智能手表与运动手环能给出的数字越来越多：步数、心率、血氧、睡眠分期、压力值、运动能量消耗、甚至体温与心电。
但把这些数字放在一起看会发现，它们的成色并不一样。有一条很清晰的分界：有些是被测出来的，有些是被算出来的。这条分界决定了这些数字应该被怎么用。
直接测量类的指标，是设备上有对应传感器、可以直接读到物理量的那一部分。
心率是最典型的例子。腕式设备用光电容积脉搏波（PPG）技术——用绿光照射皮肤，血液对光的吸收随脉搏搏动而变化，传感器读取反射光的波动，就能算出心率。这套方法在静息与中低强度活动下精度很好。
心律类指标建立在心率之上。心率变异性（HRV）测量的是相邻心跳间期的微小波动，它反映的是自主神经系统的张力状态。这一指标在静息条件下（通常是夜间）的测量相对稳定，也是目前可穿戴设备里被研究得较多的一项。
睡眠分期是另一个直接测量类指标，但它建立在推断之上——设备通过活动量（体动记录）与心率变化来推断睡眠阶段。这里要区分的是：判断"睡没睡着"相对容易，判断"处于哪个睡眠阶段"就难得多。与多导睡眠图（PSG）这种金标准相比，消费级设备在分期上的准确度明显低于它在"睡眠时长"上的准确度。
血氧饱和度（SpO2）同样用光学方法，通过不同波长光在氧合与脱氧血红蛋白上的吸收差异来推算。它在静息状态下的参考价值较高，受佩戴位置与皮肤条件影响明显。
估算类的指标则不同。它们不是被读出来的，而是被算出来的。
能量消耗是其中最典型、也是误差最大的一项。设备拿到的是心率与活动量（加速度），然后用一套算法把它换算成能量消耗。这个换算的链条里，每一步都在引入误差：心率与能耗的对应关系因人而异，而算法对"你在做什么活动"的判断本身就依赖加速度信号的模式识别。
多项针对消费级设备的验证研究显示，它们在总能量消耗上的估算误差幅度很大，不同活动类型之间的差别也明显——有些活动被高估，有些被低估。相比之下，它们在步数这类单纯计数指标上的准确度要高得多。
这条分界的实践含义很直接：规律与趋势可以用，绝对值要谨慎。同一台设备、同样条件下，今天比上周多动了一些，这个变化是可信的；而"今天消耗了 520 千卡"这个数字，把它当作精确账本就不合适了。
连续血糖监测（CGM）是这几年来变化最大的一块。
它本来是糖尿病管理的工具。传感器通过一根细丝置于皮下，测量组织间液中的葡萄糖浓度，通常可连续佩戴数天到两周，给出每分钟量级的连续曲线。
它的价值在于连续性。指尖采血给的是孤立的时间点，而 CGM 给的是一条曲线——包括餐后的峰值、回到基线的时间、夜间的波动，以及那些用指尖采血永远抓不到的时刻。
这几年最显著的变化，是它开始被非糖尿病人群使用。
推动这一变化的有两股力量。一股是产品形态的转变——部分新一代 CGM 产品在设计上更面向非糖尿病人群，佩戴更简便、读数直接推送到手机。另一股是健康消费领域里"代谢健康"这一概念的兴起。
但这里有一个必须讲清的界限：CGM 提供的是数据，不是结论。
对非糖尿病人群，一个关键问题是：什么样的血糖反应算"正常"？这个问题目前还没有统一的答案。不同个体对同一种食物的血糖反应差异很大——这一点已在大规模研究中被观察到，个体之间的差异可能比食物之间的差异更大。
这意味着，把 CGM 的读数直接翻译成"这个食物好、那个食物不好"，跳过了太多环节。个体间差异、进餐时的搭配、进食顺序、当天的活动与睡眠，都在影响那条曲线。
CGM 真正的价值，在于它让人看见了自己对特定搭配的特定反应——这是个性化的，也是它比通用膳食建议更有价值的地方。但把一次读数当成结论，是把数据误当成了知识。
在营养摄入这个方向上，可穿戴设备与配套应用有两条路径，各自的误差来源不同。
第一条是图像识别。 拍一张食物的照片，由算法识别食物种类并估算份量与营养素。这条路径的误差主要来自三处：
第二条是手动记录。 由使用者自己选择食物并输入份量。这条路径的误差主要在人这一侧：份量的判断普遍存在偏差，且记录行为本身会随时间衰减。
