Google: SensorFM——基于万亿分钟可穿戴数据训练的基础模型，在 35 项健康任务中赢得 34 项
SensorFM 是 Google 用于可穿戴设备健康数据的基础模型，基于来自 100 多个国家 500 万用户的 Fitbit 和 Pixel Watch 超过万亿分钟的信号训练而成。在 35 项任务中赢得 34 项，分类任务 AUC 提升 +9%，回归任务相关性提升 +21%。
本文由人工智能基于一手来源生成。
Google Research 于 2026 年 7 月 9 日发布了 SensorFM，这是一个用于可穿戴设备健康数据的基础模型。基础模型是在大规模无标注语料上预训练的网络，随后可适配数十项任务——这种在语言处理领域已成变革性方法的范式，SensorFM 将其首次以如此规模应用于传感器信号。
前所未有的数据规模
SensorFM 在来自 Fitbit 和 Pixel Watch 设备的超过万亿（10¹²）分钟传感器数据上训练：心率、心率变异性、步数、睡眠和皮肤温度。数据来自超过 100 个国家约 500 万用户，采集时间为 2024 年 9 月至 2025 年 9 月。相比之下，以往的可穿戴数据学术模型通常基于数千用户训练——SensorFM 的数据量超出了三个数量级。
模型如何从不完整信号中学习？
核心创新是自适应掩码：可穿戴设备的数据常有缺失（取下手表、电池耗尽），因此模型在训练期间学习重建被刻意掩盖的片段，使真实的不完整数据成为训练信号而非问题。Google 训练了从 10 万到 1 亿参数的不同规模变体——与语言模型相比微乎其微，却足以捕捉传感器模式。
与专项方法的对比结果
在 35 项健康任务上——从睡眠呼吸暂停检测到体能评估——SensorFM 在 34 项上胜过专项基线方法。具体而言：分类任务 AUC 提升 +9%，回归任务 Pearson 相关系数提升 +21%，盲测中临床医生无法将模型预测与真实测量结果区分开来。
对健康 AI 的意义
SensorFM 为无需实验室检测、持续解读生物特征的 AI 助手开辟了道路。此次发布与 Microsoft 同日推出 Aurora 1.5 并列，基础模型范式显然正在从文本扩展到物理和生物信号。
常见问题
- 什么是 SensorFM？
- SensorFM 是 Google 基于可穿戴设备传感器数据（心率、步数、睡眠）训练的基础模型，使单一模型能够胜任数十项健康任务，无需为每项任务单独训练模型。
- SensorFM 使用了哪些数据训练？
- 使用了来自 100 多个国家约 500 万 Fitbit 和 Pixel Watch 用户的超过万亿分钟数据，采集时间为 2024 年 9 月至 2025 年 9 月。
- SensorFM 的准确率如何？
- 在 35 项评估任务中赢得 34 项：分类任务 AUC 提升 +9%，回归任务 Pearson 相关系数提升 +21%，盲测中临床医生无法区分模型预测与真实测量结果。