Google Research ha presentado SensorFM, un modelo fundacional disenado para leer el cuerpo a traves de los datos que los wearables ya recopilan. Fue preentrenado con mas de un billon de minutos de senales de sensores recogidas de unos cinco millones de personas, usando datos anonimizados recopilados entre septiembre de 2024 y septiembre de 2025, y la ambicion que hay detras es sencilla de enunciar. Hacer con los flujos de sensores fisiologicos lo que los modelos fundacionales han hecho con el lenguaje y las imagenes, preentrenar un unico modelo grande con un enorme cumulo de datos sin etiquetar y luego adaptar ese mismo modelo a muchas tareas especificas 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 dia. SensorFM toma 34 caracteristicas agregadas de un minuto derivadas de cinco modalidades de sensores, fotopletismografia, acelerometria, actividad electrodermica, temperatura de la piel y altimetria. Entre ellas, esas senales capturan la frecuencia cardiaca y la variabilidad de la frecuencia cardiaca, la saturacion de oxigeno en sangre, las fases del sueno, 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 representacion de proposito general de la fisiologia humana, un resumen numerico de lo que esta haciendo un cuerpo que luego se puede dirigir a preguntas especificas.
La escala es la clave, tanto en los datos como en los resultados. El corpus de preentrenamiento abarca mas de 100 paises, los 50 estados de Estados Unidos y mas de 20 modelos de dispositivos Fitbit y Pixel Watch, sumando mas de dos mil millones de horas de senal con resolucion de un minuto. Google informa que la representacion se transfiere a 35 tareas de prediccion de salud y admite una adaptacion eficiente en etiquetas asi como el relleno de datos, cubriendo los huecos donde un sensor dejo de registrar. Su variante mas grande, entrenada con el corpus completo de cinco millones de personas, redujo la perdida de reconstruccion en un 31 por ciento respecto a la version mas pequena y mejoro los resultados posteriores en un promedio de 9 por ciento en tareas de clasificacion y 21 por ciento en tareas de regresion, el patron que uno busca cuando el escalado conjunto del tamano del modelo y los datos esta funcionando.
La aplicacion que Google senala es una herramienta de anclaje para lo que llama un Personal Health Agent, un asistente que podria razonar sobre las senales de tu cuerpo con un modelo real de la fisiologia por debajo en lugar de adivinar a partir de numeros crudos. Ese enfoque merece tomarse en serio y tambien merece cautela. Esto es un lanzamiento de investigacion, no un producto que puedas usar, y produce predicciones y representaciones de salud, no diagnosticos clinicos, de modo que es una base sobre la que construir mas que un medico 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 direccion mas que cualquier cifra concreta. La receta de los modelos fundacionales, preentrenar de forma amplia y luego adaptar de forma estrecha, esta escapando de los dominios del texto y la imagen donde crecio y adentrandose en los datos fisiologicos continuos que cientos de millones de personas ya generan cada dia. Si el enfoque se sostiene, un unico 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 donde quiere Google que lleve eso, un asistente anclado en el lenguaje de tu propio cuerpo. Hoy no es un motor de diagnostico, pero es una senal clara de que los wearables se estan convirtiendo en una modalidad seria para los modelos grandes, no solo en una fuente de conteos de pasos.