最近，一个据说是“探索健康应用”的“研究”被某公司披露了。具体内容呢，就是关于心率估算。这事儿听着挺高大上的，但仔细一分析，槽点可不少。
这个研究号称通过分析“心音图”（Phonocardiograms）来确定心率，而且还是用那些原本为语音识别设计的模型。这操作，怎么说呢？就好像你买了个高配游戏本，结果拿来当计算器用，不是不行，但总觉得哪里怪怪的。
研究里提到，他们测试了六个流行基础模型，包括那个大名鼎鼎的用于音频转录的“Whisper”。除此之外，还拉上了自家研发的“CLAP”（Contrastive Language-Audio Pretraining）模型。然后呢，这些模型不处理语音，去处理大约20小时的心音录音，这些录音来自一个名叫“CirCor DigiScope Phonocardiogram”的公开数据集。录音长度从5.1秒到64.5秒不等。听着数据量挺大，但实际效果如何，得看细节。
某公司号称对大约20小时的心音音频文件进行了测试。嗯，听起来很多，但细节决定成败。
人工标注了心音文件中的心脏杂音，然后把这些文件分成了每秒钟移动一次的五秒片段。最终得到了23，381个心音片段，目的是为了转换成心率测量数据。这操作，听着挺复杂，但说白了，就是把音频切碎了喂给AI。问题是，AI能真的理解这些“碎肉”代表什么吗？
研究报告里，他们得意地宣称自家CLAP模型比现有模型表现得更好。“我们观察到，内部CLAP模型的音频编码器在各种数据分割中实现了最低的平均绝对误差（MAE），优于使用标准声学特征训练的基线模型。”这话听着很漂亮，但仔细品味，这不就是“自家孩子永远最好”的标准套路吗？
他们还特意强调，不像Whisper、wav2vec2和wavLM这些主要基于语音训练的模型，他们家的CLAP模型是用包含非语音音频数据进行训练的。按他们的说法，这种多样化的训练数据“可能增强了其捕捉与心音相关的非语音特征的能力，从而提高了其有效性”。这逻辑听起来没毛病，但这不也侧面说明，专门针对心音数据进行优化的模型，效果肯定会比通用语音模型好吗？这还需要研究才能发现？这不是常识吗？
某公司宣称其内部CLAP模型“超越”了其他基础模型。嗯，自家模型赢了，意料之中。
研究人员煞有介事地说，为语音处理创建的基础模型“可以有效地适应听诊和生命体征估计，为某些传统方法提供了一个强大而高效的替代方案”。更玄乎的是，他们还说研究结果表明，更大的基础模型在确定心率方面并不总是表现更好。这不就是说，AI不是越大越好，而是要看“对症下药”吗？这种“发现”，真的值得大书特书吗？
报告还提到，对基础模型进行额外的微调可能会带来更好的心率估计。废话，任何模型不都是越调越好吗？不微调，你还指望它自己成精啊？他们还看到了这项技术在“心肺音病理分析”中的潜在应用，这“可能有助于更准确地检测心律失常和杂音等异常”。话是这么说，但从“可能”到“能”，中间的距离可不小。
至于这项技术将来会在设备上怎么应用，他们暗示可能会将其整合到未来的AirPods型号中。考虑到AirPods Pro 2已经支持了一系列听力健康功能，这似乎是顺理成章的。话说，2024年12月就传出某公司要给AirPods加入心率和体温传感器，现在又说要用现有麦克风配合新传感器来更准确测心率。这难道不是在给未来的AirPods新功能预热吗？说白了，这不就是一种营销手段，提前给消费者画个大饼，让大家期待一下未来的“黑科技”？至于落地效果如何，咱们还是等真产品出来再说吧。
总而言之，这个所谓的“研究”看似新颖，实则不过是把现有技术做了个包装，再掺杂一些看似高深实则常识的“发现”。与其说它是在探索健康应用，不如说是在为未来的产品做宣传，或者给投资者讲一个“科技改变生活”的故事。毕竟，在真金白银面前，所有的“研究”都显得那么“恰到好处”不是吗？
