyze、Recommend 和 Execute。表面上看，它只是四个简单步骤。但我们并不把它视为产品功能列表，而是把它视为健康智能系统运行的基本结构。它描述的是 AI 如何持续参与一个人的健康过程，而不仅仅是在用户提出问题时提供答案。

许多 AI 产品已经能够完成 Recommend，也就是生成建议。用户描述自己的目标和情况，系统给出训练计划、饮食方案或者恢复建议。从模型能力角度来看，这已经不再困难。

然而，建议生成本身并不构成健康智能。原因很简单，一个建议是否正确，并不取决于它是否符合某种通用规律，而取决于它是否适用于此时此刻的这个人。

为了做到这一点，系统首先需要 Collect。

对于健康智能而言，Collect 的意义并不只是记录更多数据，而是持续理解一个人的完整状态。训练、睡眠、恢复、工作压力、生活节奏、长期目标以及行为习惯，共同构成了健康决策所需的上下文。脱离这些背景，单个指标本身往往缺乏意义。

但数据并不是答案。人体是一个高度复杂的系统，同样的指标变化可能来自完全不同的原因。因此，Collect 之后必须进入 Analyze。

健康智能真正重要的能力，不是发现数据变化，而是理解变化为什么发生，以及它对未来意味着什么。只有当数据被转化为对用户状态的理解时，它才开始产生价值。

在此基础上，Recommend 才真正成立。推荐不仅是生成计划，更是帮助用户做决策。系统需要同时考虑目标、状态、风险和现实生活约束，在理论最优与长期可执行之间找到平衡。

然而，CARE Loop 中最容易被忽视、也最关键的一环，是 Execute。

长期以来，健康行业默认认为，只要建议足够准确，用户自然会采取行动。但现实恰恰相反。

比如系统发现用户连续三天睡眠不足、工作压力升高，真正有效的做法不是简单建议"今天休息"，而是主动将训练强度下调、缩短训练时长，并在用户完成后给予正向反馈——让用户不需要做决策，行为自然发生。

真正有效的健康智能，不仅提供建议，更需要帮助用户降低行动门槛、推动行为发生，并在执行过程中持续调整策略。

当行动产生结果，新的反馈又会重新进入系统，形成下一轮感知、理解与决策。这也是为什么 CARE 被称为 Loop，而不是 Framework。

健康不是一个拥有终点的任务，而是一个持续运行的过程。每一次训练、每一次睡眠、每一次饮食选择都会改变系统对于用户的理解，并进一步影响未来的决策。

随着时间推移，系统积累的不只是数据，而是对于一个人的长期认知。它开始理解用户的偏好、习惯、风险、动力来源以及行为模式，并逐渐形成越来越个性化的健康管理能力。

我们正在构建的，是一个持续运行的健康操作系统

从这个意义上说，我们认为未来的 AI 健康智能并不是一个更会回答问题的助手，也不是一个更强大的健康搜索引擎。它更像一个持续运行的健康操作系统。

它能够长期感知你的状态，理解你的变化，帮助你做出决策，并推动决策真正发生。它不只是知道什么对你有益，而是能够帮助你长期做到那些你知道却难以坚持的事情。

这也是我们理解的 AI 健康智能。真正有价值的健康 AI，是能够形成感知、判断、执行与反馈不断循环的闭环系统。

我们相信，未来五年健康行业最大的变化，并不会来自参数规模的增长，也不会来自更自然的对话体验。真正的变化将来自那些能够长期理解用户、主动管理复杂性，并持续推动行为改变的系统。

我们正在构建这样一个系统。当 AI 开始成为一个真正参与健康过程的长期伙伴时，我们才会真正进入健康智能时代。