谷歌研究院正式公布了一项名为 SensorFM 的基础模型，旨在从海量可穿戴设备传感器数据中学习人类生理与行为模式的通用表征。该模型由超过 500 万 名 Fitbit 与 Pixel Watch 用户的 超一万亿分钟 多模态传感器数据预训练而成，数据覆盖全球 100 多个国家，涉及 20 多款 不同设备型号。研究团队称，这是迄今为止用于训练此类模型的最大规模、最多样化的可穿戴数据集。
SensorFM 的核心理念是打破当前健康监测功能的“孤岛”模式。现有可穿戴设备上的健康功能通常各自为政——一个模型专门检测睡眠阶段，另一个评估心血管风险，再一个分析压力或代谢指标。谷歌试图用一个共享的 AI 基础层取而代之，使其能够理解连续、常带有缺失的传感器数据，应对多种健康问题，同时大幅降低对昂贵标注数据的依赖，并最终为 AI 健康助手提供个性化上下文。
在技术实现上，SensorFM 处理来自五种传感器类型的 34 个特征，包括光学心率监测（PPG）、加速度、皮肤电导、皮肤温度和气压高度，涵盖心率、心率变异性、血氧饱和度、睡眠阶段和运动数据等。模型采用一种名为“自适应与继承掩码”（AIM）的自监督训练方法，通过重建被刻意遮蔽的数据片段来学习，同时标记真实缺失值与人工隐藏值，从而学会处理两种类型的数据缺口。
研究团队测试了从约 10 万到 1 亿参数 不等的四种模型规模，训练数据集从 5000 人到 500 万人 不等。结果显示，当模型规模与数据量同步增长时，性能系统性地提升。在最大训练数据集上，最大模型的重建误差比最小模型低 31%，且在大多数下游预测任务中表现最佳。
在下游任务评估中，研究者使用了来自三项独立研究、共计 13,985 名 参与者的数据——这些数据在预训练阶段从未被模型见过。他们测试了涵盖心血管与代谢健康、心理健康、睡眠、人口统计学和生活方式的 35 项 预测任务。即便是在 SensorFM 学习到的表征之上构建的简单任务专用头部模型，也在 34 项任务 上超越了使用手工设计可穿戴特征的监督基线。
缩放预训练还使 SensorFM 在标注效率上优于监督基线：模型能以相对较少的标注样本适应新任务，且随着规模增大，对额外人口统计信息的依赖降低。研究者认为，这种能力对于个体间差异大、难以测量的特征（如抑郁和焦虑症状）尤其有价值。
为将 SensorFM 的表征适配到新任务，研究团队还构建了一个由竞争与协作的 大语言模型智能体 组成的“教室”，这些智能体反复生成、测试并优化下游预测模型代码，累计运行超过 3 万次 实验。由此找到的模型在 35 项预测任务中的 28 项 上，优于基于相同 SensorFM 表征的简单线性头部模型。
在应用层面，研究者将 SensorFM 集成进一个个人健康智能体，并比较了三种变体：所有变体均获得人口统计信息和从穿戴数据计算出的每日摘要（涵盖活动、睡眠、血氧、皮肤温度等）；其中一个变体额外获得 SensorFM 对各种健康指标的预测，另一个获得这些指标的真实已知值，第三个则无任何额外信息作为基线。由 四位临床医生 对 31 个 真实参与者档案生成的 93 份 健康摘要进行评估，耗时超过 40 小时，产生 1860 个 独立评分。结果显示，融入 SensorFM 预测的摘要在所有五个评估领域均显著优于基线版本。
尽管 SensorFM 展现出成为谷歌 AI 健康教练底层引擎的潜力，但谷歌目前尚未宣布任何具体的产品整合计划。这一研究为可穿戴健康数据的通用 AI 化处理提供了新的技术范式，其后续产品化路径值得产业界持续关注。