A Google Research apresentou o SensorFM, um modelo de fundacao projetado para ler o corpo por meio dos dados que os vestiveis ja coletam. Ele foi pre-treinado em mais de um trilhao de minutos de sinais de sensores reunidos de cerca de cinco milhoes de pessoas, usando dados desidentificados coletados entre setembro de 2024 e setembro de 2025, e a ambicao por tras dele e simples de enunciar. Fazer pelos fluxos de sensores fisiologicos o que os modelos de fundacao fizeram pela linguagem e pelas imagens, pre-treinar um unico modelo grande em uma enorme pilha de dados sem rotulos e depois adaptar esse modelo a muitas tarefas especificas sem precisar de um novo conjunto de dados rotulado para cada uma.
O que o modelo de fato consome e 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 eletrodermica, temperatura da pele e altimetria. Entre eles, esses sinais capturam frequencia cardiaca e variabilidade da frequencia cardiaca, saturacao de oxigenio no sangue, estagios do sono, movimento e passos, conducao da pele e temperatura ao longo de uma janela completa de 24 horas. A partir desse fluxo continuo, o modelo aprende uma representacao de proposito geral da fisiologia humana, um resumo numerico do que um corpo esta fazendo que pode entao ser direcionado a perguntas especificas.
A escala e o ponto central, tanto nos dados quanto nos resultados. O corpus de pre-treinamento abrange mais de 100 paises, todos os 50 estados dos Estados Unidos e mais de 20 modelos de dispositivos Fitbit e Pixel Watch, somando mais de dois bilhoes de horas de sinal em resolucao de minuto. A Google relata que a representacao se transfere para 35 tarefas de previsao de saude e oferece suporte a adaptacao eficiente em rotulos, bem como ao preenchimento de dados, cobrindo lacunas onde um sensor deixou de registrar. Sua maior variante, treinada no corpus completo de cinco milhoes de pessoas, reduziu a perda de reconstrucao em 31 por cento em relacao a versao menor e melhorou os resultados posteriores em uma media de 9 por cento nas tarefas de classificacao e 21 por cento nas tarefas de regressao, o padrao que se busca quando o escalonamento conjunto de tamanho do modelo e dados esta funcionando.
A aplicacao para a qual a Google aponta e uma ferramenta de fundamentacao 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 numeros brutos. Esse enquadramento merece ser levado a serio e tambem merece cautela. Este e um lancamento de pesquisa, nao um produto que voce possa usar, e produz previsoes e representacoes de saude, nao diagnosticos clinicos, portanto e uma base sobre a qual construir, e nao um medico no seu relogio. Os ganhos relatados sao da propria Google, e tudo isso se apoia em uma enorme quantidade de dados pessoais de saude desidentificados, o que carrega o peso de privacidade que qualquer projeto nessa escala carrega.
O que o torna importante e a direcao, mais do que qualquer numero isolado. A receita dos modelos de fundacao, pre-treinar de forma ampla e depois adaptar de forma restrita, esta escapando dos dominios de texto e imagem onde nasceu e avancando para os dados fisiologicos continuos que centenas de milhoes de pessoas ja geram todos os dias. Se a abordagem se sustentar, um unico modelo pre-treinado se torna uma camada de base compartilhada sobre a qual muitas aplicacoes de saude 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 proprio corpo. Nao e um motor de diagnostico hoje, mas e um sinal claro de que os vestiveis estao se tornando uma modalidade seria para grandes modelos, e nao apenas uma fonte de contagem de passos.