Google показала SensorFM: ИИ учится читать здоровье по данным часов
Google Research представила SensorFM — фундаментальную модель для данных с носимых устройств. Модель предварительно обучили на более чем триллионе минут сенсорных сигналов от пяти миллионов людей, которые согласились на использование своих данных для исследований здоровья и благополучия. Задача Google — сделать из часов и браслетов не набор отдельных метрик, а общий интерфейс к физиологии человека.
Что обучали
Корпус собран из обезличенных данных Fitbit и Pixel Watch за период с сентября 2024-го по сентябрь 2025 года. Он охватывает более 100 стран, все 50 штатов США и свыше 20 моделей устройств. SensorFM получает 34 агрегированных минутных признака за 24-часовое окно: сигналы фотоплетизмографии, акселерометра, электродермальной активности, температуры кожи и альтиметра. В практическом переводе это пульс и вариабельность пульса, SpO2, стадии сна, шаги, движение, проводимость кожи и температурные изменения.
Вместо обучения под один диагноз модель учится восстанавливать фрагменты неполных записей. Это важно именно для носимых устройств: часы снимают не идеальную лабораторную ленту, а рваный поток, где датчики выключаются, устройство снимают с руки, а часть данных пропадает.
Где проверяли
Google оценила SensorFM на 35 задачах из трёх независимых проспективных исследований с 13 985 участниками. Темы охватывали сердечно-сосудистое здоровье, метаболические риски, сон, ментальное здоровье, демографию и образ жизни. Замороженные представления SensorFM с лёгкой линейной головой обошли базовый подход на ручных признаках в 34 из 35 задач.
Отдельно Google собрала «класс» LLM-агентов, которые писали и улучшали код предиктивных надстроек для SensorFM. В экспериментах они перебрали более 30 000 решений и улучшили простую линейную проверку на большинстве задач классификации и регрессии.
Почему это важно
Самый интересный слой — Personal Health Agent. Google подключила SensorFM к агенту, который пишет сводки о здоровье, и сравнила ответы на 31 реальном профиле участников. Клиницисты вслепую оценили 1 860 ответов: добавление предсказаний SensorFM улучшило агентские резюме по всем пяти критериям, а разница с реальными контрольными измерениями не была статистически значимой.
Это ещё исследование, не готовый медицинский продукт. Но направление понятное: если носимые устройства получают общую модель физиологии, медицинский AI-агент перестаёт быть чат-ботом с дневной статистикой и становится интерфейсом к длинной персональной истории сигналов.
