Google Research a présenté SensorFM, un modèle de fondation conçu pour lire le corps à travers les données que les appareils portables collectent déjà. Il a été préentraîné sur plus de mille milliards de minutes de signaux de capteurs recueillis auprès d'environ cinq millions de personnes, à partir de données anonymisées collectées entre septembre 2024 et septembre 2025, et l'ambition qui le sous-tend est simple à énoncer. Faire pour les flux de capteurs physiologiques ce que les modèles de fondation ont fait pour le langage et les images, préentraîner un seul grand modèle sur une énorme masse de données non étiquetées, puis adapter ce modèle unique à de nombreuses tâches spécifiques sans avoir besoin d'un nouveau jeu de données étiquetées pour chacune.
Ce que le modèle consomme réellement est une image compacte mais riche du corps sur une journée. SensorFM absorbe 34 caractéristiques agrégées d'une minute dérivées de cinq modalités de capteurs, la photopléthysmographie, l'accélérométrie, l'activité électrodermale, la température cutanée et l'altimétrie. Ensemble, ces signaux capturent la fréquence cardiaque et sa variabilité, la saturation en oxygène du sang, les stades du sommeil, le mouvement et les pas, la conductance cutanée et la température sur une fenêtre complète de 24 heures. À partir de ce flux continu, le modèle apprend une représentation généraliste de la physiologie humaine, un résumé numérique de ce que fait un corps qui peut ensuite être orienté vers des questions spécifiques.
L'échelle est l'essentiel, tant pour les données que pour les résultats. Le corpus de préentraînement couvre plus de 100 pays, les 50 États américains et plus de 20 modèles d'appareils Fitbit et Pixel Watch, totalisant plus de deux milliards d'heures de signal à résolution d'une minute. Google indique que la représentation se transfère à 35 tâches de prédiction de santé et prend en charge une adaptation efficace en étiquettes ainsi que le remplissage de données, comblant les lacunes là où un capteur a lâché. Sa plus grande variante, entraînée sur le corpus complet de cinq millions de personnes, a réduit la perte de reconstruction de 31 pour cent par rapport à la plus petite version et a amélioré les résultats en aval de 9 pour cent en moyenne sur les tâches de classification et de 21 pour cent sur les tâches de régression, le schéma que l'on recherche lorsque la mise à l'échelle conjointe de la taille du modèle et des données fonctionne.
L'application vers laquelle pointe Google est un outil d'ancrage pour ce qu'elle appelle un Personal Health Agent, un assistant qui pourrait raisonner sur les signaux de votre corps avec un véritable modèle de physiologie en dessous plutôt que de deviner à partir de chiffres bruts. Ce cadrage mérite d'être pris au sérieux et mérite aussi de la prudence. Il s'agit d'une publication de recherche, pas d'un produit que vous pouvez utiliser, et il produit des prédictions et des représentations de santé, pas des diagnostics cliniques, c'est donc une fondation sur laquelle bâtir plutôt qu'un médecin dans votre montre. Les gains rapportés sont ceux de Google, et l'ensemble repose sur une énorme quantité de données de santé personnelles anonymisées, ce qui comporte le poids en matière de vie privée qu'implique tout projet de cette ampleur.
Ce qui compte, c'est la direction plus que n'importe quel chiffre isolé. La recette des modèles de fondation, préentraîner largement puis adapter étroitement, s'échappe des domaines du texte et de l'image où elle a grandi et s'étend aux données physiologiques continues que des centaines de millions de personnes génèrent déjà chaque jour. Si l'approche tient, un seul modèle préentraîné devient une couche de base partagée sur laquelle de nombreuses applications de santé peuvent reposer, et le cadrage du Personal Health Agent montre où Google veut mener cela, un assistant ancré dans le langage de votre propre corps. Ce n'est pas un moteur de diagnostic aujourd'hui, mais c'est un signal clair que les appareils portables deviennent une modalité sérieuse pour les grands modèles, pas seulement une source de comptages de pas.