Содержание
Google обучила SensorFM на данных с умных часов
Google Research представила SensorFM — большую foundation-модель для данных с носимых устройств. В отличие от отдельных алгоритмов для сна, пульса или активности, SensorFM учится на общем потоке сигналов и строит универсальное представление физиологии и поведения человека.
Что именно сделала Google
Модель обучали на более чем триллионе минут обезличенных данных от пяти миллионов пользователей Fitbit и Pixel Watch, которые согласились на использование данных для исследований. В набор вошли показатели сердечного ритма, вариабельности пульса, SpO2, сна, движения, температуры кожи, электродермальной активности и высоты.
SensorFM обучается без ручной разметки: система восстанавливает скрытые или пропущенные фрагменты данных и поэтому лучше работает с реальностью носимых устройств, где часы снимают, датчики отключаются, а измерения часто получаются неполными.
Почему это важно
По данным Google, представления SensorFM превзошли классические модели с заранее сконструированными признаками на 34 из 35 задач. Эти задачи касались сердечно-сосудистого и метаболического здоровья, сна, ментального состояния, демографии и образа жизни.
Отдельно Google проверила, как SensorFM помогает персональному AI-ассистенту здоровья. Когда ассистент получал выводы модели вместе с дневными метриками носимого устройства, врачи оценивали его ответы выше по контексту, релевантности, персонализации и обоснованности.
Что это меняет для пользователей и продуктов
Пока это исследовательская работа, а не новая кнопка в Fitbit или Gemini. Но направление понятно: носимые устройства могут стать не просто счетчиками шагов и сна, а источником персонального контекста для AI-коучей, медицинских помощников и wellness-сервисов.
Для бизнеса и разработчиков это сигнал, что следующая волна AI-продуктов будет строиться не только вокруг текста и картинок, но и вокруг постоянных персональных данных. В такой модели выигрывают сервисы, которые умеют аккуратно работать с приватностью, объяснять выводы и превращать сырые сигналы в понятные действия.