Une montre connectée sait déjà compter les pas, estimer le sommeil ou repérer un rythme cardiaque inhabituel. Mais chaque mesure reste généralement enfermée dans son propre algorithme. Avec SensorFM, présenté le 9 juillet 2026, Google Research propose une autre voie : un modèle de fondation capable d’apprendre une représentation commune de la physiologie à partir des signaux recueillis au poignet.
Le projet impressionne d’abord par son échelle. Google affirme avoir préentraîné SensorFM sur plus d’un billion de minutes de données de capteurs provenant de cinq millions de participants consentants. Le modèle a ensuite été évalué sur 35 tâches couvrant notamment la santé cardiovasculaire, le métabolisme, le sommeil et la santé mentale. Derrière les chiffres, l’enjeu est plus profond : faire passer les objets connectés du tableau de bord sportif à une infrastructure d’interprétation personnalisée de la santé.
Un modèle de fondation, mais pour les signaux du corps
Les grands modèles de langage apprennent les régularités d’immenses corpus de textes avant d’être adaptés à une multitude de tâches. SensorFM applique cette logique à des séries temporelles physiologiques.
Son matériau n’est pas composé de mots, mais de 34 caractéristiques agrégées chaque minute. Elles proviennent de cinq familles de capteurs : photopléthysmographie, accéléromètre, activité électrodermale, température cutanée et altimètre. Ensemble, ces mesures renseignent sur le rythme cardiaque et sa variabilité, l’oxygénation du sang, les mouvements, les pas, les phases de sommeil, la conductance de la peau ou encore les variations de température.
Les données de préentraînement, désidentifiées selon Google, ont été collectées entre septembre 2024 et septembre 2025 auprès d’utilisateurs ayant accepté leur utilisation pour la recherche en santé et bien-être. Elles couvrent plus de 100 pays, les 50 États américains et plus de 20 modèles de Fitbit et de Pixel Watch.
L’objectif n’est pas d’apprendre directement qu’un signal correspond à une maladie. SensorFM est d’abord entraîné sans étiquettes médicales, en masquant une partie des mesures puis en tentant de les reconstruire. En répétant cet exercice à très grande échelle, le système apprend quels motifs ont tendance à aller ensemble et comment ils évoluent au cours d’une journée.
Apprendre aussi des données manquantes
Cette méthode répond à un problème très concret. Les données d’un bracelet ne forment presque jamais une courbe parfaite : l’appareil quitte le poignet, sa batterie s’épuise, certains capteurs se mettent en veille ou le contact avec la peau se dégrade.
Les approches classiques remplissent artificiellement ces trous ou écartent les périodes incomplètes. Dans les deux cas, elles risquent soit d’introduire un biais, soit de jeter une partie importante des observations. SensorFM utilise un mécanisme baptisé Adaptive and Inherited Masking : les absences réelles et les valeurs volontairement cachées pendant l’entraînement sont intégrées au même processus d’apprentissage. Le modèle est donc conçu dès l’origine pour travailler avec des relevés imparfaits.
Des résultats larges, pas encore une preuve clinique
Google a décliné SensorFM en plusieurs tailles, de 100 000 à 100 millions de paramètres, tout en faisant varier le volume de données d’entraînement. Le plus grand modèle, SensorFM-B, obtient les meilleurs résultats sur 33 des 35 tâches évaluées. Avec un simple classifieur linéaire posé sur ses représentations internes, il dépasse aussi une référence supervisée fondée sur des variables conçues manuellement dans 34 tâches sur 35.
Ces évaluations s’appuient sur trois études prospectives indépendantes, approuvées par des comités d’éthique, réunissant 13 985 participants. Les tâches concernent six domaines : cardiovasculaire, métabolique, sommeil, santé mentale, caractéristiques démographiques et habitudes de vie.
Le résultat le plus intéressant n’est pas seulement le score moyen. SensorFM reste performant lorsqu’il dispose de peu d’exemples annotés. C’est important en santé, car associer des signaux de montre à des diagnostics confirmés, des analyses biologiques ou des questionnaires validés coûte beaucoup plus cher que collecter des données brutes.
Le modèle semble également tirer parti de l’échelle pour mieux repérer des signaux faibles liés, dans les jeux de test, à la dépression ou à l’anxiété. Cette observation doit toutefois être lue avec prudence : une corrélation détectée dans des données de capteurs ne transforme pas une montre en psychiatre, et ne démontre ni causalité ni utilité thérapeutique.
Ce que l’évaluation avec des cliniciens dit vraiment
La partie la plus spectaculaire de l’annonce concerne un « agent de santé personnel ». Les chercheurs ont fourni à cet assistant, selon les scénarios, des données quotidiennes seules, les prédictions de SensorFM ou les mesures de référence réelles. Des cliniciens, sans savoir quelle condition ils évaluaient, ont attribué 1 860 notes à des réponses produites à partir de 31 profils réels.
L’ajout des prédictions de SensorFM améliore les notes de contexte, de pertinence, de justification, de personnalisation et de risque potentiel par rapport aux seules données quotidiennes. Les évaluateurs n’ont pas observé de différence statistiquement significative entre les réponses alimentées par les prédictions du modèle et celles alimentées par les mesures de référence.
