Google Research 推出 SensorFM：面向可穿戴健康数据的通用基础模型

一句话看懂：Google Research 训练出名为 SensorFM 的大模型，它基于超过500万人的1万亿分钟可穿戴传感器数据，不依赖人工标注就能学习通用的生理信号表征，并将其用于心血管、代谢、睡眠、心理健康等35项预测任务，有望改变可穿戴设备“只能收集数据、却难以得出通用结论”的局面。

事件核心：发生了什么

Google Research 在2026年7月9日发布 SensorFM，一个专为可穿戴健康数据设计的基础模型。其训练数据涵盖超过500万位同意数据用于健康研究的参与者，时间跨度从2024年9月到2025年9月，涉及100多个国家、所有50个美国州以及超过20款 Fitbit 和 Pixel Watch 设备型号。数据总量超过2万亿分钟（即超过1万亿分钟），包含光电容积描记（PPG）、加速度计、皮肤电活动（EDA）、皮肤温度及高度计五种传感器模态的34项每分钟聚合特征。模型采用自适应与继承掩码（AIM）框架进行自监督重建，无需标注数据即可处理设备原始数据中常见的缺失与碎片化问题，并在35项下游健康预测任务上展现出可迁移能力。据论文披露，这是目前已知最大规模和最多样化的用于训练模型的可穿戴数据集，模型规模从10万参数扩展到1亿参数，预训练数据量从约200万传感器小时扩展到20亿小时，结果验证了模型能力随数据与参数量同步提升。

为什么重要

传统可穿戴健康模型大多是针对单一指标（如心率、睡眠质量）单独训练的监督模型，不仅开发成本高、标注数据获取困难，而且无法在不同人群和不同健康领域间泛化。SensorFM 的突破在于两点：首先，它以自监督方式从无标注数据中学习，摆脱了对昂贵人工标注和临床诊断标签的依赖，解决了可穿戴设备数据量大但标签稀缺的核心矛盾；其次，它通过统一表征在心血管、代谢、睡眠、心理健康及生活方式等广泛任务上实现迁移，意味着开发者无需为每个新任务从头训练模型，从根本上降低了多领域健康应用开发的门槛。在AI行业竞争格局中，SensorFM 属于Google在“个人健康智能体”方向的核心基础设施布局，给出了一种相比传统单任务模型更通用、更可扩展的路线。

对用户/开发者/创作者的影响

对开发者：SensorFM 提供经过大规模预训练的基础表征，开发者只需少量标注数据即可适配到具体健康预测任务（如评估心血管风险或睡眠质量），显著节约建模时间和算力成本。模型对数据缺失的鲁棒性也降低了穿戴设备在真实使用场景中数据不完整带来的工程挑战。对普通用户：虽然SensorFM本身不直接面向个人，但它是Google将其可穿戴平台（Fitbit、Pixel Watch）从“数据记录”升级为“健康智能推断”的技术引擎。未来用户的使用体验会更侧重于预防性健康洞察，而非单纯的图表展示。对企业采购方：如果Google将该模型开放为API或集成到健康研究平台，医疗健康机构、制药公司和保险公司将能够以更高效的方式从大量可穿戴设备数据中提取临床相关的变量，有助于大规模人群健康研究和数字生物标志物开发。

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 是否会开放给第三方研究人员或通过Google Cloud Vertex AI 等平台提供API，这将直接影响其生态影响力；第二，模型在不同人种、性别、年龄和地理分布上是否存在性能偏差，Google论文中的公平性验证细节是评估其可落地性的关键；第三，鉴于可穿戴健康数据涉及高度敏感的个人健康信息，该模型在下游部署时需要额外关注隐私合规（如HIPAA）和用户数据匿名化保障措施。

来源：Google Research：Blog（网页）