Google ha addestrato un modello su un trilione di minuti

Addestrato su un trilione di minuti di dati da cinque milioni di partecipanti

Il problema, fino ad ora, era semplice da capire e difficile da risolvere: i sensori indossabili raccolgono moltissimo, ma servono algoritmi specifici, addestrati caso per caso, per estrarre informazioni utili da quei dati grezzi. È come avere un’enorme biblioteca scritta in una lingua che solo pochi specialisti sanno decifrare, un compito alla volta. SensorFM nasce come una specie di traduttore universale: un modello fondazionale, cioè addestrato una volta su una mole gigantesca di dati, capace poi di adattarsi a tantissimi compiti diversi senza dover ripartire da zero ogni volta. Ma come ha fatto Google a costruire un sistema che capisce il corpo umano meglio degli algoritmi passati? La risposta sta in numeri che tolgono il fiato.

Un trilione di minuti a lezione di polso

Partiamo dalla scala, perché qui i numeri fanno davvero impressione. SensorFM è stato pre-addestrato su oltre un trilione di minuti di segnali multimodali di sensori, raccolti da cinque milioni di partecipanti che hanno dato il consenso a condividere i propri dati. Per dare un’idea del periodo coperto: si tratta di informazioni raccolte tra settembre 2024 e settembre 2025, quindi un anno intero di vita reale, di sonno reale, di battiti reali, di milioni di persone diverse. Non simulazioni, non dataset di laboratorio: la quotidianità di chi porta un orologio al polso.

Con questa base, i risultati parlano chiaro. Le rappresentazioni interne apprese da SensorFM, testate con dei semplici “probe lineari” (in pratica, piccoli classificatori aggiunti sopra il modello già addestrato), battono le baseline supervisionate costruite con feature ingegnerizzate a mano in 34 compiti su 35. Vuol dire che il modello, senza bisogno di essere riprogettato per ogni singolo obiettivo, capisce meglio di un algoritmo su misura cosa sta succedendo nel corpo di chi indossa il dispositivo — che si tratti di stimare la qualità del sonno, riconoscere pattern di attività fisica o altri indicatori fisiologici.

Google non parte da zero: già con LSM-2, introdotto nell’estate del 2025, l’azienda aveva gettato le basi tecniche con un framework di self-supervised learning chiamato LSM-2, basato su un meccanismo di mascheramento adattivo ed ereditato (Adaptive and Inherited Masking, o AIM). SensorFM porta quell’impostazione a un livello di scala molto più ambizioso. E non è che Google sia sola in questa corsa: anche Apple, nel 2024, aveva pubblicato quello che era stato il primo modello fondazionale di Apple su dati indossabili di un grande competitor, costruito su segnali PPG ed ECG raccolti tramite Apple Watch da circa 141mila partecipanti. Più di recente, nel giugno 2025, Apple ha presentato a ICML un modello ancora più ampio, che arriva a 2,5 miliardi di ore di dati provenienti da 162mila individui e viene valutato su 57 compiti sanitari diversi. È una gara che ha già avuto un antipasto importante con il modello di Apple a ICML 2025, ma il trilione di minuti di SensorFM sposta comunque l’asticella molto più in alto in termini di scala grezza dei dati.

Eppure, ciò che rende SensorFM davvero interessante non è solo la sua scala, ma la promessa che porta con sé: un’assistenza sanitaria proattiva, che anticipa i problemi invece di limitarsi a registrarli dopo che sono già accaduti — una sfida diretta ai limiti della medicina reattiva a cui siamo abituati.

Quando sarà l’orologio a mandarci dal dottore

Ed è qui che le cose iniziano a farsi davvero interessanti. Google ha testato SensorFM integrandolo in un Personal Health Agent, cioè un assistente pensato per rispondere a domande sulla salute basandosi sui dati dei sensori. Il risultato: aggiungere le previsioni di SensorFM ha migliorato in modo significativo la qualità delle risposte rispetto alla baseline, su ogni singola dimensione della rubrica di valutazione clinica usata per giudicarle. Tradotto: non si tratta più solo di contare i passi o mostrare un grafico del sonno, ma di avere un sistema che comprende abbastanza la fisiologia da poter rispondere in modo più accurato a domande reali su come stiamo.

Certo, resta da capire quanto in fretta e con quali garanzie di privacy questi modelli arriveranno davvero nei nostri dispositivi di tutti i giorni — dati così intimi, raccolti minuto per minuto, meritano attenzione quanto entusiasmo. Ma la direzione è tracciata: SensorFM non è l’ennesimo aggiornamento di un’app fitness. È un primo, concreto passo verso un futuro in cui la prevenzione sanitaria diventa davvero personalizzata, e in cui l’assistenza medica non comincia più in sala d’attesa, ma direttamente al nostro polso.