Google Research 近日发布了 SensorFM，这是一个专为可穿戴传感器数据设计的基础模型。它从 500 万 Fitbit 和 Pixel Watch 用户中学习了超过一万亿分钟的原始传感器数据，在 35 项健康和行为预测任务中，有 34 项超越了现有的专门模型。
发生了什么
SensorFM 是一个大规模预训练的基础模型，其训练数据涵盖心率、步数、睡眠、皮肤电活动等多模态传感器信号。与以往针对单一任务（如步态识别或心率异常检测）训练的模型不同，SensorFM 试图学习一种通用的传感器“语言”，从而能够迁移到多种下游任务。在论文报告的基准测试中，SensorFM 在活动识别、睡眠阶段分类、压力检测等任务上均取得了最佳成绩，仅在一项任务上略逊于专用模型。
为什么重要
可穿戴设备产生的传感器数据通常具有高噪声、高维度、个体差异大等特点，传统方法需要为每个任务单独设计特征工程和模型架构。SensorFM 的出现意味着：第一，一个统一的模型可以处理多种健康监测任务，大幅降低开发成本；第二，预训练阶段利用了海量真实用户数据，使得模型对真实世界的变化（如设备佩戴松动、运动干扰）更具鲁棒性；第三，它可能成为 Google 未来“AI 健康教练”的核心组件——尽管官方尚未公布任何整合计划，但 SensorFM 的通用性使其天然适合作为健康推理的底层智能层。
影响与看点
对行业而言，SensorFM 验证了“传感器基础模型”的可行性，可能推动更多厂商（如 Apple、Samsung）加速类似方向的研究。对开发者来说，如果 Google 开放 API 或模型权重，将能快速构建基于可穿戴数据的应用，而无需从头训练。对用户而言，这意味着未来健康监测将更精准、更个性化，但隐私风险也随之上升——万亿分钟的用户数据如何脱敏、模型是否会被用于非健康目的，值得持续关注。独立判断：SensorFM 是医疗健康领域“基础模型化”的重要一步，但其真正价值取决于 Google 是否愿意将其开放给第三方生态。
