從音訊與動作推測使用者行為，蘋果新 LLM 研究揭示活動辨識新方向
蘋果研究團隊近日發表一項新研究，指出大型語言模型（LLM）不僅能理解文字，當其接收由音訊與動作模型產生的文字描述後，也能有效推斷使用者正在進行的日常活動。這項研究揭示了蘋果在多模態 AI 感知上的布局方向，也為未來的活動追蹤、健康偵測與智慧情境推論帶來更大的想像空間。
這篇名為《Using LLMs for Late Multimodal Sensor Fusion for Activity Recognition》的論文指出，LLM 可用於「後期多模態融合」（late fusion），將來自音訊模型與 IMU 動作模型（加速度計與陀螺儀）的輸出進行整合與分析。研究人員表示，這種結合方式能在感測資料不足、無法直接提供完整情境時，協助系統更精準地理解使用者的行為。
（Source：arxiv）
研究團隊強調，LLM 在此過程中並沒有直接接觸音訊檔案，也沒有讀取原始感測資料，而是接收由模型自動生成的文字摘要與動作預測結果，透過語言模型的推論能力進行最終判斷。這意味著系統能利用更「抽象」的描述進行辨識，不必依賴大量專門訓練或高成本資料。
（Source：arxiv）
研究引用了大規模第一人稱視角資料集 Ego4D，並從中挑選十二種常見活動，包括吸塵、烹飪、洗衣、吃東西、打籃球、踢足球、與寵物玩、閱讀、使用電腦、洗碗、看電視與健身／舉重等。研究團隊整理出 20 秒長度的活動片段，再將音訊與動作訊號輸入不同模型，生成文字敘述與活動類別預測，最終再交由 LLM 進行判斷。
實驗採兩種設定，一種提供特定的 12 種活動選項（封閉式），另一種不提供任何選項（開放式）。研究結果顯示，無論在零樣本（zero-shot）或單樣本（one-shot）情境下，LLM 均能有效識別活動，F1 分數顯著優於隨機推測。研究人員指出，只要給模型一個示例，其準確度可進一步提升，展現 LLM 在跨模態推論上的高度潛力。
值得注意的是，這項研究展現一種可能的方向，那就是 LLM 不必直接看到影音內容，也能藉由其他模型生成的文字敘述理解行為，這也可能是蘋果未來在隱私與裝置端運算間取得平衡的方式。像是在 Apple Watch、iPhone 或 Vision Pro 等裝置上，系統可在不處理原始音訊或大量個資的前提下，仍具備更高階的情境理解能力。
研究中也特別提到，透過 LLM 進行後期融合，可避免為多模態任務額外建立大型專屬模型，降低記憶體負擔並提升部署效率。同時，研究結果也有助於推動活動識別、健康監測、智慧健身與行為分析等領域的應用，尤其適用於感測資料有限或模型無法進行長期訓練的情境。
為推動研究再現性，蘋果此次也公開了補充資料，包括 Ego4D 片段編號、時間戳記、提示詞以及單樣本示例，提供同領域研究者參考。
這項研究雖未明確說明是否會影響蘋果的產品規劃，但從其多模態融合框架、隱私導向的資料處理方式，以及與健康、情境理解相關的技術方向來看，外界推測此研究結果可能成為未來 Apple Intelligence、健康功能或穿戴裝置新世代感知能力的重要基礎。
（首圖來源：蘋果）