谷歌发布 SensorFM AI 模型：500 万人、1 万亿分钟可穿戴数据预训练

7 月 11 日消息，谷歌研究团队于 7 月 9 日发布博文，宣布推出可穿戴健康基础模型 SensorFM，在 35 项健康任务中有 34 项优于特征工程监督基线。

该模型基于全球 500 万名参与者（已授权同意）的可穿戴数据预训练，预训练语料采集时间为 2024 年 9 月至 2025 年 9 月，覆盖 100 多个国家和地区，以及 20 多种 Fitbit 和 Pixel Watch 机型。每人抽取数周数据后，形成超过 20 亿小时（超过 1 万亿分钟）的信号。

模型输入包含 34 个 1 分钟聚合特征，采集 PPG（光电容积脉搏波）、accelerometry（加速度计）、EDA（电皮肤活动）、皮肤温度和高程计这 5 种传感器数据，对应抓取 24 小时内的心率和心率变异性、血氧饱和度、睡眠阶段、运动和步数、皮肤电导以及体温。

在模型规模方面，SensorFM 共有 XXS、XS、S、B 四种规模，最大模型 SensorFM-B 相较最小版本，重建损失下降 31%，分类任务平均 AUC 提升 9%，回归任务平均 Pearson 相关系数提升 21%。附上相关数据如下：

在 35 项判别式健康任务上，SensorFM-B 在 33 项任务中获胜。研究还称，线性探针在 35 项任务中有 34 项优于特征工程监督基线，任务覆盖心血管、代谢风险、心理健康、睡眠、人口统计与生活方式 6 类。

团队还构建了一个 agentic“classroom”，由协作与竞争的 LLM 智能体迭代生成、测试和优化推理代码。实验中，该系统探索了超过 30,000 个候选方案；生成的预测头在 20 项分类任务中 16 项优于线性探针，在 15 项回归任务中 12 项优于线性探针。