SensorFM：Google的AI解读一万亿分钟可穿戴设备数据
Google Research利用SensorFM，基于Fitbit和Pixel Watch的一万亿分钟以上数据训练了一个AI模型。它在35项健康任务中的34项上击败了专用模型——但目前仍处于纯研究阶段。
超过二十亿小时的传感器数据，收集自五百万个手腕——Google Research从这些数据中构建了一个单一的AI模型。SensorFM将不再使用各自独立的专用算法来处理Fitbit或Pixel Watch的心率分析、睡眠分析和活动识别，而是作为一个通用模型来承担所有这些任务。目前这仍处于纯研究阶段。但从中已经可以很好地看出Google在健康可穿戴设备领域的发展方向。
五百万手腕的一万亿分钟
训练数据来自约五百万人，这些人于2024年9月至2025年9月间同意将其数据用于健康和 wellness 研究——数据经过匿名化处理，来自100多个国家，涵盖20多种Fitbit和Pixel Watch型号。总计超过二十亿小时，或者说超过一万亿分钟的分钟级信号数据。
SensorFM每分钟处理来自五种传感器的34个特征：用于心率和心率变异性测量的光学脉搏测量（PPG）、用于运动和步数的加速度计、皮肤电活动、皮肤温度和气压高度计。训练采用自监督方式——该模型学习重建人为隐藏的数据片段，从而也能处理实际可穿戴设备记录中经常出现的数据缺失。Google测试了四个规模，参数从约10万到1亿；只有当数据量和模型规模共同增长时，性能才出现飞跃。
一个通用模型而非一百个专用算法
在三项总计13,985名参与者的研究所中，SensorFM与针对单一任务训练的传统模型进行了对比——据Google称，它在35项健康和行为任务中的34项上表现更优。其范围从心血管和代谢指标、睡眠和心理健康，到人口统计信息和生活方式。这才是关键点：不是一个更好的计步器，而是一个旨在替代当今每款智能手表中各种独立算法的模型。
比基准测试数字更重要的是Google希望如何应用这一模型。作为"个人健康代理"（Personal Health Agent）——一个将原始数据转化为可理解答案的AI助手——背后的工具，医生在所有五个测试标准上都给予了更好的评价：上下文、个性化、可解释性、相关性和安全性。从仪表板上的数据荒漠，转向能够解释这些值的层面。SensorFM日后可能正是作为Fitbit、Pixel Watch或Google计划中的Health Coach的基础——公司没有公布具体时间表。
纯研究——以及关于数据的旧问题
SensorFM明确是一个研究模型，而非即将出现在手腕上的功能。相关论文可在arXiv上免费获取，目前尚无产品。但仔细审视仍然很有价值，因为真正的大量数据并不在基准测试中，而是在小字说明里：五百万人的脉搏、睡眠和运动概况流入了一个AI模型——他们同意了"研究和健康"的数据使用。
研究同意与产品训练之间的界限，在健康数据方面很少像同意复选框所暗示的那样清晰。就在几天前，Samsung展示了"自愿"如何迅速变成强制，当时该公司实际上将Samsung Health数据用于AI训练与继续同步操作绑定在一起。我个人特意不佩戴健身追踪器——不是因为技术怀疑，而是因为"无缝测量换取便捷分析"的交易从未说服我。一个从相同数据中读取更多信息的通用模型，并不会减小这种权衡。
技术上，SensorFM令人印象深刻，将一百个不稳定的独立启发式方法替换为一个共同基础的想法也早就该有了。但价值恰恰产生于解释层面——风险也存在于那里。一个从心率变异性和皮肤温度推断压力、周期或早期疾病的模型，只要明确谁能看到这些答案以及它们还被用于什么目的，就仍然是个福音。这个问题没有研究论文能够回答。
【全文结束】