谷歌SensorFM：万亿分钟穿戴数据训练的健康基础模型，迈向通用健康AI

SensorFM 是谷歌研究人员开发的一个基础模型，基于来自约500万参与者的超过1万亿分钟未标记穿戴传感器信号进行预训练，并在35项健康相关下游任务上进行了评估 。这项题为“迈向穿戴健康数据的通用智能与接口”的研究，代表了通过四个关键特性向持续健康监测通用人工智能迈进的一步：

什么是 SensorFM

• 巨大的预训练规模： SensorFM 在来自约500万人的超过1万亿分钟未标记传感器信号上进行预训练 。输入数据包括来自 Fitbit 和 Pixel Watch 等设备的每分钟传感器特征（例如，加速度计、心率、体温、血氧饱和度）。
• 35项任务评估： 该模型在涵盖心血管、代谢、呼吸、活动、睡眠和心理健康等领域的35项健康预测任务上进行了评估 。在34项分类任务中，它的表现优于传统方法 。
• 扩展特性： 研究表明，模型容量和预训练数据量的联合扩展会导致下游任务性能的系统性提升 。这验证了在语言和视觉模型中观察到的扩展定律，现在在穿戴传感器数据中得到了证实。

它如何推动健康监测的通用人工智能

• 通用传感器表示： SensorFM 不是为每种健康状况构建单独的算法，而是从无标签数据中学习人类生理和行为模式的共享表示，然后通过有限的标记数据适应特定任务——这是基础模型通用性的标志。
• 与LLM代理集成： 该模型部署自主的LLM代理（包括基于Gemini的推理）来导航嵌入空间并执行预测任务，直接将传感器理解与语言模型推理连接起来 。
• 通向个人健康代理的路径： 谷歌研究已分别发表了关于“个人健康洞察代理（PHIA）”的论文——这是一个使用多步推理、代码生成和信息检索来分析穿戴数据并回答健康问题的系统 。SensorFM 提供了这种代理所需的基础传感器理解层，以便提供个性化、持续的健康洞察。

总而言之，SensorFM 将基于传感器的AI扩展到万亿分钟、500万人的规模，展示了随规模增长的系统性性能提升，在35项健康任务中具有泛化能力，并连接到基于LLM的个人健康代理——这是朝着构建一个能通过穿戴设备持续监测和解读人类健康的通用AI系统迈出的具体一步。