@rohanpaul_ai: 谷歌新论文显示，当AI学会解读信号背后的人时，可穿戴数据变得更加有用。这...

X AI KOLs Following 论文
wearable foundation-model sensor-data physiological-signals google-research scaling ai-health

摘要

谷歌研究人员提出SensorFM，这是一个基础模型，在来自500万人的超过1万亿分钟未标记可穿戴数据上进行训练，学习通用生理模式，并在35项健康预测任务中的34项上优于人工设计的特征。

谷歌新论文显示，当AI学会解读信号背后的人时，可穿戴数据变得更加有用。 这并非另一个心率算法，而是一个通用模型，在来自500万人的超过1万亿分钟传感器数据上进行训练。 作者提出了SensorFM，这是一个基础模型，在来自500万人的超过1万亿分钟未标记可穿戴数据上进行训练，使其能够在看到具体健康任务之前学习人类生理的通用模式。 这种规模将问题从测量孤立事件转变为学习生活生理模式：睡眠、运动、体温、氧气、心律及其日常的杂乱。 可穿戴设备并不因为缺乏数据而弱；它们弱是因为大多数系统在有意义的结构有机会显现之前就将这些数据压缩成粗略的摘要。 SensorFM试图先学习这种结构，然后跨任务重用，这就是为什么相同的表示可以有助于心血管、代谢、心理健康、睡眠、生活方式和人口统计预测。 证据最强的部分是规模：更大的模型在更多数据上训练表现更好，并且学习到的嵌入在35项预测任务中的34项上优于人工设计的特征基线。 ---- 论文链接 – arxiv.org/abs/2511.15352v3 论文标题：“人们很容易接受AI的个人建议，但这并未改善他们的幸福感”
查看原文
查看缓存全文

缓存时间: 2026/05/23 22:13

谷歌的新论文表明，当AI学习信号背后的人时，可穿戴数据会变得更有用。

这并非又一个心率算法，而是一个通用模型，在来自500万人的超过一万亿分钟的传感器数据上训练而成。

作者提出了SensorFM，这是一个基础模型，在来自500万人的超过1万亿分钟未标注的可穿戴数据上训练，从而能在接触具体健康任务之前学习人类生理的一般模式。

这种规模将问题从测量孤立事件转变为学习生活生理的模式：睡眠、运动、体温、血氧、心律，以及它们日常的杂乱状态。

可穿戴设备之所以弱，并非因为数据不足，而是因为大多数系统在有意义的结构有机会显现之前，就将数据压缩成了粗糙的摘要。

SensorFM试图先学习这种结构，然后在不同任务中复用，这就是为什么同一表征能帮助心血管、代谢、心理健康、睡眠、生活方式和人口统计预测。

证据最强有力地呈现为一个扩展故事：在更多数据上训练的更大模型表现更好，且学习到的嵌入在35个预测任务中击败了34个基于工程特征的基线。

论文链接 – arxiv. org/abs/2511.15352v3

论文标题：“People readily follow personal advice from AI but it does not improve their well-being”

相似文章