2026 年 7 月 9 日，Google Research 发布可穿戴健康基础模型 SensorFM。它使用五百万名明确同意参与健康研究的用户数据预训练，规模超过一万亿分钟，目标是学习可迁移的人体生理表征，而不是为某一种疾病单独训练一个模型。研究显示，这套表征可用于 35 项健康预测任务，也能为未来的个人健康智能体提供传感器数据层面的依据。
SensorFM 目前首先是一项研究成果，不是面向消费者的诊断功能。它展示了手表和手环的长期传感器记录如何被统一建模，但不能据此把设备输出当作医生诊断，也不意味着 Google 已宣布把模型直接加入 Fitbit 或 Pixel Watch 产品。
训练数据到底有多大
Google 从 2024 年 9 月至 2025 年 9 月的研究数据中抽样，覆盖一百多个国家、美国全部 50 个州以及二十多款 Fitbit 和 Pixel Watch 设备。数据均经过去标识化处理，来自同意用于健康与福祉研究的参与者。每位参与者贡献数周记录，合计超过二十亿小时。
模型读取 34 个按分钟聚合的特征，来自光电容积脉搏波、加速度、电活动、皮肤温度和高度计五类传感器。它们共同描述心率及心率变异性、血氧、睡眠阶段、动作与步数、皮肤电导和温度等一天内的连续变化。
为什么缺失数据是核心问题
可穿戴设备会被摘下、进入省电模式，也会因为传感器开关和充电产生空白。传统方法要么填补缺失值，可能引入偏差；要么丢弃不完整片段，浪费大量真实数据。SensorFM 使用基于 AIM 的自监督重建方法，把现实中的空缺与训练时主动遮盖的部分一并处理，让模型从不完整记录中学习。
这一设计比“把数据做大”更值得关注。真实健康数据很少连续、整齐，如果模型只在理想数据上有效，就难以进入长期监测场景。Google 的结果表明，面向缺失情况训练可以让同一套表征支持数据补全和下游预测。
35 项任务的表现意味着什么
研究团队在三项经机构审查委员会批准的前瞻性研究中评估模型，共涉及 13,985 名参与者。任务覆盖心血管健康、代谢风险、心理健康、睡眠、人口统计与生活方式六类。冻结 SensorFM 编码器、只训练轻量线性预测头后，其表征在 35 项任务中的 34 项超过使用人工特征的监督基线。
最大版本 SensorFM-B 的参数量为一亿。与最小版本相比，它的重建损失降低 31%，分类任务平均 AUC 提升 9%，回归任务的相关性指标平均提升 21%；在 35 项任务中有 33 项表现最佳。数据与模型规模同时增加时，提升仍未显示饱和迹象。
距离个人健康智能体还有哪些门槛
基础模型可以减少每个健康问题都从头训练的成本，并让少量标注数据发挥更大作用。研究机构、可穿戴平台和数字健康开发者可能最先受益，特别是睡眠、活动和长期风险研究。但跨设备校准、人群代表性、隐私治理、临床验证与监管审批，仍决定它能否从研究表征走向具体健康建议。
因此，SensorFM 的现实意义是为碎片化传感器数据提供一个通用底座，而不是宣布“手表会看病”。接下来应关注模型和评估方法是否开放、独立团队能否复现结果，以及它在不同国家、年龄和设备群体中的公平性。只有这些问题得到验证，个人健康智能体才可能从数据摘要工具走向可信的辅助判断系统。
来源：Google Research 官方博客（2026 年 7 月 9 日）。
