Google 发布万亿分钟健康数据训练的 AI 模型

Google Research 于周三发布了 SensorFM，这是一个面向可穿戴健康领域的基础模型，基于来自 500 万人的超过一万亿分钟传感器数据进行预训练。Google 称，这是迈向通用人工智能（AGI）在连续健康监测应用的一步。

单一模型处理 35 项健康任务

与传统可穿戴健康模型每次只针对单一结果不同，SensorFM 学习了一种可重复使用的人体生理学表示，能够迁移到心血管、代谢、睡眠、心理健康等领域，以及生活方式和人口统计因素。该模型使用来自超过 100 个国家 Fitbit 和 Pixel Watch 设备的心率、血氧饱和度、皮肤温度和运动等五种传感器模态的 34 个一分钟聚合特征。

在来自三项独立临床研究、涉及近 14,000 名参与者的 35 项健康预测任务中，冻结的 SensorFM 嵌入配合轻量线性头在 34 项任务上超越了基于特征工程的监督基线。该模型特别擅长检测抑郁症和焦虑症等在传感器数据中留下微弱痕迹的疾病。

规模扩展无饱和迹象

由高级研究科学家 Xin Liu 和研究科学家 Daniel McDuff 领导的研究团队发现，同时扩大模型规模和数据量可产生接近线性的性能提升，且没有出现饱和迹象。最大变体 SensorFM-B 在完整的 500 万人数据集上训练，重建损失比最小模型降低了 31%，下游分类性能平均提升了 9%。

为自动化适配过程，研究人员构建了一个由大语言模型智能体协作的“教室”，这些智能体在 SensorFM 嵌入上迭代生成、测试并优化预测头，在实验中探索了超过 30,000 个候选方案。

赋能个人健康智能体

在一项由临床医生评估的研究中，将 SensorFM 集成到个人健康智能体后，所生成的摘要在所有五个评估维度上均获得了与实际临床测量结果相当的评级，模型预测与真实标签之间无统计学显著差异。相关论文《Towards a General Intelligence and Interface for Wearable Health Data》于 5 月首次发布在 arXiv 上，并于 7 月 9 日通过 Google Research 博客正式公布。