魏茨曼研究所联手 NVIDIA 推出 GluFormer：可预测未来 4 年血糖变化

面对一块饼干，很多控糖人士第一反应往往是：吃下去血糖得飙成什么样？现在，原本用来写文字的大模型，开始替你算这笔账了。

NVIDIA 联合魏茨曼科学研究所（Weizmann Institute of Science）以及以色列初创公司 Pheno.AI，公布了一项名为 GluFormer 的生成式 AI 研究。它把连续血糖监测（CGM）设备测出来的序列数据塞进 Transformer 架构，不仅能推断当下的饮食反应，最远还可以预测一个人未来四年的血糖走势与健康风险。

把血糖数据当成句子来读

很多人熟悉 Transformer 架构是因为 ChatGPT，大模型通过前面的词预测下一个词。但在 NVIDIA 研究团队眼里，人体连续测量的生理指标本质上也是一种上下文序列。

连续血糖监测仪通常每隔 15 分钟测一次血糖，记录下来的就是一条连续的时间序列。NVIDIA 人工智能研究高级总监 Gal Chechik 解释说，医疗数据特别是连续血糖监测，就像是贯穿生命的一连串诊断测试。既然 Transformer 擅长处理长文本，它就能看懂上一组检查结果并预测下一组，从而学会诊断指标随时间演化的规律。

研究团队拿来训练模型的，是 Pheno.AI 旗下「人类表型项目」（Human Phenotype Project）的数据。他们收集了超过 10000 名非糖尿病受试者连续 14 天的血糖记录，每 15 分钟采集一次。

整个训练过程在 NVIDIA Tensor Core GPU 集群上加速完成。除了预测自发性血糖变化，当研究人员把饮食摄入数据加进模型后，GluFormer 还能准确推断不同个体吃下特定食物或调整膳食后的血糖波动，为精准营养提供了可行的量化工具。

查血糖，顺便测出内脏脂肪和呼吸暂停

更让人意外的是这套模型的泛化能力。虽然训练集来自一万多名健康人群，但研究团队在另外 15 个独立数据集上做了验证，发现它能很好地推广到糖尿病前期、1 型和 2 型糖尿病、妊娠期糖尿病以及肥胖人群。

而且它预测的范围远远超出了血糖本身。论文第一作者、NVIDIA 研究员兼魏茨曼研究所博士生 Guy Lutsker 指出，GluFormer 还能根据这些时序数据，预测受试者的内脏脂肪含量、收缩压以及用于衡量睡眠呼吸暂停的 AHI 指数。

内脏脂肪直接反映肝脏和胰腺等器官周围的脂肪堆积，收缩压与糖尿病风险直接挂钩，而睡眠呼吸暂停也是 2 型糖尿病的常见伴生病症。换句话说，模型靠着皮肤表面测出来的糖代谢波动，推演出了身体深处其他器官的隐性负担。

哈佛健康出版物和纽约大学朗格尼医学中心此前都指出，连续血糖监测数据能帮助医生更快确诊糖尿病前期。现在有了生成式模型，这些高频数据不再只是用来画折线图，而是变成了能推演长期走势的预测引擎。

为什么重要

对于慢病高危人群和普通用户来说，这种工具最大的价值是把被动治病变成了超前预防。糖尿病目前影响着全球约 10% 的成年人，到 2050 年患病人数可能翻倍突破 13 亿，预计到 2030 年带来的全球经济负担将达到 2.5 万亿美元。如果只要戴两周传感器，AI 就能算出你吃什么会剧烈升糖，甚至预警未来四年的代谢隐患，预防性干预的门槛会被极大拉低。

从行业角度看，这看起来是生成式 AI 从文本和图像跨入生物时序信号的一个标志性落地。以往的智能手表和手环主要做静态记录或即时报警，如果结合这类基础模型，可穿戴设备和数字健康平台就能直接升级成健康预测顾问，这无疑会给传统慢病管理行业带来新的竞争压力。

我们认为，这项研究最聪明的地方在于切入角度。他们没有一开始就去啃复杂的病历或昂贵的基因测序，而是挑了可穿戴设备最容易采集的高频血糖时序，先用非患病人群做自监督预训练，再泛化到各类病患。不过隐患也显而易见：四年的远期预测本质上是概率推断，无法涵盖受试者未来生活方式的突发改变；如果消费端过分依赖这种远期预测，也可能诱发不必要的焦虑或过度医疗。但无论如何，把 GPT 的逻辑用在人体代谢上，确实开辟出了一条很有想象力的道路。