凌晨3点15分，公寓里安静得能听见冰箱的嗡鸣。突然，一阵尖锐的警报声穿透墙壁——不是烟雾报警器，也不是闹钟，是连续血糖监测仪（CGM）发出的低血糖紧急警报。 我的室友兼好友Liam Vance，从初中起就与1型糖尿病共处。他左臂肱三头肌上贴着一枚Dexcom G7传感器，每五分钟，皮下细丝就会测量一次组织间液葡萄糖，通过蓝牙把数字传到手机上。 这是现代医学的奇迹。但它有一个令人痛苦的系统性缺陷：连续血糖监测仪是严格被动反应的。只有当血糖已经跌破70 mg/dL这条安全底线之后，它才会拉响警报。 **醒来时，身体已经在挨饿** 等Liam在3点18分醒来，他已经处于急性神经性低血糖状态——大脑缺糖。他坐起身，冷汗浸透睡衣，心率飙到135次/分，双手抖得几乎握不住勺子。 在这种意识模糊的状态下，他必须跌跌撞撞走进厨房，打开冰箱，计算该吞下多少克速效碳水。估低了，可能滑向癫痫；估高了，又会触发超过300 mg/dL的剧烈反弹高峰，把第二天整个毁掉。 上周，一次晚间锻炼引发了46 mg/dL的暴跌，我们一直熬到天亮。Liam靠在厨房台面上，低声说了一句我一直忘不掉的话：“打针和算碳水都还好。真正折磨人的是，每天晚上关掉床头灯时，你永远不知道睡着后身体会不会背叛你。” 我问他，为什么不把Dexcom导出的历史CSV数据喂给AI模型，在睡前就捕捉这些模式？Liam看着我说了两个字：“数据泄露。” 他说得对。血糖日志、胰岛素剂量、饮食、运动心率、酒精摄入，是他最敏感的生物特征数据。把每日病史上传到封闭的云端大模型接口，是不可接受的隐私侵犯。况且，大语言模型是自回归文本分词器，无法从表格列中计算精确的非线性药代动力学滞后时间，也算不出校准过的贝叶斯概率。 我决定给Liam造一个他需要的守护者：一个100%在他本机运行的算法，在晚上10点他关灯前读取当晚指标，预测他是否会在凌晨3点崩溃，全程零云端暴露。我叫它NightGuard AI。 **为什么简单阈值警报会失灵** 要理解为什么简单的阈值警报会失败，得看糖尿病延迟的生物动力学。晚上10点，Liam在Dexcom应用上可能看到120 mg/dL，趋势箭头平直。对任何旁观者来说，120 mg/dL都是教科书式的“范围内”睡前读数。 但在皮肤之下，三颗看不见的生理定时炸弹可能同时在走： - 第一，活性胰岛素（IOB）：晚餐的追加剂量仍在血液中作用，还要持续2.5小时。 - 第二，延迟的肌糖原摄取：45分钟晚间慢跑耗尽了肌肉储备，肌肉会在4到7小时后把葡萄糖从循环中拉走。 - 第三，肝糖异生抑制：晚餐一杯精酿啤酒，阻断了肝脏释放糖原。 标准CGM连接不起这些点，因为它只看当前血糖的即时导数。线性回归处理不了活性胰岛素的指数衰减叠加延迟的糖原补充。 更麻烦的是，Liam只有90天结构化每日日志。在机器学习术语里，那是一个大约90行的微小表格数据集。用90行训练XGBoost或随机森林，会撞上统计墙：小样本过拟合、脆弱的超参数敏感性、未校准的概率。 **TabPFN的突破：上下文贝叶斯智能** NightGuard没有在Liam的90条记录上从零做梯度下降训练，而是用了Prior Labs开发的TabPFN（Prior-Data Fitted Network）。TabPFN是一个表格数据基础模型，在数百万个由因果图和微分方程生成的合成数据集上训练而成。 突破点在于，TabPFN执行的是上下文贝叶斯推断：把Liam的90天CGM历史作为上下文提示表，加上今晚10点的睡前指标作为查询行，直接送入Transformer自注意力层，无需任何超参数调优。 因为Liam的90天数据在一次前向传播中直接进入Transformer上下文，TabPFN能在标准CPU上以不到40毫秒的时间，给出精确校准的后验概率分布。
热门跟贴