在人工智能与可穿戴设备深度融合的浪潮下，Google Research 和 Google DeepMind 联合宣布推出了一款名为 SensorFM 的新型基础模型。该模型旨在通过处理海量的传感器数据，为可穿戴健康设备赋予更强的预测和决策能力。SensorFM 的核心亮点在于其惊人的训练数据规模——超过一万亿分钟的未标记传感器信号，这一数据量足以覆盖数千年的生理活动记录。
传统的健康监测应用往往依赖于人工设计的特征提取算法，这在处理复杂多变的生理信号时显得力不从心，且难以适应新场景。而 SensorFM 采用了 1D Vision Transformer (ViT-1D) 作为骨干网络，并配合掩码自编码器技术。这种架构设计允许模型在海量无标签数据中进行自我学习，从而捕捉到人类难以察觉的细微生理模式，实现了从“数据采集”到“深度理解”的跨越。
数据规模是 SensorFM 的另一大杀手锏。研究团队利用了来自 500 万名志愿者的同意数据，这些数据涵盖了超过一万亿分钟的传感器记录。研究团队在报告中详细探讨了模型规模与数据量之间的“规模定律”，发现即使在模型容量超过数据量的情况下，性能提升依然显著。这种大规模预训练带来的泛化能力，使得模型在面对新任务时表现出色。
在性能测试中，SensorFM 展现出了超越传统方法的潜力。研究团队对比了模型在不同规模下的表现，并在 35 个不同的健康任务中进行了评估。结果显示，使用冻结嵌入结合 PCA-50 线性探针的 SensorFM，在 34 个任务上均优于特征工程基线。这证明了基础模型在处理传感器数据时，能够学习到比人工设定规则更有效、更通用的特征表示。
除了理论性能，SensorFM 的实际应用场景同样令人期待。文中提到的“代理教室”展示了其在教育领域的潜力，通过分析学生的生理数据，辅助教师进行个性化教学或识别学生的压力状态。而在医疗领域， grounded 的个人健康代理能够帮助临床医生更好地理解患者的长期健康状况，从而提供更精准的诊断建议。
随着 SensorFM 的发布，可穿戴设备不再仅仅是数据的采集器，而是进化为具备深度理解和预测能力的智能助手。这为未来的数字健康和精准医疗开辟了新的路径，也为 AI 在非结构化时间序列数据上的应用树立了新的标杆。
信息来源：MarkTechPost，原文链接：https://www.marktechpost.com/2026/07/10/google-research-introduces-sensorfm-a-wearable-health-foundation-model-pretrained-on-one-trillion-minutes-of-sensor-data/
