Google Research acaba de presentar SensorFM, un modelo fundacional de inteligencia artificial entrenado con más de un billón de minutos de datos procedentes de sensores de dispositivos wearables —concretamente de usuarios de Fitbit y Pixel Watch—. El modelo supera los benchmarks existentes en 34 de las 35 tareas de salud y comportamiento evaluadas, lo que lo convierte en un salto cualitativo significativo respecto a los sistemas de análisis de salud que existían hasta ahora. Lo que hace especialmente relevante a SensorFM no es solo su escala de entrenamiento, sino su ambición: convertirse en una capa de inteligencia de salud de propósito general, capaz de procesar y dar sentido a los datos ruidosos y heterogéneos que generan los sensores de los dispositivos que llevamos en la muñeca. El mercado de la salud digital podría estar ante un punto de inflexión real.

Qué es SensorFM y por qué los datos de wearables son tan difíciles de procesar

Para entender la relevancia de SensorFM hay que comprender primero el problema que resuelve. Los sensores de un smartwatch o una pulsera de actividad generan torrentes continuos de datos: frecuencia cardíaca, acelerómetro, temperatura de piel, saturación de oxígeno en sangre, patrones de sueño... Estos datos son intrínsecamente "ruidosos": se ven afectados por el movimiento del usuario, el ajuste del dispositivo, variaciones individuales y miles de factores contextuales. Hasta ahora, los modelos de IA que intentaban extraer conclusiones útiles de estas señales solían entrenarse con conjuntos de datos pequeños y muy específicos para cada tarea, lo que limitaba tanto su precisión como su capacidad de generalización.

SensorFM rompe con ese enfoque. Google Research ha utilizado los datos —anonimizados— de cinco millones de usuarios de Fitbit y Pixel Watch para construir un modelo fundacional: es decir, un modelo preentrenado de gran escala que puede adaptarse a múltiples tareas de salud y comportamiento sin necesidad de ser reentrenado desde cero para cada una. La analogía más clara es la de los grandes modelos de lenguaje (LLMs) como GPT o Gemini, pero aplicados no a texto, sino a señales fisiológicas continuas. La escala del conjunto de datos —más de un billón de minutos— es lo que permite al modelo aprender patrones sutiles que escaparían a cualquier dataset de laboratorio.

Especificaciones técnicas

Los datos disponibles sobre SensorFM hasta el momento apuntan a las siguientes características clave, tal y como las ha descrito Google Research:

  • Datos de entrenamiento: más de un billón de minutos de datos de sensores de wearables
  • Fuentes de datos: usuarios de Fitbit y Pixel Watch (cinco millones de usuarios)