Google Research 推出了 SensorFM，这是一款旨在通过可穿戴设备已经采集的数据来解读人体的基础模型。它在超过一万亿分钟的传感器信号上进行预训练，这些信号采集自约500万人，使用的是2024年9月至2025年9月间收集的去标识化数据；而其背后的雄心可以简单概括。把基础模型已经为语言和图像所做的事情，同样应用于生理传感器数据流：在海量未标注数据上预训练一个大型模型，再将这一个模型适配到众多具体任务，而无需为每项任务单独准备新的标注数据集。
模型实际所摄取的，是一天之内人体的一幅紧凑却丰富的画面。SensorFM 接收由五类传感器方式衍生出的34项一分钟粒度聚合特征，分别是光电容积脉搏波（photoplethysmography）、加速度测量、皮肤电活动、皮肤温度和高度测量。这些信号共同在完整的24小时窗口内捕捉心率和心率变异性、血氧饱和度、睡眠阶段、运动和步数、皮肤电导以及温度。模型从这一连续数据流中学到一套通用的人体生理表征，也就是对人体正在发生什么的一份数值化概括，随后便可用来回答具体问题。
无论是数据还是结果，规模都是关键所在。预训练语料涵盖100多个国家、全美50个州，以及20多款 Fitbit 和 Pixel Watch 设备型号，累计达20多亿小时的分钟级分辨率信号。Google 称，该表征可迁移到35项健康预测任务，既支持标注高效的适配，也支持数据填补，即在传感器中断处补齐缺口。其最大版本在完整的500万人语料上训练，将重建损失较最小版本降低了31%，并使下游结果在分类任务上平均提升9%、在回归任务上平均提升21%，这正是模型规模与数据同步扩大奏效时人们所期待看到的规律。
Google 所指向的应用，是作为它所称的 Personal Health Agent 的接地工具，这样一个助手能够以底层真实的生理模型来推断你身体的信号，而非仅凭原始数字进行猜测。这一定位既值得认真对待，也值得审慎看待。这是一次研究发布，而非你可以直接使用的产品，它产出的是健康预测和表征，而非临床诊断，因此它是一个可供构建的基础，而不是你手表里的一位医生。所报告的提升出自 Google 自己，而整个项目建立在海量去标识化个人健康数据之上，这也带来了任何如此规模的项目都会背负的隐私分量。
真正让它重要的，是方向而非任何单一数字。基础模型的方法，即先广泛预训练、再狭窄适配，正在逃离它成长起来的文本和图像领域，进入数以亿计的人每天都在产生的连续生理数据。如果这一路径站得住脚，一个预训练模型就会成为许多健康应用可以叠加其上的共享底层，而 Personal Health Agent 这一定位，则表明了 Google 希望它通向何方：一个扎根于你自身身体语言的助手。它今天还不是一台诊断引擎，但它清晰地表明，可穿戴设备正在成为大模型的一种严肃模态，而不只是步数的来源。