SensorFM: Googles nye KI-grunnmodell som forstår helsedata fra 5 millioner mennesker

SensorFM er en grunnmodell utviklet av Google-forskere, forhåndstrent på over én billion minutter med umerkede signaler fra bærbare sensorer fra omtrent fem millioner deltakere, og evaluert på 35 helserelaterte oppgaver . Arbeidet, med tittelen «Towards a General Intelligence and Interface for Wearable Health Data», markerer et steg mot en generell KI for kontinuerlig helseovervåking, med fire sentrale egenskaper:

Hva SensorFM er

• Enorm treningsskala: SensorFM er forhåndstrent på mer enn én billion minutter med umerkede sensorsignaler fra en kohort på omtrent fem millioner mennesker . Inndataene inkluderer per-minutt-sensoregenskaper (f.eks. akselerometer, puls, temperatur, SpO₂) fra enheter som Fitbit og Pixel Watch .
• 35 oppgaver evaluert: Modellen er testet på 35 helseprediksjonsoppgaver innen områder som hjerte- og karsykdommer, metabolisme, luftveier, aktivitet, søvn og psykisk helse . Den overgår tradisjonelle metoder i 34 av disse klassifiseringsoppgavene .
• Skaleringskarakteristikk: Forskningen viser at felles skalering av modellkapasitet og treningsdatamengde fører til systematisk forbedring av ytelsen på tvers av nedstrømsoppgaver . Dette speiler skaleringslovene som er observert for språk- og bildemodeller, nå bekreftet for data fra bærbare sensorer.

Slik fremmer den generell KI for helseovervåking

• Generelle sensorrepresentasjoner: I stedet for å bygge separate algoritmer for hver helsetilstand, lærer SensorFM en felles representasjon av menneskelige fysiologiske og atferdsmessige mønstre fra umerkede data, og tilpasser seg deretter spesifikke oppgaver med begrenset merkede data – et kjennetegn på generalitet i grunnmodeller.
• Integrasjon med LLM-agenter: Modellen bruker autonome LLM-agenter (inkludert forankring i Gemini) for å navigere i representasjonsrom og utføre prediksjonsoppgaver, og kobler dermed sensorforståelse direkte med språkmodellresonnering .
• Veien til en personlig helseagent: Google Research har separat publisert arbeid om «Personal Health Insights Agent (PHIA)» – et system som bruker flertrinnsresonnering, kodegenerering og informasjonsinnhenting for å analysere data fra bærbare enheter og svare på helsespørsmål . SensorFM utgjør det grunnleggende sensorforståelseslaget som en slik agent vil trekke på for å levere personlig, kontinuerlig helseinnsikt.

Oppsummert: SensorFM skalerer sensorbasert KI til et regime med én billion minutter og fem millioner mennesker, viser systematisk ytelsesforbedring med størrelse, generaliserer på tvers av 35 helseoppgaver, og kobles til LLM-baserte personlige helseagenter – et konkret steg mot et enkelt, generelt KI-system som kontinuerlig overvåker og tolker menneskelig helse fra bærbare enheter.