谷歌發佈 SensorFM AI 模型：500 萬人、1 萬億分鐘可穿戴數據預訓練

Google 研究團隊於 7 月 9 日正式發表一篇技術博文，宣布推出全新可穿戴健康基礎模型 SensorFM。這個模型利用全球 500 萬名參與者的授權可穿戴數據進行預訓練，展現出在多項健康任務上的強大表現，號稱在 35 項健康任務中，有 34 項的表現優於傳統特徵工程監督基線。 SensorFM 的預訓練資料來自信眾生廣泛使用的穿戴式裝置。資料收集時間橫跨 2024 年 9 月至 2025 年 9 月，覆蓋超過 100 個國家與地區，並且涵蓋超過 20 種不同型號的 Fitbit 與 Pixel Watch 裝置。研究團隊從每位參與者身上隨機抽取數週的資料，最終累積形成超過 20 億小時，也就是超過 1 萬億分鐘的信號時長，規模極為龐大。 在這龐大的預訓練語料中，模型輸入的是 34 個以每分鐘為單位的聚合特徵。這些特徵來自五種主要傳感器：光電容積脈搏波（PPG）、加速度計、電皮膚活動（EDA）、皮膚溫度以及高程計。透過這些傳感器資料，SensorFM 能夠捕捉並學習 24 小時內的多種生理訊號，包括心率和心率變異性、血氧飽和度、睡眠階段、運動與步數、皮膚電導以及體溫變化。 SensorFM 提供四種不同規模的版本，分別命名為 XXS、XS、S 與 B。其中規模最大的 SensorFM-B 與最小的版本相比，在重建損失上降低了 31%，在分類任務的平均 AUC 指標提升了 9%，而在迴歸任務的平均 Pearson 相關係數則提升了 21%。這顯示出更大的模型規模能有效提升對穿戴式資料的理解與預測能力。 為了進一步驗證模型的效能，研究團隊在 35 項判別式健康任務上進行測試。SensorFM-B 在其中 33 項任務中取得最佳成績。此外，團隊也採用線性探針（linear probing）的方式，將預訓練特徵應用於下游任務，結果顯示，線性探針在 35 項任務中有 34 項優於傳統的特徵工程監督基線。 這些任務涵蓋的範圍相當廣泛，總共分為六大類：心血管健康、代謝風險、心理健康、睡眠品質、人口統計與生活方式。這意味著 SensorFM 不僅能處理與生理疾病相關的預測，也能觸及心理狀態與生活習慣等領域，展現出多面向的應用潛力。 除了模型本身，研究團隊還開發了一套名為 agentic「classroom」的系統。這套系統由多個協作與競爭的大型語言模型智能體組成，能夠迭代地生成、測試並優化推理程式碼。在實驗中，該系統探索了超過 3 萬個候選方案，最終產生的預測頭（prediction head）在 20 項分類任務中有 16 項優於線性探針，在 15 項迴歸任務中有 12 項同樣優於線性探針，顯示出自動化機器學習在此領域的潛力。 整體而言，SensorFM 的推出代表谷歌在可穿戴健康人工智慧領域的一次重要進展。藉由大規模、多樣化且長時間的真實世界資料進行預訓練，該模型有機會成為未來健康監測、疾病風險評估與個人化健康建議的核心基礎。雖然目前仍處於研究階段，但已為後續的應用與開發奠定了堅實的科學基礎。 研究團隊也強調，所有參與者的資料都經過明確授權同意，並且在資料處理與模型訓練過程中嚴格遵守隱私與倫理規範。隨著穿戴式裝置越來越普及，這類基礎模型有望在不久的將來，幫助更多人透過隨身裝置獲得更即時、更準確的健康洞察。