A Google Research apresentou o SensorFM, um modelo de fundação projetado para ler o corpo por meio dos dados que os vestiveis já coletam. Ele foi pré-treinado em mais de um trilhão de minutos de sinais de sensores reunidos de cerca de cinco milhões de pessoas, usando dados desidentificados coletados entre setembro de 2024 e setembro de 2025, e a ambição por trás dele é simples de enunciar. Fazer pelos fluxos de sensores fisiológicos o que os modelos de fundação fizeram pela linguagem e pelas imagens, pré-treinar um único modelo grande em uma enorme pilha de dados sem rótulos e depois adaptar esse modelo a muitas tarefas específicas sem precisar de um novo conjunto de dados rotulado para cada uma.
O que o modelo de fato consome é um retrato compacto, mas rico, do corpo ao longo de um dia. O SensorFM recebe 34 atributos agregados de um minuto derivados de cinco modalidades de sensores, fotopletismografia, acelerometria, atividade eletrodérmica, temperatura da pele e altimetria. Entre eles, esses sinais capturam frequência cardíaca e variabilidade da frequência cardíaca, saturação de oxigênio no sangue, estágios do sono, movimento e passos, condução da pele e temperatura ao longo de uma janela completa de 24 horas. A partir desse fluxo contínuo, o modelo aprende uma representação de propósito geral da fisiologia humana, um resumo numérico do que um corpo está fazendo que pode então ser direcionado a perguntas específicas.
A escala é o ponto central, tanto nos dados quanto nos resultados. O corpus de pré-treinamento abrange mais de 100 países, todos os 50 estados dos Estados Unidos e mais de 20 modelos de dispositivos Fitbit e Pixel Watch, somando mais de dois bilhões de horas de sinal em resolução de minuto. A Google relata que a representação se transfere para 35 tarefas de previsão de saúde e oferece suporte a adaptação eficiente em rótulos, bem como ao preenchimento de dados, cobrindo lacunas onde um sensor deixou de registrar. Sua maior variante, treinada no corpus completo de cinco milhões de pessoas, reduziu a perda de reconstrução em 31 por cento em relação à versão menor e melhorou os resultados posteriores em uma média de 9 por cento nas tarefas de classificação e 21 por cento nas tarefas de regressão, o padrão que se busca quando o escalonamento conjunto de tamanho do modelo e dados está funcionando.
A aplicação para a qual a Google aponta é uma ferramenta de fundamentação para o que chama de Personal Health Agent, um assistente que poderia raciocinar sobre os sinais do seu corpo com um modelo real de fisiologia por baixo, em vez de adivinhar a partir de números brutos. Esse enquadramento merece ser levado a sério e também merece cautela. Este é um lançamento de pesquisa, não um produto que você possa usar, e produz previsões e representações de saúde, não diagnósticos clínicos, portanto é uma base sobre a qual construir, e não um médico no seu relógio. Os ganhos relatados são da própria Google, e tudo isso se apoia em uma enorme quantidade de dados pessoais de saúde desidentificados, o que carrega o peso de privacidade que qualquer projeto nessa escala carrega.
O que o torna importante é a direção, mais do que qualquer número isolado. A receita dos modelos de fundação, pré-treinar de forma ampla e depois adaptar de forma restrita, está escapando dos domínios de texto e imagem onde nasceu e avançando para os dados fisiológicos contínuos que centenas de milhões de pessoas já geram todos os dias. Se a abordagem se sustentar, um único modelo pré-treinado se torna uma camada de base compartilhada sobre a qual muitas aplicações de saúde podem se apoiar, e o enquadramento do Personal Health Agent mostra aonde a Google quer que isso leve, um assistente fundamentado na linguagem do seu próprio corpo. Não é um motor de diagnóstico hoje, mas é um sinal claro de que os vestiveis estão se tornando uma modalidade séria para grandes modelos, e não apenas uma fonte de contagem de passos.