Google avduker AI-modell trent på en billion minutter med helsedata fra bærbar teknologi

juli 10, 2026

Google Research kunngjorde SensorFM, en grunnlagsmodell forhåndstrent på over en billion minutter med sensordata fra bærbar teknologi fra fem millioner samtykkende deltakere i over 100 land.research+1
Modellen utkonkurrerte tradisjonelle veiledede baselines på 34 av 35 helseprediksjonsoppgaver, inkludert deteksjon av depresjon og angst fra svake sensorsignaler.alphasignal+1
Integrert i en personlig helseagent produserte SensorFM kliniker-vurderte sammendrag som kan sammenlignes med de basert på faktiske kliniske målinger, ifølge Google.research

Google Alphabet Inc. Research introduserte på onsdag SensorFM, en grunnlagsmodell for bærbar helseteknologi som ble forhåndstrent på mer enn en billion minutter med sensordata fra fem millioner mennesker, noe som markerer det selskapet beskriver som et skritt mot generell AI for kontinuerlig helseovervåking.research+1

En enkelt modell for 35 helseoppgaver

I motsetning til konvensjonelle modeller for bærbar helseteknologi bygget for ett utfall om gangen, lærer SensorFM en enkelt gjenbrukbar representasjon av menneskelig fysiologi som overføres på tvers av kardiovaskulære, metabolske, søvn- og psykiske helsedomener, samt livsstils- og demografiske faktorer. Modellen inntar 34 ett-minutts aggregatfunksjoner fra fem sensormodaliteter — inkludert hjertefrekvens, oksygenmetning i blodet, hudtemperatur og bevegelse — fanget opp fra Fitbit- og Pixel Watch-enheter i over 100 land.research

Ved evaluering på tvers av 35 helseprediksjonsoppgaver hentet fra tre uavhengige kliniske studier som involverte nesten 14 000 deltakere, utkonkurrerte frosne SensorFM-embeddings med kun et lett lineært hode de funksjonsutviklede veiledede baselines på 34 av de 35 oppgavene. Modellen viste seg spesielt kapabel til å oppdage tilstander som depresjon og angst som etterlater svake spor i sensordata.alphasignal+1

Skalering uten metning

Forskerteamet, ledet av seniorforsker Xin Liu og stabsforsker Daniel McDuff, fant at skalering av både modellstørrelse og datavolum sammen ga nesten lineære ytelsesgevinster uten tegn til metning. Den største varianten, SensorFM-B, trent på hele korpuset på fem millioner personer, reduserte rekonstruksjonstapet med 31 prosent sammenlignet med den minste modellen og forbedret nedstrøms klassifiseringsytelse med gjennomsnittlig 9 prosent.research

For å automatisere tilpasning bygde forskerne et agentisk "klasserom" av samarbeidende LLM-agenter som iterativt genererer, tester og forfiner prediksjonshoder på SensorFM-embeddings — og utforsket mer enn 30 000 kandidatløsninger på tvers av eksperimenter.research

Forankring av en personlig helseagent

I en kliniker-evaluert studie produserte integrering av SensorFM i en personlig helseagent sammendrag som ble vurdert like godt som de basert på faktiske kliniske målinger på tvers av alle fem evalueringsdimensjoner, uten statistisk merkbar forskjell mellom modellprediksjoner og fasit-etiketter. Den underliggende artikkelen, med tittelen "Towards a General Intelligence and Interface for Wearable Health Data," ble først lagt ut på arXiv i mai og formelt kunngjort via Google Research-bloggen 9. juli.arxiv+1

Kilder (14)