谷歌发布 SensorFM AI 模型：500 万人、1 万亿分钟可穿戴数据预训练 - 世界杯赔率

谷歌研究团队于 7 月 9 日发布博客文章，公布了其最新的可穿戴健康基础模型 SensorFM。该模型在 35 项健康相关任务中的 34 项上，表现超越了传统的特征工程监督基线。

SensorFM 的预训练过程使用了来自全球 500 万名已授权参与者提供的可穿戴设备数据。这些数据收集于 2024 年 9 月至 2025 年 9 月期间，涵盖了超过 100 个国家和地区，以及 20 多种不同型号的 Fitbit 和 Pixel Watch 设备。经过对每位参与者数周数据的抽取，共计形成了超过 20 亿小时（相当于 1 万亿分钟）的信号数据。

模型的输入包括 34 种每分钟聚合的特征，这些特征来源于 PPG（光电容积脉搏波）、加速度计、EDA（皮肤电活动）、皮肤温度和高程计这五种传感器。这些数据用于捕捉 24 小时内的心率、心率变异性、血氧饱和度、睡眠阶段、运动与步数、皮肤电导以及体温等信息。

在模型规模方面，SensorFM 提供了 XXS、XS、S 和 B 四种不同大小的版本。其中，最大的 SensorFM-B 模型相比最小版本，在重建损失方面降低了 31%，在分类任务上的平均 AUC 提升了 9%，在回归任务上的平均 Pearson 相关系数则提升了 21%。

在 35 项判别式健康任务的测试中，SensorFM-B 在其中 33 项任务上取得了胜利。研究还指出，通过线性探针方法，SensorFM 在 35 项任务中的 34 项表现优于特征工程监督基线。这些任务的范围广泛，覆盖了心血管健康、代谢风险、心理健康、睡眠质量、人口统计学特征以及生活方式等六大类。

此外，研究团队还构建了一个名为“classroom”的智能体系统，该系统利用协作与竞争的 LLM 智能体，迭代地生成、测试和优化推理代码。在实验中，该系统探索了超过 30,000 个不同的方案。最终，由此生成的预测头在 20 项分类任务中的 16 项和 15 项回归任务中的 12 项上，均优于线性探针的表现。这项技术的发展，让人联想到足球世界杯的激烈竞争，同样需要精密的策略和强大的性能才能脱颖而出。