以500萬人逾萬億分鐘數據訓練

谷歌研究團隊7月9日宣布推出可穿戴健康基礎模型SensorFM，利用全球500萬名參與者授權提供的可穿戴裝置數據進行預訓練，希望建立可廣泛應用於不同健康任務的通用人工智能模型。測試結果顯示，SensorFM在35項健康任務中，有34項優於傳統特徵工程監督式基準模型。

SensorFM的訓練數據收集自2024年9月至2025年9月，涵蓋全球100多個國家及地區，以及超過20款Fitbit和Pixel Watch裝置。研究團隊從每名參與者抽取數周數據，最終形成超過20億小時、即逾1萬億分鐘的可穿戴感測信號。

模型每分鐘整合34項特徵，數據來源包括光電容積脈搏波（PPG）、加速度計、電皮膚活動（EDA）、皮膚溫度及高度計等五類感測器，可捕捉24小時內的心率、心率變異性、血氧飽和度、睡眠階段、活動量、步數、皮膚電導及體溫變化。

谷歌共推出XXS、XS、S及B四種規模的SensorFM模型。其中，最大版本SensorFM-B相較最小版本，重建損失降低31%，分類任務平均曲線下面積（AUC）提高9%，回歸任務平均皮爾遜相關係數則提升21%，顯示模型規模擴大後，對健康信號的理解及預測能力明顯增強。

在35項判別式健康任務中，SensorFM-B在33項取得最佳表現；若採用較簡單的線性探針進行下游任務測試，亦有34項優於經人工設計特徵的監督式基準模型。測試範圍涵蓋心血管健康、代謝風險、心理健康、睡眠、人口統計及生活方式六大類別。

研究團隊亦建立一套具代理能力的「AI課堂」，讓多個大型語言模型智能體透過協作與競爭，反覆生成、測試及優化推理程式碼。系統共探索超過3萬個候選方案，最終生成的預測頭在20項分類任務中有16項優於線性探針，在15項回歸任務中亦有12項勝出。

谷歌表示，SensorFM證明大規模可穿戴數據可用於建立跨任務、跨裝置及跨地區的健康基礎模型。未來相關技術可望協助研究人員更有效分析長期健康變化，但模型目前仍屬研究用途，並不能直接取代醫療診斷或臨床判斷。（編輯部）