2026 年 7 月 9 日，Google Research 发布可穿戴健康基础模型 SensorFM。它用 500 万名同意参与研究的用户数据进行预训练，覆盖 100 多个国家、20 多款 Fitbit 与 Pixel Watch 设备，数据总量超过一万亿分钟。Google 的目标不是再做一个只预测单项指标的模型，而是学习一套可迁移的人体生理表示，为心血管、代谢、睡眠、心理健康和生活方式等不同任务提供共同底座。
这项研究值得关注，因为可穿戴设备最常见的问题并不是“没有数据”，而是数据断断续续、个体差异很大，医学标签又昂贵且难以补齐。过去许多模型只能围绕一个明确终点单独训练，换设备、换人群或换任务后往往需要重新搭建。
SensorFM 如何处理现实里的缺失数据
SensorFM 接收 34 项按分钟聚合的特征，来自光电容积描记、加速度、电活动、皮肤温度和高度等五类传感器。它能看到心率及其变异、血氧、睡眠阶段、运动、步数、皮肤电与温度等连续信号。
模型采用自监督重建，并引入对缺失情况友好的 AIM 机制。设备摘下、节电、重启或传感器间歇工作都会留下真实空缺；传统做法通常是填补空缺或丢弃不完整片段，前者可能引入偏差，后者会损失样本。SensorFM 把真实缺失与训练时主动遮盖的信号统一处理，让模型直接从不完整记录里学习。
规模扩大后，提升不只体现在预训练指标
Google 在数据量和模型规模上进行了跨四个数量级的实验。最大的 SensorFM-B 相比最小版本，重建损失降低 31%，并在 35 项下游任务中的 33 项取得最佳结果。冻结编码器后只训练轻量预测头，其表示在 34 项任务上超过基于人工特征的监督基线，说明模型学到的并非某个单一疾病标签。
研究团队还让多个大语言模型智能体竞争、协作编写预测头代码，探索了超过 3 万个方案。在 20 个分类任务中有 16 个超过简单线性探针，在 15 个回归任务中有 12 个取得提升。这意味着基础表示之后的任务适配，也可能从人工调参转向自动搜索。
它离真正的个人健康助手还有多远
Google 将 SensorFM 接入个人健康智能体，并用 31 份真实参与者档案生成健康摘要。临床人员在盲评中完成 1860 次评分，加入 SensorFM 预测后，摘要在上下文、相关性、可解释性、个性化和潜在伤害等维度均优于不使用模型预测的基线。
但这仍是研究结果，不等于 Fitbit 或 Pixel Watch 已获得新的医疗诊断功能，也不能把模型预测当作化验或医生结论。真正进入消费产品还需要临床验证、地区监管、隐私授权与持续误差监测。SensorFM 的现实意义，是证明长期、碎片化的可穿戴数据可以被训练成通用健康表示；它打开了更个性化的健康智能体方向，也把数据治理和医疗责任推到了更重要的位置。
