Google Research ha presentado SensorFM, un modelo fundacional diseñado para leer el cuerpo a través de los datos que los wearables ya recopilan. Fue preentrenado con más de un billón de minutos de señales de sensores recogidas de unos cinco millones de personas, usando datos anonimizados recopilados entre septiembre de 2024 y septiembre de 2025, y la ambición que hay detrás es sencilla de enunciar. Hacer con los flujos de sensores fisiológicos lo que los modelos fundacionales han hecho con el lenguaje y las imágenes, preentrenar un único modelo grande con un enorme cúmulo de datos sin etiquetar y luego adaptar ese mismo modelo a muchas tareas específicas sin necesitar un nuevo conjunto de datos etiquetado para cada una.
Lo que el modelo consume en realidad es una imagen compacta pero rica del cuerpo a lo largo de un día. SensorFM toma 34 características agregadas de un minuto derivadas de cinco modalidades de sensores, fotopletismografía, acelerometría, actividad electrodermica, temperatura de la piel y altimetría. Entre ellas, esas señales capturan la frecuencia cardíaca y la variabilidad de la frecuencia cardíaca, la saturación de oxígeno en sangre, las fases del sueño, el movimiento y los pasos, la conductancia de la piel y la temperatura a lo largo de una ventana completa de 24 horas. A partir de ese flujo continuo el modelo aprende una representación de propósito general de la fisiología humana, un resumen numérico de lo que está haciendo un cuerpo que luego se puede dirigir a preguntas específicas.
La escala es la clave, tanto en los datos como en los resultados. El corpus de preentrenamiento abarca más de 100 países, los 50 estados de Estados Unidos y más de 20 modelos de dispositivos Fitbit y Pixel Watch, sumando más de dos mil millones de horas de señal con resolución de un minuto. Google informa que la representación se transfiere a 35 tareas de predicción de salud y admite una adaptación eficiente en etiquetas así como el relleno de datos, cubriendo los huecos donde un sensor dejó de registrar. Su variante más grande, entrenada con el corpus completo de cinco millones de personas, redujo la pérdida de reconstrucción en un 31 por ciento respecto a la versión más pequeña y mejoró los resultados posteriores en un promedio de 9 por ciento en tareas de clasificación y 21 por ciento en tareas de regresión, el patrón que uno busca cuando el escalado conjunto del tamaño del modelo y los datos está funcionando.
La aplicación que Google señala es una herramienta de anclaje para lo que llama un Personal Health Agent, un asistente que podría razonar sobre las señales de tu cuerpo con un modelo real de la fisiología por debajo en lugar de adivinar a partir de números crudos. Ese enfoque merece tomarse en serio y también merece cautela. Esto es un lanzamiento de investigación, no un producto que puedas usar, y produce predicciones y representaciones de salud, no diagnósticos clínicos, de modo que es una base sobre la que construir más que un médico en tu reloj. Las mejoras reportadas son las del propio Google, y todo el asunto se apoya en una enorme cantidad de datos personales de salud anonimizados, lo que conlleva la carga de privacidad que arrastra cualquier proyecto de esta escala.
Lo que lo hace importante es la dirección más que cualquier cifra concreta. La receta de los modelos fundacionales, preentrenar de forma amplia y luego adaptar de forma estrecha, está escapando de los dominios del texto y la imagen donde creció y adentrándose en los datos fisiológicos continuos que cientos de millones de personas ya generan cada día. Si el enfoque se sostiene, un único modelo preentrenado se convierte en una capa base compartida sobre la que muchas aplicaciones de salud pueden apoyarse, y el enfoque del Personal Health Agent muestra hacia dónde quiere Google que lleve eso, un asistente anclado en el lenguaje de tu propio cuerpo. Hoy no es un motor de diagnóstico, pero es una señal clara de que los wearables se están convirtiendo en una modalidad seria para los modelos grandes, no solo en una fuente de conteos de pasos.