SensorFM: a IA que lê 1 trilhão de minutos de wearable

Um trilhão de minutos. É esse o volume de dados de sensores que o Google usou para treinar um único modelo de inteligência artificial voltado à saúde. Em 9 de julho, pesquisadores do Google Research publicaram o SensorFM, um modelo pré-treinado com dados de wearables de 5 milhões de pessoas, coletados entre setembro de 2024 e setembro de 2025. O SensorFM é um modelo de fundação (foundation model) que aprende uma representação geral da fisiologia humana a partir de sinais brutos de sensores, sem depender de diagnósticos, exames de laboratório ou questionários validados para cada tarefa. Se você pesquisa saúde digital, aprendizado de máquina aplicado ou está pensando em usar dados de wearable no seu projeto, esse caso muda a régua do que é possível fazer com dado não rotulado.

O que aconteceu

O problema que o Google descreve no artigo é conhecido de quem trabalha com dados de saúde: relógios inteligentes e pulseiras já registram frequência cardíaca, movimento, temperatura da pele, oxigenação do sangue e sono continuamente, mas transformar esse fluxo bruto em algo clinicamente útil é difícil. Cada modelo tradicional precisa ser treinado especificamente para um desfecho, como detectar apneia do sono ou prever risco cardiovascular, e depende de rótulos (diagnósticos confirmados, exames, questionários validados) que são caros e lentos de coletar, e impossíveis de obter retroativamente.

O SensorFM tenta resolver isso treinando um único modelo em dados não rotulados, na escala de população. O conjunto de treinamento reúne mais de 100 países, os 50 estados dos EUA e mais de 20 modelos de dispositivo Fitbit e Pixel Watch, somando mais de dois bilhões de horas de sinal por minuto. O modelo ingere 34 características extraídas de cinco tipos de sensor: fotopletismografia, acelerometria, atividade eletrodérmica, temperatura da pele e altimetria.

O ponto tecnicamente mais interessante é como o modelo trata os dados que faltam. Um wearable tem lacunas o tempo todo: o sensor desliga para economizar bateria, o relógio sai do pulso, o dispositivo alterna modos de operação. A abordagem tradicional descarta esses trechos incompletos ou preenche artificialmente, o que introduz viés. O SensorFM usa uma técnica chamada AIM (Adaptive and Inherited Masking), que trata a lacuna real da mesma forma que uma lacuna artificial criada para o treinamento, aprendendo diretamente com o dado fragmentado em vez de descartá-lo.

Por que isso importa pra quem pesquisa saúde e dados

Se você trabalha com aprendizado de máquina aplicado à saúde, ou com qualquer domínio em que o rótulo é escasso e caro, o SensorFM oferece um caso de teste concreto sobre escala e transferência de representação.

1. Se você pesquisa modelos de fundação em domínios com poucos dados rotulados: o artigo relata que aumentar dados e capacidade do modelo em conjunto produziu ganho quase linear de desempenho, sem sinal de saturação, em experimentos que variaram quatro ordens de magnitude tanto no volume de dado quanto no tamanho do modelo. Isso é evidência a favor de investir em pré-treinamento não supervisionado antes de tentar resolver a tarefa específica.

2. Se você usa dados de wearable ou sensor em sua pesquisa: vale conferir como o AIM trata dados ausentes, um problema que a matéria descreve como recorrente em wearables, causado por fatores como o sensor desligar para economizar bateria ou o relógio saído do pulso.

3. Se você avalia modelos de IA aplicados à saúde: o teste mais rigoroso do artigo não foi de acurácia bruta, foi um painel de médicos avaliando, sem saber qual condição estavam julgando, resumos de saúde gerados a partir das previsões do modelo. Segundo o artigo, não houve diferença estatisticamente significativa entre usar as previsões do SensorFM e usar as medições reais como base para o resumo, em 1.860 avaliações feitas por clínicos sobre 31 perfis de participantes.

O ponto que essa pesquisa não resolve

Quando li o artigo, o dado que mais me chamou atenção não foi o volume de um trilhão de minutos, foi a decisão metodológica de usar agentes de linguagem para desenhar automaticamente as cabeças de predição em cima do modelo congelado. Os pesquisadores descrevem um sistema de múltiplos agentes de LLM que geram, testam e refinam código, explorando mais de 30 mil soluções candidatas, e que superou uma sonda linear simples em 16 de 20 tarefas de classificação.

Isso levanta uma questão que a divulgação institucional não resolve: o artigo é um post de blog de pesquisa do Google, publicado pela própria empresa que criou o modelo, sem revisão por pares externa até este momento. Os números de desempenho, o painel de médicos e a comparação de escala vêm todos da mesma fonte que tem interesse em mostrar o produto funcionando. Não significa que os resultados sejam falsos, mas significa que vale ler com a mesma régua crítica que se aplica a qualquer resultado institucional: e, na minha leitura, vale esperar a revisão independente antes de tratar as métricas como validadas externamente.

Isso não invalida o valor metodológico da pesquisa. Um Método V.O.E. (Velocidade, Organização, Execução Inteligente) de leitura crítica de artigo técnico começa exatamente aqui: separar o que foi medido do que foi anunciado, e checar quem mediu antes de decidir o quanto confiar no número.

Próximos passos

Se esse tipo de arquitetura de modelo de fundação interessa à sua pesquisa, alguns caminhos concretos:

1. Leia o artigo original completo (referenciado abaixo) prestando atenção à seção de experimentos de escala, é ali que está o dado mais replicável fora do contexto proprietário do Google.
2. Se você trabalha com dado de sensor ou série temporal fragmentada, avalie se a lógica do AIM (tratar lacuna real e lacuna artificial de forma equivalente) se aplica ao seu problema.
3. Ao citar esse tipo de resultado em pré-projeto ou revisão de literatura, marque explicitamente que se trata de divulgação institucional sem peer review até a data de publicação deste post, isso ajuda a deixar sua citação mais defensável.
4. Acompanhe se o artigo completo (fora do formato de blog) será submetido a periódico revisado por pares, o que mudaria o peso que a comunidade científica dará ao resultado.

Se você quer entender melhor como a IA está entrando em outras frentes de pesquisa aplicada, veja também Gemini Nano acelera 50% no Pixel. O que isso ensina sobre IA.

Fonte: Towards a General Intelligence and Interface for Wearable Health Data, Google Research