近期，谷歌研究团队在可穿戴健康领域取得重大突破——7月9日，他们正式发布了SensorFM，这是一款基于海量可穿戴数据预训练的基础模型。结果令人瞩目：在35项健康任务中，它成功拿下34项，全面超越了传统的特征工程监督基线。

先快速浏览一下关键数据。该模型的预训练语料来源于全球500万名参与者（均已获得授权同意），数据采集时间从2024年9月持续到2025年9月，覆盖100多个国家和地区、20多种Fitbit和Pixel Watch设备。每人抽取数周数据后，汇总成超过20亿小时——相当于超过1万亿分钟的信号。仅凭这一规模，就足以让人高度重视。

模型输入包含34个1分钟聚合特征，采集了5种传感器数据：PPG（光电容积脉搏波）、加速度计、EDA（电皮肤活动）、皮肤温度以及高程计。这些数据能够准确捕捉24小时内的心率、心率变异性、血氧饱和度、睡眠阶段、运动步数、皮肤电导及体温，几乎涵盖了可穿戴健康监测的所有核心指标。

在模型规模方面，SensorFM提供了四个版本：XXS、XS、S、B。其中最大模型SensorFM-B相较于最小版本，重建损失下降了31%，分类任务平均AUC提升9%，回归任务平均Pearson相关系数提升21%。具体数据可参考下表，一句话总结：模型规模越大，性能越强，差距十分显著。

更令人振奋的是其在35项判别式健康任务上的表现。SensorFM-B在33项任务中胜出，而线性探针（一种轻量级微调方法）在35项任务中有34项优于传统特征工程监督基线。这些任务覆盖六大类别：心血管、代谢风险、心理健康、睡眠、人口统计与生活方式。可以说，几乎每个健康相关方向都获得了显著提升。

团队还创新性地构建了一个agentic“课堂”，由一群协作与竞争的大型语言模型智能体迭代生成、测试和优化推理代码。实验中，该系统探索了超过3万个候选方案，最终生成的预测头在20项分类任务中16项优于线性探针，在15项回归任务中12项优于线性探针。这一思路类似于让AI自我教学，结果表现相当出色。