Google SensorFM: Zegarki nauczą się czytać w naszych myślach i ciele
Dzisiejsze smartwatche to potężne laboratoria na nadgarstkach, jednak ich oprogramowanie często przypomina zbiór odseparowanych od siebie narzędzi. Jeden algorytm zajmuje się wyłącznie tętnem, inny szacuje jakość snu, a jeszcze inny próbuje wykryć stres. Google Research postanowiło zmienić tę paradygmatyczną rozbieżność, prezentując SensorFM – model fundacyjny, który zamiast skupiać się na pojedynczych zadaniach, uczy się ogólnej reprezentacji ludzkiej fizjologii i zachowań.
Dlaczego to ważne właśnie teraz? 9 lipca 2026 roku Google oficjalnie odsłoniło karty, pokazując system, który może na zawsze zmienić rolę elektroniki noszonej w diagnostyce. Dzięki treningowi na rekordowej bazie ponad biliona minut danych, system ten osiągnął pułap, w którym jego predykcje zdrowotne są statystycznie nie do odróżnienia od rzeczywistych badań klinicznych. To moment, w którym gadżet na ręku przestaje być tylko krokomierzem, a staje się wiarygodnym partnerem dla lekarza.
Bilion minut z nadgarstków całego świata
Fundamentem sukcesu SensorFM jest niespotykana skala. Inżynierowie Google wykorzystali anonimowe dane pochodzące od 5 milionów użytkowników urządzeń Fitbit i Pixel Watch z ponad 100 krajów. To prawdopodobnie najbardziej zróżnicowany zbiór danych biomedycznych w historii AI, obejmujący okres od września 2024 do września 2025 roku. Dzięki technice Adaptive and Inherited Masking (AIM), model uczy się rozumieć sygnały organizmu nawet wtedy, gdy dane są niepełne lub zaszumione, co jest codziennością w przypadku wearables narażonych na ruchy ramienia czy pot.
Jak zauważa portal RunTimeWire, SensorFM to „najbardziej wyrazista dotąd próba Google, by przekuć zasięg sprzętowy w fundament pod ogólną inteligencję medyczną”. Model nie patrzy tylko na tętno; analizuje on zestaw 34 parametrów z pięciu różnych czujników, w tym fotopletyzmografu (PPG), akcelerometru, a nawet temperatury i aktywności elektrodermalnej (EDA).
Precyzja lepsza niż u specjalistów
Wyniki badań budzą respekt. SensorFM testowano w 35 różnych scenariuszach – od kondycji serca po zdrowie psychiczne. W 34 z 35 testów nowy model pokonał wyspecjalizowane algorytmy, które od lat projektowano pod konkretne schorzenia. System notuje 31-procentową redukcję błędów w rekonstrukcji danych i średnio 9-procentowy skok wydajności w klasyfikacji ogólnego stanu zdrowia. SensorFM potrafi wyciągać wnioski nawet przy małej ilości danych etykietowanych, co daje nadzieję na szybsze wykrywanie symptomów depresji czy lęku.
Aby wydobyć z modelu maksimum możliwości, naukowcy stworzyli swoiste „środowisko klasowe”, w którym rywalizujące ze sobą agenci oparte na dużych modelach językowych (LLM) automatycznie optymalizowały kod dla specyficznych zadań. Przeprowadzono ponad 30 tysięcy takich eksperymentów, by wycisnąć z SensorFM każdą drobinkę precyzji.
Asystent, który nie myli się z lekarzem
Choć SensorFM pozostaje obecnie projektem badawczym, Google sprawdziło już jego potencjał w roli silnika dla osobistych asystentów zdrowia. W ślepym teście klinicyści oceniali podsumowania generowane przez Gemini wzbogacone o dane z nowego modelu. Zjawisko jest fascynujące: raporty AI były tak precyzyjne, że lekarze nie widzieli statystycznie istotnej różnicy między predykcjami a faktycznymi danymi medycznymi pacjenta. Według serwisu MedPath News, to odkrycie „podważa dekadę założeń, że sensowna analiza danych z nadgarstka wymaga mozolnego etykietowania zbiorów pod konkretne jednostki chorobowe”.
Wyzwania na drodze do komercjalizacji
Mimo sukcesów, SensorFM to wciąż technologia w fazie wczesnego rozwoju. Model bazuje na uśrednionych danych minutowych, co grozi utratą bardzo krótkich, gwałtownych sygnałów biologicznych. Pozostaje też pytanie o otwartość – na razie system trenowano wyłącznie na sprzęcie Google i Fitbit. Czy SensorFM równie dobrze zinterpretuje szumy z tańszej opaski innej marki? Tego nie wiemy. Kierunek jest jednak jasny: AI ma przestać tylko liczyć kalorie, a zacząć faktycznie rozumieć biologię człowieka w sposób ciągły i holistyczny.
