“这是迄今为止用于训练此类模型的最大、最多样化的可穿戴数据集。”谷歌研究团队在伴随论文的博客中这样描述SensorFM的出身。这个基础模型从超过500万Fitbit和Pixel Watch用户那里，吞下了超过一万亿分钟的多模态传感器数据——来自100多个国家、20多种设备型号，未经标注，充满间断，却学会了一套对人体的通用理解。
过去，穿戴设备上的健康功能像一个个孤岛。一个模型管睡眠分期，另一个做心血管风险评估，再一个用来分析压力或代谢指标。谷歌想让这些功能坍缩到一个共享的AI基底上：一个能同时处理多种健康问题、适应数据缺失、降低高昂标注成本，并最终为AI健康助手提供个性化上下文的基础模型。SensorFM就是这条路上的第一次大规模武装亮相。
这个基底是如何运作的？SensorFM并不直接读取原始波形，而是处理从五种传感器提取的34项特征——覆盖光电心率（PPG）、加速度、皮肤电导、皮肤温度、气压高度。特征列表里既有心率、心率变异性、血氧饱和度，也有睡眠阶段、运动数据等。把这些离散的生理与行为痕迹合成一张整体拼图，就是SensorFM的第一层功夫。
真正的考验在于训练。可穿戴数据天生“破破烂烂”：用户摘下设备、信号不佳、传感器暂时失效，都会制造缺口。研究团队用一种他们称之为“自适应继承掩码”（Adaptive and Inherited Masking，AIM）的自监督方法，既标记天然缺失，又在训练中人为挖掉一些值，让模型同时学会处理两种空白。目标很明确：无论数据断裂在哪儿，SensorFM都要能根据上下文填补出合理的表征。
规模和效果的关系也直截了当。试验显示，模型参数与数据量同步膨胀时，性能会系统性抬升。研究人员测试了从约10万到1亿参数的四种变体，更大的模型在绝大多数任务上表现更优。在35项健康与行为基准中，SensorFM靠着从未经清洗的传感器数据中自学的表征，击败了那些专门为单一任务精心设计特征的对照模型，赢了34项。
这种通才优势还延伸到生成型任务中。一篇健康摘要如果额外加入SensorFM的预测，人们打出的质量评分会在所有五个被研究维度上都显著高于基线版本。换言之，这个模型不仅能“答题”，还能让AI助手的笔替更具可信度，而这一切都是在一万亿分钟的真实穿戴数据上，无监督地磨出来的。
从规模看，SensorFM像是一场数据与算力的显耀；从设计看，它又是一个为“脏数据”而生的务实派。当可穿戴设备越来越密地贴紧皮肤，把杂乱的传感器信号翻译成一门通用的健康语言，或许正是让这些硬件从数据收集器跃迁为健康底座的真正起点。
热门跟贴