三星裝置端健康 AI：xMAE 與 HiMAE 將臨床等級生理訊號分析帶上手腕

三星美國研究院（Samsung Research America）的數位健康團隊於 2026 年 8 月 14 日公開發表兩款專為穿戴式健康裝置打造的 AI 基礎模型：xMAE 與 HiMAE。這兩款模型可以直接在智慧手錶等級的硬體上分析生理訊號——包括心臟活動、睡眠型態與身體活動——無需將原始生理資料傳送到雲端。兩款模型分別獲頂級 AI 會議認可：xMAE 入選國際機器學習會議（ICML），HiMAE 則入選國際學習表徵會議（ICLR）。

這次發表並非孤立的研究展示，而是三星在 2026 年 7 月 Galaxy Unpacked 健康論壇上提出的 Connected Care 願景 的技術骨幹——一項從被動治療轉向預防性、個人化、連續性健康監測的戰略布局。三星研究團隊將健康基礎模型定位為下一代消費級健康體驗的核心元件。

為什麼生理訊號需要基礎模型？

健康基礎模型採用與大型語言模型相同的自監督學習（self-supervised learning）方法，只是應用對象從文字換成了生理時間序列。模型不再預測下一個字，而是重建被遮蔽的生理訊號片段，從而智慧手錶每分每秒產生的大量未標記感測資料中，自行發現有意義的模式。在大規模健康資料集上預訓練之後，單一模型即可支援多種下游任務：生理訊號分析、生物標記開發，以及健康問題預測。

這一點至關重要，因為標記醫療資料既稀缺又昂貴。睡眠分期標記需要整夜多頻道睡眠生理檢查；心臟標記需要臨床醫師判讀。自監督預訓練繞過了這個瓶頸——穿戴裝置本來就持續產生海量未標記感測資料，直接從中學習即可。

三星美國研究院數位健康演算法負責人 Sharanya Desai 點出這項研究的意義：「這項研究的重要性在於，它為透過健康基礎模型提供高效、精準且連續的健康洞察奠定了技術基礎。我們將持續開發並精進可應用於多種生理訊號、能在有限感測器與運算資源的裝置端運作的健康基礎模型。」

xMAE：用光學訊號學會心電圖

第一款模型 xMAE（Physiology-Aware Masked Cross-Modal Reconstruction for Biosignal Representation Learning）利用了一個生理學特性：兩種截然不同的心臟訊號，其實承載著同一顆心臟跳動的資訊。

心電圖（ECG） 直接量測心臟的電氣活動，具有臨床等級的精確度，可以辨識心律不整以及心房顫動等疾病的風險。問題在於：穿戴裝置上的 ECG 量測需要使用者停下腳步、主動操作——通常要觸碰錶圈約 30 秒。

光體積變化描記圖（PPG） 則完全相反。光學感測器被動且連續地偵測血液容積變化，無需任何使用者動作。但 PPG 只是心臟功能的間接代理指標，診斷解析度不如 ECG。

由於兩種訊號源自同一個心臟活動，它們之間存在特徵性的時間延遲——三星以「看到閃電後聽到雷聲」來比喻。xMAE 透過用 PPG 資料重建被遮蔽的 ECG 片段，學會這層時間關係。換言之，模型學會了從手錶全天候被動記錄的連續光學訊號中，推估臨床等級的電氣心臟模式。

訓練規模相當可觀：三星使用約 9,400 小時的配對 ECG 與 PPG 資料預訓練 xMAE。結果在學術圈引起關注——xMAE 在 19 項評測任務中的 15 項擊敗了單模態生理訊號模型與現有多模態學習方法，任務涵蓋心血管疾病預測、異常檢測結果判讀與睡眠分期分類。對實際部署同樣關鍵的是，學到的特徵能跨感測器裝置、佩戴位置與資料蒐集環境移轉。

實際意義重大：從被動的手腕感測器獲得全天候、ECG 等級的連續心臟監測——這對在心房顫動惡化為急症之前及早發現，可能是翻天覆地的改變。

HiMAE：一個模型，所有時間尺度

第二款模型 HiMAE（Hierarchical Masked Autoencoder）則攻擊穿戴資料的另一個結構性問題：時間尺度。

健康訊號活在截然不同的時間解析度上。一次心跳在毫秒之內展開；睡眠結構在數小時中浮現；活動趨勢與訓練適應則橫跨數天到數週。多數健康 AI 模型只能選定單一時間尺度，其餘全部流失。HiMAE 的答案是階層式卷積編碼-解碼器架構，以多個編碼器同時分析短片段與長片段——既能放大檢視心跳等快速訊號，也能捕捉睡眠品質、活動趨勢等緩慢演進的模式。

發表於 arXiv 的論文（arXiv:2510.25785）將此稱為「解析度假說」：時間解析度是表徵學習的基本軸線，不同的臨床與行為結果依賴不同尺度的結構。HiMAE 把解析度從超參數變成可解釋性的探針——研究者可以系統性地評估哪些時間尺度對每項健康任務具有預測訊號。

效率數據同樣驚人。單一預訓練 HiMAE 模型可同時處理分類、數值預測與資料生成三類任務，而體積比同類基礎模型小了好幾個數量級。三星報告其在智慧手錶等級 CPU 上達成次毫秒推論，足以支應真正的即時裝置端分析。論文作者指出，HiMAE「在智慧手錶等級 CPU 上達成次毫秒推論，實現真正的邊緣推論」，使其既是高效的學習方法，也是發現穿戴健康資料中尺度敏感結構的研究工具。

戰略布局：隱私與垂直整合

裝置端優先是刻意策略，而非順帶的工程選擇。Apple 有部分健康資料在本地處理，但複雜 AI 任務仍仰賴雲端基礎設施；Google 的 Fitbit 生態系在深度健康洞察上依賴伺服器端運算。三星押注的是：重視隱私的消費者——以及日益嚴格的監管機關——會希望生理訊號在本地分析、永遠不離開手腕。

三星美國研究院數位健康研究實驗室負責人 Subbu Venkatraman 強調了科學貢獻：「生理訊號本質上是動態的，具有獨特的時變生理特性。這項研究的關鍵貢獻在於證明了健康基礎模型的可行性——能夠同時捕捉訊號間的關係及其底層時間結構。」

相對於 Whoop、Oura 等新興健康 AI 玩家，三星還握有一項結構性優勢：垂直整合。從感測器、晶片、作業系統，到如今解讀資料的基礎模型，三星全部自己掌控——這種硬體與 AI 協同設計的能力，是純軟體玩家難以複製的。

獲得 ICML 與 ICLR 的同儕審查認可也別具意義。這代表三星做的是獲學界認可的正經 AI 研究，而非包裝成科學的產品行銷——在健康 AI 面臨日益升高的監管與臨床檢視之際，這個區別舉足輕重。

接下來呢？

在未標記生理資料流上訓練的基礎模型，提供了從消費級硬體萃取診斷標記、執行預測性健康分類、生成使用者指引的機制——全程無需持續連線伺服器。隨著三星將這些研究成果轉化為 Connected Care 願景下的 Galaxy Watch 功能，消費級穿戴裝置與醫療等級監測器之間的界線將持續模糊。對全球數億已經戴上智慧手錶的人來說，下一代的健康洞察，或許不再是偶爾一份的雲端報告，而是演算法與手腕之間一場持續、私密的對話。