谷歌研究院提出用世界模型模拟健康习惯反事实场景的个性化教练框架
谷歌研究院Zeinab Esmaeilpour和Ahmed A. Metwally提出一种研究原型框架：用训练于228万人周可穿戴数据的动作条件世界模型（SensorWM）模拟12周习惯变化的生理影响，再由语言模型将模拟结果转化为教练计划。在盲评中，生活教练71.4%偏好这种基于反事实模拟的方案，但作者强调这仍是研究原型而非临床工具。
知道你的健康年龄只是告诉你现在站在哪里。要把它变成一份可以执行的计划，需要回答一个反事实问题：如果我在未来12周多睡30分钟或在日常加入一段快走，我的身体会怎样变化？把新的步数或睡眠目标直接塞进一个静态计算器，忽略了一个关键事实——身体是一个相互适应的系统。当你持续多运动、睡好觉几周后，静息心率和心率变异率也会逐步改善，产生额外的下游健康收益。
谷歌研究院的Zeinab Esmaeilpour和Ahmed A. Metwally在11月11日发表的研究中，针对这个问题开发了一个动作条件世界模型（SensorWM），用约10万名Fitbit用户的228万人周去标识化数据预训练。给定两周基线可穿戴数据，SensorWM能预测20项生理指标在12周内如何随不同步数、睡眠和有氧运动方案演化。它不是简单地外推趋势，而是在模拟一个因果链条：改变输入行为，观察生理适应，追踪连锁效应。
但模拟本身不等于好建议。最激进的锻炼计划如果导致第二周就放弃，毫无意义。团队设计了一个可行性约束优化器，将预测的健康年龄改善幅度与每个人历史习惯灵活性和临床安全边界做权衡：习惯灵活性高的人可能获得一个更激进的目标（健康年龄降低2.3年），而日常更受限的人则得到一个更温和的爬坡方案（降低1.3年）。语言模型再将排名靠前的路径翻译成一份支持性的、渐进式的12周教练计划。
在盲评实验中，五位认证生活教练在71.4%的评估中将这种基于反事实模拟的方案选为最佳整体计划，五位主治医师对99.2%的方案判定运动强度在安全范围内。不过作者明确强调，这些评估均为离线回顾性研究，模型是研究原型而非临床诊断工具，尚未经前瞻性试验验证实际健康改善效果。