Технический контекст
Я полез в детали SensorFM не из любопытства ради. Такие штуки быстро доезжают до реальных продуктов, а потом ко мне приходят с вопросом, как сделать AI automation поверх wearable-данных без зоопарка костылей.
У Google тут не очередной маленький ресерч для галочки. Они собрали фундаментальную модель для health-tech, предобученную на более чем 1 триллионе минут данных от 5 миллионов пользователей Fitbit и Pixel Watch из 100+ стран.
На вход модель получает не сырые сигналы в лоб, а 34 агрегированных минутных признака из пяти модальностей: PPG, акселерометр, EDA, температура кожи и высота. Контекстное окно 24 часа, архитектура на ViT-1D, сверху masked autoencoder и их схема AIM, чтобы модель умела не только классифицировать, но и нормально переживать пропуски, восстанавливать и прогнозировать.
Вот где я реально остановился. SensorFM переносится на 35 задач, от кардиометаболических рисков и сна до mental health и lifestyle, и бьет supervised-бейзлайны в 34 из 35 сценариев. Для такой разнородной wearable-среды это очень сильный сигнал.
Публичного API или открытых весов пока нет. То есть сегодня это не "взял и прикрутил", а скорее ориентир для AI solution development: рынок двигается к слою моделей, которые понимают поведение тела по потоку сенсоров, а не просто рисуют график пульса.
И на фоне этого особенно показателен всплеск DIY-аналитики. Люди уже тянут данные из Fitbit, собирают локальные дашборды, подключают Claude и получают свои health summary почти кустарно. Модель Google пока закрыта, но пользовательский паттерн уже возник.
Влияние на бизнес и автоматизацию
Для health-tech-команд это означает три вещи. Первая: ценность смещается с железки на интерпретацию, то есть выигрывают те, кто умеет строить AI architecture вокруг данных, а не просто собирать метрики.
Вторая: ручные правила вида "если HRV упал, отправь совет" будут проигрывать моделям, которые видят контекст сна, активности и температуры вместе. Это уже другой уровень AI implementation, и он заметно полезнее для скрининга и risk stratification.
Третья: проиграют продукты, у которых данные закрыты или неудобны для интеграции. Если API не дает нужной гранулярности, команды начнут городить экспортеры, реверсить протоколы и терять месяцы на plumbing вместо пользы.
Я это вижу по клиентским задачам постоянно: проблема не в том, чтобы нарисовать дашборд, а в том, чтобы собрать надежный пайплайн, нормализовать сенсоры и выдать вывод, которому можно доверять. В Nahornyi AI Lab мы как раз такие истории и собираем в рабочие AI solutions for business, когда нужно превратить поток wearable-данных в понятную автоматизацию, а не в еще одну красивую, но бесполезную панель.