Google Research 推出了 SensorFM，這是一款設計來透過穿戴裝置早已蒐集的資料來解讀身體的基礎模型。它以超過一兆分鐘、從約500萬人身上蒐集的感測器訊號進行預訓練，所用的是2024年9月至2025年9月間蒐集的去識別化資料，而其背後的企圖說起來很直接：把基礎模型已為語言與影像做到的事，複製到生理感測器資料流上，先以一個大型模型在龐大的無標註資料堆上進行預訓練，再把這同一個模型調適到眾多特定任務，而無需為每項任務準備全新的標註資料集。
這個模型實際吸收的，是一天之內對身體既精簡又豐富的描繪。SensorFM 納入來自五種感測器模態的34項每分鐘彙總特徵，包括光體積變化描記法、加速度測量、皮膚電活動、皮膚溫度與高度測量。這些訊號合起來，捕捉了在完整24小時區間內的心率與心率變異、血氧飽和度、睡眠階段、動作與步數、皮膚導電度與溫度。模型從這道連續的資料流中，學到一套人體生理的通用表徵，也就是對身體正在做什麼的一份數值摘要，之後便可用來針對特定問題。
無論在資料或成果上，規模都是重點。預訓練語料涵蓋超過100個國家、全美50州，以及20多款 Fitbit 與 Pixel Watch 裝置型號，加總起來超過20多億小時、以分鐘為解析度的訊號。Google 指出，這套表徵可轉移至35項健康預測任務，並支援高標註效率的調適以及資料填補，也就是補上感測器中斷時留下的空缺。其最大版本以完整的500萬人語料訓練，重建損失比最小版本降低了31%，並讓下游成果在分類任務上平均提升9%、在迴歸任務上提升21%，這正是模型規模與資料一同擴展奏效時，你會期待看到的模式。
Google 指向的應用，是作為它所稱 Personal Health Agent 的立基工具，這個助理底層有一套真實的生理模型作為依據，能就你身體的訊號進行推理，而非從原始數字去猜測。這樣的定位既值得認真看待，也值得審慎以對。這是一項研究發布，不是你能使用的產品，它產出的是健康預測與表徵，而非臨床診斷，因此它是一個可供建構的基礎，而不是你手錶裡的醫師。所報告的增益出自 Google 自身，而整件事都建立在龐大的去識別化個人健康資料之上，這也帶著任何這種規模的專案都會有的隱私分量。
真正重要的，是方向，更甚於任何單一數字。基礎模型的做法，也就是先廣泛預訓練、再針對性調適，正逃離它成長的文字與影像領域，走進數億人每天已在產生的連續生理資料。若這套方法站得住腳，一個預訓練模型就會成為一層共享的基礎，讓眾多健康應用得以在其上運作，而 Personal Health Agent 的定位，也顯示了 Google 希望這一切通往何方：一個立基於你自身身體語言的助理。它今天還不是診斷引擎，但它清楚地標誌著，穿戴裝置正在成為大型模型的一種重要模態，而不只是步數的來源。