研究解读 · 小互解读

Google Research 发布 SensorFM：训练自一万亿分钟穿戴数据，35 项健康任务赢 33 项

500 万人、20 亿小时可穿戴数据预训练，冻结编码器接一个线性头就在 34/35 个健康任务上超过监督学习基线。

一分钟速览

Google Research 发布 SensorFM，一个基于超一万亿分钟可穿戴传感器数据预训练的健康基础模型，对应论文见 arXiv:2605.22759。
训练数据来自 500 万授权用户，覆盖 100 多个国家和美国全部 50 个州、20 多种 Fitbit 和 Pixel Watch 设备型号，时间跨度 2024 年 9 月到 2025 年 9 月。
在跨四个数量级的规模实验里，最大模型 SensorFM-B 在 35 个健康预测任务中赢下 33 个；把编码器冻住、只加一个线性头，也能在 34/35 个任务上超过传统的特征工程加监督学习。
核心技术是 AIM（自适应继承掩码）：把设备真实丢掉的数据和训练时人为盖住的数据同等对待，让模型天生就能处理残缺信息。
在结合个人健康智能体的临床医生盲测里，用 SensorFM 预测生成的健康摘要，和用真实医学测量值生成的摘要相比，评分在统计上没有明显差距。

⚑ 这是 Google Research 官方博客对自家模型 SensorFM 的介绍。下文的数据规模、任务胜率、盲测结论都来自 Google 官方口径和其论文，尚未经过第三方独立复现。

1背景问题

可穿戴设备攒的数据，大多没被真正用起来

过去十年，手表和手环记录下海量的心率、血氧、睡眠和运动数据。可这些数据大多沉睡在设备里，或者只被用来做一件很窄的事：算算今天走了多少步、睡得好不好。想让它们真正去预测健康风险，传统做法会撞上三堵墙。

困境 01

想预测糖尿病就单独训一个糖尿病模型，想预测抑郁再训一个抑郁模型。每个模型都要自己的一套标注数据，彼此之间的知识没法共享。

困境 02

一个健康标签（比如「这个人确诊了糖尿病」）背后是医学检查、化验和诊断，慢且贵。很多标签根本无法回溯，你没法让一个人回到三年前补一次体检。

困境 03

同样一段心率曲线，在一个人身上完全正常，在另一个人身上可能就是风险信号。一刀切的模型接不住这种因人而异。

2登场

2026 年 7 月 9 日，Google Research 发布博客，介绍一个叫 SensorFM 的可穿戴健康数据基础模型，对应论文发表在 arXiv（编号 2605.22759）。

它想用一个统一的模型读懂人体的各种生理信号，再把这套能力迁移到几十种健康预测任务上：从心血管到代谢，从睡眠到心理健康。上一节那三堵墙，正是它要拆的。

💡

这是目前训练可穿戴健康模型用过的最大数据集：超一万亿分钟、500 万人。最大的模型在 35 个健康预测任务里赢下 33 个；把编码器冻住、只加一个线性头，也能在 34/35 个任务上压过传统的特征工程加监督学习。