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

谷歌的研究团队于 7 月 9 日公布了一项名为 SensorFM 的新型基础模型，该模型专注于可穿戴设备健康数据分析。根据谷歌的研究博文，SensorFM 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。

该模型的训练数据来源于全球 500 万名用户（已获得同意）的可穿戴设备信息。这些数据是在 2024 年 9 月至 2025 年 9 月期间收集的，覆盖了 100 多个国家和地区，并包含了超过 20 种不同型号的 Fitbit 和 Pixel Watch。经过对每位参与者数周数据的提取，最终形成了超过 20 亿小时（相当于 1 万亿分钟）的传感器信号数据。

SensorFM 的输入数据包括 34 种汇总了一分钟的特征，这些特征来源于 PPG（光电容积脉搏波）、加速度计、EDA（电皮肤活动）、皮肤温度和高程计这五种传感器。这些传感器数据被用于追踪心率、心率变异性、血氧饱和度、睡眠阶段、运动和步数、皮肤电导以及体温等信息，覆盖了 24 小时内的生理指标。

在模型规模方面，SensorFM 提供了 XXS、XS、S 和 B 四个不同大小的版本。与最小的 XXS 版本相比，最大的 SensorFM-B 版本在重建损失方面降低了 31%，在分类任务上的平均 AUC 提高了 9%，而在回归任务上的平均 Pearson 相关系数则提升了 21%。

在 35 项用于评估健康状况的判别性任务中，SensorFM-B 在其中 33 项任务上取得了领先。研究还指出，通过线性探针方法对 SensorFM 进行评估时，在 35 项任务中有 34 项的表现优于特征工程监督基线。这些任务涵盖了心血管健康、代谢风险、心理健康、睡眠质量、人口统计学信息以及生活方式等六大类。

此外，谷歌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语言模型（LLM）智能体，通过迭代的方式生成、测试和优化推理代码。在此过程中，该系统探索了超过 30,000 个不同的方案。生成的预测头在 20 项分类任务中的 16 项表现优于线性探针，在 15 项回归任务中的 12 项也超过了线性探针的性能。