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

一句话看懂：谷歌研究团队于 2025 年 7 月 9 日发布健康基础模型 SensorFM，基于全球 500 万用户、超 1 万亿分钟的可穿戴传感器数据预训练。该模型在 35 项健康任务中 34 项优于传统特征工程方法，为可穿戴健康数据的 AI 分析提供了重要的通用基座。

事件核心：发生了什么

谷歌推出的 SensorFM 模型，预训练数据来自 2024 年 9 月至 2025 年 9 月期间、100 多个国家和地区的 500 万名已授权用户，通过 20 多种 Fitbit 及 Pixel Watch 设备采集，每人取数周数据，累计超过 20 亿小时（约 1 万亿分钟）。模型接收 PPG（光电容积脉搏波）、加速度计、电皮肤活动（EDA）、皮肤温度和高程计等 5 种传感器的信号（共 34 个聚合特征），覆盖 24 小时内的心率、心率变异性、血氧、睡眠、步数、皮肤电导及体温等指标。模型共有 XXS、XS、S、B 四种规模，其中最大版 SensorFM-B 相较于最小版本，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%。在 35 项涉及心血管、代谢风险、心理健康、睡眠、人口统计与生活方式的任务中，SensorFM-B 在 33 项中获胜；线性探针在 34 项任务中优于传统特征工程基线。团队还使用由 LLM 智能体驱动的“classroom”系统，自动生成了超过 3 万个推理代码候选方案，其中 16 项分类和 12 项回归任务结果优于线性探针。

为什么重要

SensorFM 是谷歌在 AI+健康领域的一次重要基础设施投入。此前可穿戴设备的数据分析多依赖人工设计的特征工程（如手动计算心率变异性等），扩展性和通用性有限。SensorFM 直接在海量无标签的原始传感器信号上预训练，学到的通用表征能适配多种下游任务，且效果显著优于手工特征。这减少了为每个新任务重新训练模型的算力与数据成本，有可能加速可穿戴健康分析从“定制模型”走向“预训练基座+微调”的标准化流程。从行业看，这一模型的出现也意味着大模型技术正从文本、图像向传感器时空数据深入渗透，可能改变运动、睡眠、慢病管理等多个应用的技术底座。

对用户/开发者/创作者的影响

对于可穿戴设备的普通用户，SensorFM 本身不直接运行在手表上，但可能间接提升健康监测的准确性，例如更精准地识别睡眠模式或早期代谢风险信号。对健康科技领域的开发者而言，SensorFM 提供了一个经 500 万人数据验证的基础模型，后续可以基于该模型的预训练权重微调，开发心血管健康评估、心理健康检测等具体应用，大幅缩短从数据到可用模型的周期。不过，目前公开信息显示，谷歌尚未明确该模型是否开源、何时通过 API 开放，以及商业使用许可。对于 AI 研究者，该模型展示了基于 LLM 智能体自动“搜索”推理代码的潜力——这可能开启一种“模型+自动化代码探索”的新开发范式。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

值得关注的后续

第一，SensorFM 是否会通过谷歌的 Health API 或 Vertex AI 平台向第三方开放，以及定价与数据隐私合规安排。第二，其他可穿戴厂商（如苹果、三星）是否会在自己的健康生态中推出类似的基础模型，引发新一轮健康 AI 预训练竞赛。第三，该模型在真实临床环境中的验证进展，特别是从“实验室指标优于基线”到“真正提升用户健康结果”的能力差距有多大。

来源：Readhub · AI