两条路径的共同难点是份量。种类可以识别，份量才决定数字。
这也解释了为什么营养摄入这一块，是这些设备里最未成熟的一块。心率与步数可以直接测到，而吃了多少这件事，目前还没有可靠的自动测量手段。
把前面的内容合起来，能看出这些设备真正的技术短板不在传感器，而在最后一环。
设备能给出数据，但数据本身不会改变行为。
步数、睡眠时长、静息心率、CGM 曲线，这些都是可测量的。而"知道"与"做到"之间，隔着的是行为改变的机制——它需要目标设定、反馈方式、提醒时机、以及足够的动力，而这些都不在传感器里。
这一层是这些设备目前普遍薄弱的地方。多数产品把重点放在采集与展示上，而在"拿到数据之后该做什么"这一环上的设计还相当粗放。
有意思的是，这也解释了为什么同样的设备在不同人手上价值差别极大：它提供的是反馈，而反馈只有在被纳入一个具体的行动方案时才有意义。
对使用者来说，最实际的用法是：
选一两个指标长期观察，而不是试图同时管理所有数字。趋势比单点有价值——连续记录三周的静息心率，比某一天的数值有意义得多。
把估算类指标当作相对参照，而不是精确账本。用它来判断"这周比上周动得多还是少"，比用它来计算"今天可以吃多少"更可靠。
注意测量条件的一致性。HRV 在清晨静息条件下测才有可比性，体重在同样时间与条件下称才有意义。
观察这个方向，几条线索值得留意。
传感器类型的扩展。 能测什么，决定了能算什么。新传感器的加入会带来新指标，但新指标同样要经过"直接测量还是估算"这道分界。
算法的个性化。 通用算法向个体化模型演进，是把估算类指标精度提上去的主要路径。同样一个心率，在不同人身上对应的能量消耗不同，这个差异只能靠个体数据来校准。
与专业服务的结合。 这些设备产生的数字，在被纳入有指导的方案时才最有价值。数据与服务之间的连接，是这个行业下一阶段的关键。
从监测到干预。 设备目前主要在解决"测得到"的问题，而"测得准之后怎么办"才刚刚开始。
Q：智能手表测的数据准吗？
A：要分指标。直接测量类指标（如静息状态下的心率）精度较高；估算类指标（如能量消耗）误差幅度明显偏大。总体而言，趋势与变化可信，绝对值要谨慎。
Q：可穿戴设备的能量消耗准不准？
A：是误差最大的一类。它基于心率与活动量经算法换算得到，误差来自心率与能耗关系的个体差异，以及对活动类型的模式识别。相比之下，步数这类计数指标准确度要高得多。
Q：心率变异性是什么？
A：英文缩写 HRV，指相邻心跳间期的微小波动，反映自主神经系统的张力状态。它在静息条件下（通常是夜间）的测量相对稳定，是目前可穿戴设备中被研究较多的一项。
Q：智能手表能测睡眠阶段吗？
A：能推断，但精度有限。它通过活动量与心率变化推断睡眠阶段，与多导睡眠图（PSG）相比，"睡眠时长"的判断准确度高于"睡眠分期"的判断准确度。
Q：连续血糖监测是什么？
A：英文缩写 CGM，通过置于皮下的细丝传感器测量组织间液中的葡萄糖浓度，可连续佩戴数天到两周，给出连续曲线。它原本是糖尿病管理工具，近年开始被用于非糖尿病人群。
Q：健康人可以用连续血糖监测吗？
A：可以用，但要清楚它提供的是数据而不是结论。非糖尿病人群中，对同一种食物的血糖反应个体差异很大，且受搭配、进食顺序、活动与睡眠影响。把单次读数直接翻译成"这个食物好或不好"，跳过了太多环节。
Q：智能手表能测营养摄入吗？
A：目前精度有限。图像识别路径的误差主要在识别混合菜品、估算份量与识别隐藏成分（油、调味料）；手动记录路径的误差主要在使用者的份量判断。两条路径的共同难点是份量，而非种类。
Q：这些设备该怎么用才有效？
A：选少数指标长期观察趋势，而不是同时管理所有数字；把估算类指标当作相对参照；保持测量条件一致（如清晨静息测 HRV）。关键在于把数字纳入具体的行动方案，而不是只看数字本身。
本文为行业观察，不构成投资或决策建议。
