中文精炼导读
核心观点
- Google Research 发布 SensorFM：一个在超过一万亿分钟、来自 500 万人的可穿戴传感器数据上预训练的大型传感器基础模型，据称是迄今最大、最多样的可穿戴数据训练集。
- SensorFM 用自监督的掩码重建（missing-aware masked reconstruction）直接从无标签数据学习，学习到"感知人类生理学"的通用表征，可迁移到心血管、代谢、睡眠、心理健康以及生活方式与人口统计等 35 个健康预测任务。
- 模型与数据共同缩放（co-scaling）带来明确收益：最大变体 SensorFM-B 相比最小变体重建损失降低 31%，分类任务 AUC 平均提升 9%、回归任务 Pearson 系数平均提升 21%，且缩放曲线没有饱和迹象。
- 冻结编码器 + 轻量线性探针即可在 34/35 个任务上超越特征工程监督基线；对抑郁症、焦虑症这类因人而异、只在传感器数据里留下微弱痕迹的"难测"状况，缩放后的预训练尤其有价值。
- 一个由协作/竞争的 LLM agent 组成的"教室"能自动生成、测试并改进预测头代码（探索了 3 万多个候选方案）；把 SensorFM 接入 Personal Health Agent 后，医生盲评显示其健康摘要质量显著优于基线，且与"直接喂真实标签"没有统计学显著差异。
内容精讲
据估计全球已有数十亿台可穿戴设备，精准追踪心率、运动、皮肤温度、血氧和睡眠，跨越数天、数周甚至数月。这种连续的纵向生理与行为数据流，是预防性、个性化健康最有前景的原材料之一。但把低层信号转化为有意义洞察仍很困难：第一，基线生理、生活方式与健康状况因人而异，在一个人身上预示风险的模式在另一个人身上可能毫无意义；第二，训练模型所需的标签（确诊、化验结果、有效问卷）昂贵、采集缓慢，且几乎无法回溯收集。因此大多数可穿戴健康模型只能"一次一个结局"地构建，用定制的监督流水线瞄准窄小的端点，难以在人类健康的广度上泛化。
SensorFM 换了一条路：直接从人群规模的、无标签的可穿戴数据学习。预训练语料采样自 500 万名同意将其数据用于健康与健康研究的参与者（2024 年 9 月至 2025 年 9 月），覆盖 100 多个国家、美国全部 50 个州、超过 20 款 Fitbit 与 Pixel Watch 设备型号。每位参与者取几周数据，合计超过 20 亿小时、即超过一万亿分钟的分钟级信号。SensorFM 摄取由五种传感器模态派生的 34 个分钟级聚合特征：光电容积脉搏波（PPG）、加速度计、皮肤电活动（EDA）、皮肤温度和高度计，共同捕捉心率与心率变异性、血氧饱和度、睡眠阶段、运动与步数、皮肤电导和温度，覆盖完整的 24 小时窗口。
预训练不依赖标签，通过自监督重建进行，建立在 LSM-2 及其 Adaptive and Inherited Masking（AIM）框架之上。这个设计选择至关重要，因为"缺失和碎片化数据"才是可穿戴设备的常态：传感器电源循环、设备脱腕、省电模式、传感器开关机等都会造成数据缺口。传统自监督方法假设完整、不间断的输入，只能被迫插值补全（可能引入偏差）或丢弃不完整窗口（浪费宝贵数据）。AIM 两条路都不走：它把真实世界的缺失当作自然产物，直接从"不完整记录"学习，把从真实缺口继承的 token 与为重建目标人工掩码的 token 一视同仁，从而得到"天生对缺失有感知"的表征——SensorFM 不仅能容忍碎片化数据，还能建设性地利用它。
任何基础模型的核心问题都是"规模是否转化为能力"。团队做了系统的缩放实验：预训练数据量跨越四个数量级（约 200 万到 20 亿传感器小时），模型规模也跨越四个数量级（10 万到 1 亿参数）。结果是清晰而鼓舞人心的：预训练损失随数据与容量增长而规律下降，且这些收益确实传导到下游健康任务。最大的 SensorFM-B 相比最小变体，重建损失降低 31%，分类任务平均提升 9% AUC、回归任务平均提升 21% Pearson 系数。最大的提升来自同时缩放两个维度：数据与容量按比例增加时，生成式预训练与判别式下游性能都产生近乎线性的增益，且曲线没有饱和迹象——在 35 个任务中 SensorFM-B 赢了 33 个。
为了检验表征的通用性，团队在三个独立的、经 IRB 批准的前瞻性研究（共 13,985 名参与者）上评估了 SensorFM 的 35 个判别式健康任务，横跨心血管健康、代谢风险、心理健康、睡眠、人口统计与生活方式六类。他们冻结 SensorFM 编码器、只训练一个轻量线性头，对比基于工程化特征的监督基线，发现：线性探针在 34/35 个任务上超越特征工程基线，无需任何任务特定架构（广泛泛化）；加入人口统计特征（年龄、性别等）只带来小幅提升，且随模型缩放该提升缩小——更大模型在预训练中隐式学到了生理相关特征；对抑郁与焦虑这类"难测"状况，缩放后的预训练尤其有价值，SensorFM 似乎学到了通常淹没这类信号的个体差异、挑出了跨人群的模式；标签效率也很高——只需一小部分标注样本，SensorFM 就迅速超越仅人口统计和特征工程基线，而高质量标签稀缺恰恰是医疗场景的常态。
一个通用的 embedding 只与"适配它的成本"一样有用。传统上，把 embedding 变成每个新端点的强预测器需要手工特征工程、架构选择和超参调优。为了自动化这一切，团队构建了一个智能体"教室"：一组协作又竞争的 LLM agent 迭代地生成、测试和改进可执行代码，在 SensorFM embedding 上构建预测头。实验探索了超过 30,000 个候选方案，agent 设计的头在 20 个分类任务中的 16 个、15 个回归任务中的 12 个击败了简单线性探针。两个规律浮现：解决方案质量随搜索单调提升，且与底层 LLM 的能力成正比——更强模型（如更新版 Gemini）产生更好方案，而 agent 间协作帮助较弱模型缩小差距。
最后验证 SensorFM 能否端到端有用——作为一个把 AI 健康教练"落地"在个人真实生理上的工具。团队把它集成进 Personal Health Agent，用 31 份真实参与者档案比较三种生成健康摘要的条件：人口统计 + 每日可穿戴指标 + SensorFM 预测；人口统计 + 每日指标 + 真实测量值；仅人口统计 + 每日指标（基线）。一组盲评医生按五个维度（上下文、相关性、可辩护性、个性化、危害潜力）打分，在超过 40 小时的专家评估中产生 1,860 条评分。结果引人注目：加入 SensorFM 预测在所有维度都显著改善了回答；而且"以 SensorFM 预测为grounding"与"以真实测量值为grounding"没有统计学显著差异——模型的推断服务 agent 的效果与真实标签几乎相当。
阅读价值
适合可穿戴健康研究、医疗 AI 与基础模型领域的从业者：这篇文章系统展示了"从单任务定制模型转向通用生理表征"的完整路径——数据构建、缺失感知预训练、缩放定律、下游泛化、agent 自动化适配与健康 agent 落地五个环节都有实证数据支撑；对想了解传感器基础模型到底能做什么、以及"AI 健康教练"可行性的人来说，是一份高质量参考。
本文为中文精炼导读,由 AI 基于原文整理,内容与图片版权归原作者所有。原文: https://research.google/blog/sensorfm-towards-a-general-intelligence-and-interface-for-wearable-health-data/