一句话看懂：谷歌研究院推出 SensorFM 基础模型，利用来自 500 万 Fitbit 和 Pixel Watch 用户、超过 1 万亿分钟的无标记传感器数据进行预训练，在 35 个健康与行为预测任务中，有 34 个任务表现优于传统专用模型，有望打破当前可穿戴设备“一个功能一个模型”的孤岛局面。
事件核心：发生了什么
2026 年 7 月 13 日，谷歌研究院在博客和论文中正式发布了 SensorFM。该模型采用自监督学习方式，处理来自光学心率（PPG）、加速度计、皮肤电导、皮肤温度和气压高度计等五种传感器的 34 个特征数据，包括心率、心率变异性、血氧饱和度、睡眠阶段和运动数据。为了解决可穿戴数据常见的大量缺失值问题，谷歌提出了一种名为“自适应与继承掩码”（AIM）的训练技术，使模型能够同时处理真实缺失和故意遮挡的数据片段。实验表明，SensorFM 的四个版本——参数从约 10 万到 1 亿不等——在最大数据集上，最大模型的预训练重建误差比最小模型降低了 31%。在面向 13,985 名参与者的三个独立研究数据测试中，即便是最简单的基于 SensorFM 特征的任务头部模型，在 35 个预测任务中也仅有一个任务落后于使用手工特征的监督基线模型。模型规模越大，对标注样本的依赖越少，且对难度较高的抑郁、焦虑等个体差异大的指标表现尤为突出。
为什么重要
SensorFM 的发布标志着可穿戴健康 AI 从“任务专属”走向“通用基础”的关键技术路线验证。过去，睡眠监测、心脏风险、压力分析各自为政，需要大量昂贵的标签数据反复训练。SensorFM 证明了：通过海量、多模态的无标签数据预训练，可以习得一套可复用的生理和行为表征，然后通过极少的标注样本适配新任务。这种做法直接降低了健康 AI 的落地成本，也更容易扩展到新场景。从竞争格局看，谷歌在训练数据规模（500 万用户、100 多个国家、20 多种设备型号）上建立了显著壁垒，硬件、数据、模型三者形成了闭环。同时，论文中展示了利用多智能体 LLM 组合自动搜索最优预测头模型的技术，将预训练表征到下游任务的适配过程进一步自动化，可能影响未来的开发流程。
对用户/开发者/创作者的影响
对于普通用户，长期来看，SensorFM 可能通过 AI 健康助手提供更连贯、更个性化的健康洞察，例如将运动、睡眠、压力数据纳入统一分析，而非各自给出孤立的评分。对于开发者，SensorFM 的开放程度尚未明确；如果谷歌开放模型权重或 API，开发者将能在极少的标注数据下构建新的健康预测应用，大大降低 AI 健康功能的开发门槛。对于可穿戴设备制造商和健康应用团队，SensorFM 明确了方向：未来的健康智能层将依赖于大规模、多设备、跨场景的预训练模型。未能掌握此类基础设施的小厂商，在竞争中将面临数据量和模型能力的双重劣势。
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。
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
首先，SensorFM 是否会以 API 或 SDK 形式提供给第三方开发者，以及是否兼容 Apple Watch、Garmin 等其他品牌设备的数据格式，将直接影响其生态扩展能力。其次，谷歌是否计划将 SensorFM 集成到 Fitbit Premium 或 Pixel Watch 的 AI 健康助理中，以及此功能是否需要额外订阅费用，是用户关心的核心商业落地问题。最后，鉴于该模型使用了数百万用户的大规模私有传感器数据用于训练，其隐私合规方案——特别是数据脱敏、使用范围和用户数据删除能力——可能需要接受监管机构的审视，尤其是在欧盟等严格数据保护区域。