Cela ne signifie pas que SensorFM « égale un diagnostic » ou remplace une analyse de laboratoire. L’expérience mesure la qualité de réponses textuelles enrichies par un contexte, sur un petit nombre de profils, et non la sécurité d’une décision médicale prise dans la durée. La distinction est essentielle à l’heure où les performances de recherche sont facilement transformées en promesses commerciales excessives.
Pourquoi SensorFM peut changer la santé connectée
Jusqu’ici, chaque fonction d’un objet connecté nécessitait souvent un modèle spécialisé : un pour le sommeil, un autre pour le risque cardiovasculaire, un troisième pour l’activité. Une représentation commune pourrait réduire ce morcellement.
Pour les chercheurs et les concepteurs de services de santé, l’intérêt est double. D’une part, un même socle peut être adapté à une nouvelle tâche avec moins de données annotées. D’autre part, les observations longitudinales deviennent plus faciles à contextualiser : une hausse du rythme cardiaque n’a pas la même signification après un effort, pendant une nuit agitée ou chez une personne dont la valeur habituelle est déjà élevée.
Google ajoute une autre couche d’automatisation. Une « classe » d’agents fondés sur des modèles de langage a exploré plus de 30 000 solutions de code pour construire automatiquement les modules de prédiction placés au-dessus de SensorFM. Ces modules générés ont battu la sonde linéaire simple sur 16 des 20 tâches de classification et 12 des 15 tâches de régression.
Cette combinaison dessine une chaîne presque industrielle : un modèle généraliste apprend la physiologie, des agents cherchent la meilleure manière de l’adapter, puis un assistant transforme les sorties en explications destinées à l’utilisateur. C’est précisément ce qui rend le travail intéressant — et ce qui impose de multiplier les contrôles à chaque étage.
Les données de santé deviennent le véritable avantage concurrentiel
SensorFM compte au maximum 100 millions de paramètres, une taille modeste face aux grands modèles génératifs. Son avantage ne vient donc pas d’une architecture gigantesque, mais de l’accès à un corpus continu que peu d’acteurs peuvent réunir.
Des millions de personnes portent déjà des capteurs pendant des semaines ou des mois. Pour Google, propriétaire de Fitbit et concepteur des Pixel Watch, cette base installée constitue une ressource scientifique et stratégique considérable. Elle peut accélérer la recherche, mais elle creuse aussi l’écart entre les entreprises disposant de vastes flux biométriques et les laboratoires qui n’y ont pas accès.
L’étude et le billet de Google ne s’accompagnent pas, à ce stade, d’une annonce de mise à disposition publique du modèle, de ses poids ou du corpus. Une validation externe complète sera donc difficile tant que des équipes indépendantes ne pourront pas tester SensorFM sur d’autres populations, d’autres marques de capteurs et dans des conditions cliniques réelles.
Consentement, biais et interprétabilité restent au centre
Google précise que les données étaient désidentifiées et provenaient de participants consentants. C’est un socle nécessaire, mais pas la fin du débat. Les séries physiologiques sont particulièrement sensibles : elles décrivent les habitudes, le sommeil, l’activité et parfois des fragilités de santé sur de longues périodes.
Le modèle apprend en outre implicitement des caractéristiques liées à l’âge ou au sexe, puisque l’ajout explicite de variables démographiques lui apporte de moins en moins à mesure qu’il grandit. Cette capacité peut améliorer la personnalisation. Elle peut également reproduire des déséquilibres de population ou produire des écarts de performance difficiles à détecter si les résultats ne sont pas publiés groupe par groupe.
La diversité géographique annoncée ne garantit pas, à elle seule, la représentativité. Posséder un appareil Fitbit ou une Pixel Watch suppose un niveau d’équipement, des habitudes et un accès numérique qui ne reflètent pas toute la population. Les capteurs grand public ont aussi leurs propres limites selon le type de peau, le mouvement, le port du bracelet et le modèle d’appareil.
Enfin, une représentation très performante n’est pas nécessairement interprétable. Dans un produit de bien-être, une recommandation approximative peut être seulement agaçante. Dans une décision de prévention ou de suivi médical, il faut pouvoir expliquer l’origine d’un signal, mesurer les faux positifs et savoir quand le système doit s’effacer devant un professionnel.
De la montre au soin, la validation sera le vrai test
SensorFM montre que les techniques des modèles de fondation peuvent donner un sens plus riche aux données fragmentées des objets connectés. Il suggère surtout qu’un même socle peut servir à de nombreux usages sans recommencer l’apprentissage depuis zéro.
La prochaine étape ne se jouera pourtant pas dans une nouvelle course au volume. Elle dépendra de validations indépendantes, d’évaluations sur des populations moins équipées, d’une gouvernance stricte des données et d’études montrant un bénéfice réel pour les patients. Entre une montre qui décrit mieux notre quotidien et un outil capable d’orienter un soin, il reste un espace réglementaire, clinique et humain considérable.
SensorFM ne ferme pas cet écart. Il le rend simplement plus visible — et beaucoup plus urgent à encadrer.
Références
- Google Research — SensorFM: Towards a general intelligence and interface for wearable health data, 9 juillet 2026
- Narayanswamy et al. — Towards a General Intelligence and Interface for Wearable Health Data, arXiv, 21 mai 2026
