面向人体状态转换的生理世界模型

连续多模态传感使人体生理状态可在日常生活中被观测。但多数健康AI系统仅识别当前状态或评估风险，不直接建模生理状态如何响应现实事件变化。为此，研究者提出生理世界模型（PWM），一种事件条件框架，并引入人类状态转换标记，连接事件前后生理状态、情境与干预信息。描述四个能力层级、四种数据获取与验证协议，并提出六个基准任务，涵盖状态表示、多时间尺度预测、个体化响应预测、替代干预模拟、有界规划及分布偏移下的可靠性。该工作发表于2026年8月。

现有健康AI通常只做当前状态识别或风险估计，缺乏对状态如何随时间及事件转变的建模。PWM首次提出事件条件的整体人级别生理变化建模框架，并配套统一的数据结构、能力层级与基准任务，为个性化健康管理和行为干预设计提供了更系统的技术路径。

PWM的核心是HumanState Transition Token，一种结构化、带质量分数的单元，它将事件前生理状态、事件或动作、情境与干预信息、事件后生理轨迹、观察结果和数据质量串联起来。通过事件条件学习，模型可预测个体在不同干预下的生理响应，并支持有界规划。框架明确区分预测与因果推断，强调不确定性、安全性和治理边界。

该框架可为健康管理类产品提供从状态识别向动态预测和干预模拟升级的技术基础。产品研发可能需引入多模态生理数据采集与事件标记能力，并设计面向不同能力层级的功能模块；同时，质量评分与分布偏移评估要求增加数据处理和验证流程，可能推高研发复杂度，但可提升决策支持系统的可信度。

• 开发基于PWM的健康状态预测功能，向用户提供多时间尺度（如分钟、小时、天）的生理变化预警。
• 构建个性化干预模拟工具，允许用户在虚拟环境测试不同行为干预的效果，指导真实决策。
• 利用HumanState Transition Token设计数据标注平台，服务于生理事件轨迹采集，形成数据护城河。

• PWM的四个能力层级和六个基准任务是否有公开实验结果支撑？证据未提供。
• HumanState Transition Token的实施细节、质量评分具体定义是否公开？证据未提及。
• 该框架针对哪些具体生理数据类型（如心率、皮肤电）或传感器有效？证据未说明。