35項任務的全面評估

SensorFM 在 35項健康預測任務 上進行了評估，涵蓋六大領域：

• 心血管健康
• 代謝風險
• 呼吸健康
• 活動與睡眠
• 心理健康
• 生活型態選擇與人口統計因素

在其中 34項分類任務 中，SensorFM 的表現超越了傳統方法 。在生成式任務上，它更實現了均方誤差（MSE）平均降低 28% 的顯著成果 。

規模化特性：越大越好

這項研究的重要貢獻之一是展示了 規模化定律（Scaling Laws） 在穿戴式感測器資料領域的適用性。研究證明，同時增加模型容量和預訓練資料量，會帶來系統性的效能提升 。這與之前在語言模型和電腦視覺領域觀察到的現象一致，代表穿戴式健康AI也進入了「越大越好」的時代。

如何運作：從無標籤資料中學習通用表徵

SensorFM 的核心創新在於它學習的是「人類生理與行為的通用模式」，而不是針對特定疾病開發單獨的演算法。它的訓練方式是：

1. 觀察24小時的資料
2. 刻意隱藏部分資料
3. 嘗試還原被隱藏的部分

透過這個過程，模型學會了人類日常生活的節律和模式。因此，即使資料有部分缺失，它也能進行合理的填補，甚至預測使用者未來的健康風險 。

與個人健康代理（PHIA）的整合

SensorFM 不僅僅是一個獨立的模型。Google 研究團隊也同步開發了 Personal Health Insights Agent (PHIA)——一個利用多步驟推理、程式碼生成和資訊檢索來分析穿戴式資料，並回答健康問題的LLM代理系統 。SensorFM 提供了底層的感測器理解層，讓 PHIA 能夠更準確地解讀穿戴式裝置收集到的大量數據。

此外，研究團隊還部署了 自主LLM代理（包括基於 Gemini 的代理）來導航嵌入空間並執行預測任務，直接將感測器理解與語言模型推理連接起來 。

未來展望

SensorFM 代表了從「單一用途健康演算法」到「通用健康AI」的關鍵轉變。Google 的長遠目標是建立一個 Personal Health Agent（個人健康代理）——一個多代理系統，能夠整合穿戴式裝置數據、醫療記錄和行為指導，提供個人化、有證據基礎的健康建議 。SensorFM 的出現，讓這個願景離現實更近了一步。

35項任務的全面評估

SensorFM 在 35項健康預測任務 上進行了評估，涵蓋六大領域：

• 心血管健康
• 代謝風險
• 呼吸健康
• 活動與睡眠
• 心理健康
• 生活型態選擇與人口統計因素

在其中 34項分類任務 中，SensorFM 的表現超越了傳統方法 。在生成式任務上，它更實現了均方誤差（MSE）平均降低 28% 的顯著成果 。

規模化特性：越大越好

這項研究的重要貢獻之一是展示了 規模化定律（Scaling Laws） 在穿戴式感測器資料領域的適用性。研究證明，同時增加模型容量和預訓練資料量，會帶來系統性的效能提升 。這與之前在語言模型和電腦視覺領域觀察到的現象一致，代表穿戴式健康AI也進入了「越大越好」的時代。

如何運作：從無標籤資料中學習通用表徵

SensorFM 的核心創新在於它學習的是「人類生理與行為的通用模式」，而不是針對特定疾病開發單獨的演算法。它的訓練方式是：

1. 觀察24小時的資料
2. 刻意隱藏部分資料
3. 嘗試還原被隱藏的部分

透過這個過程，模型學會了人類日常生活的節律和模式。因此，即使資料有部分缺失，它也能進行合理的填補，甚至預測使用者未來的健康風險 。

與個人健康代理（PHIA）的整合

SensorFM 不僅僅是一個獨立的模型。Google 研究團隊也同步開發了 Personal Health Insights Agent (PHIA)——一個利用多步驟推理、程式碼生成和資訊檢索來分析穿戴式資料，並回答健康問題的LLM代理系統 。SensorFM 提供了底層的感測器理解層，讓 PHIA 能夠更準確地解讀穿戴式裝置收集到的大量數據。

此外，研究團隊還部署了 自主LLM代理（包括基於 Gemini 的代理）來導航嵌入空間並執行預測任務，直接將感測器理解與語言模型推理連接起來 。

未來展望

SensorFM 代表了從「單一用途健康演算法」到「通用健康AI」的關鍵轉變。Google 的長遠目標是建立一個 Personal Health Agent（個人健康代理）——一個多代理系統，能夠整合穿戴式裝置數據、醫療記錄和行為指導，提供個人化、有證據基礎的健康建議 。SensorFM 的出現，讓這個願景離現實更近了一步。