Il tuo smartwatch non conta più solo i passi: sta imparando la lingua del corpo

Un battito leggermente più alto del solito. Il sonno che si spezza per tre notti. La temperatura della pelle che cambia di poco, insieme al modo in cui ti muovi durante il giorno. Presi uno alla volta sono numeri quasi insignificanti. Messi in fila per settimane possono raccontare una storia.

Il problema è che oggi il nostro smartwatch raccoglie moltissimi dati, ma ne comprende ancora pochi. Sa dirci quanti passi abbiamo fatto, quanto abbiamo dormito e qual è stata la frequenza cardiaca media. È utile, ma somiglia più a un contachilometri che a qualcuno capace di capire davvero come stiamo.

Il 9 luglio Google Research ha presentato SensorFM, un modello di intelligenza artificiale costruito per fare un salto diverso: non imparare il linguaggio delle parole, come ChatGPT, ma quello dei segnali del corpo.

Per addestrarlo sono stati usati più di mille miliardi di minuti di dati provenienti da sensori indossabili, raccolti da cinque milioni di persone che avevano acconsentito all'uso dei dati per la ricerca su salute e benessere. È probabilmente la cosa più vicina, finora, a un “modello linguistico” della fisiologia umana.

Un foundation model, ma per battiti, sonno e movimento

I grandi modelli linguistici imparano leggendo quantità enormi di testo. Nessuno dice loro esplicitamente ogni regola della lingua: durante l'addestramento nascondono una parola, provano a ricostruirla e, ripetendo il processo miliardi di volte, imparano strutture, relazioni e regolarità.

SensorFM applica un'idea simile ai dati dei wearable.

Invece di parole e frasi vede finestre di 24 ore composte da 34 indicatori aggregati minuto per minuto. Dentro ci sono segnali ricavati da cinque famiglie di sensori: il fotopletismografo che legge il flusso sanguigno al polso, l'accelerometro, il sensore di attività elettrodermica, la temperatura cutanea e l'altimetro.

Tradotto in dati più familiari: frequenza e variabilità cardiaca, ossigenazione del sangue, fasi del sonno, movimento, passi, temperatura, sudorazione e variazioni di quota.

Durante l'addestramento alcune parti della giornata vengono nascoste e il modello prova a ricostruirle osservando tutto il resto. A forza di farlo impara quali segnali tendono a muoversi insieme, che cosa è normale per persone diverse e quali schemi possono avere un significato più profondo.

Non gli viene insegnato direttamente che un certo andamento corrisponde a un determinato stato di salute. Prima impara la grammatica generale del corpo; soltanto dopo quella conoscenza viene adattata a compiti specifici.

La scala è la parte impressionante

I numeri del progetto sono difficili da visualizzare. I dati sono stati raccolti tra settembre 2024 e settembre 2025, coinvolgono oltre cento Paesi, tutti i cinquanta Stati americani e più di venti modelli di Fitbit e Pixel Watch.

In totale parliamo di oltre due miliardi di ore di segnali.

Se una persona dovesse guardarli uno dopo l'altro, iniziando oggi, finirebbe tra più di duecentomila anni. SensorFM li ha usati per costruire una rappresentazione generale della fisiologia, cercando ciò che si ripete ma anche ciò che rende ogni individuo diverso dagli altri.

Questo secondo aspetto è decisivo. Una frequenza cardiaca a riposo di 60 battiti può essere normale per una persona e insolita per un'altra. Lo stesso vale per il sonno, la temperatura o il livello di attività. Nella salute il valore assoluto conta, ma spesso conta ancora di più la deviazione dalla propria normalità.

Che cosa ha imparato a riconoscere

Google ha valutato SensorFM su 35 compiti legati a sei aree: salute cardiovascolare, rischio metabolico, sonno, salute mentale, stile di vita e caratteristiche demografiche.

I test sono stati eseguiti usando tre studi prospettici indipendenti, per un totale di 13.985 partecipanti. La parte interessante è che i ricercatori hanno tenuto “congelato” il cuore del modello e hanno aggiunto sopra un componente molto semplice per ciascun compito. In questo modo hanno verificato se la rappresentazione appresa durante il grande addestramento contenesse già informazioni utili.

Secondo i risultati pubblicati, questo approccio ha superato i modelli tradizionali costruiti manualmente su 34 compiti su 35. La variante più grande di SensorFM è risultata la migliore in 33 test su 35.

I vantaggi sono emersi anche in ambiti difficili da leggere dai sensori, come ansia e depressione, dove i segnali sono deboli e molto diversi da persona a persona. Questo non significa che un orologio possa diagnosticare una depressione. Significa che, dentro l'insieme di sonno, movimento e altri parametri fisiologici, il modello riesce a trovare regolarità utili meglio delle tecniche con cui è stato confrontato.

La distinzione è importante: riconoscere una correlazione non equivale a formulare una diagnosi.

Ha imparato anche a lavorare con i buchi

Chiunque abbia portato uno smartwatch conosce il problema: lo togli per ricaricarlo, il cinturino si sposta, un sensore perde il contatto oppure la modalità di risparmio energetico interrompe qualche misurazione. I dati reali sono pieni di vuoti.

Molti sistemi gestiscono questi buchi inventando valori intermedi oppure scartando intere porzioni della giornata. Entrambe le soluzioni hanno un costo: la prima può introdurre errori, la seconda butta via informazioni.

SensorFM è stato addestrato considerando l'assenza di dati come una condizione normale. Non pretende una registrazione perfetta e continua; impara direttamente da sequenze incomplete. È un dettaglio meno spettacolare dei mille miliardi di minuti, ma probabilmente è uno degli elementi che rendono il progetto più vicino alla vita reale.

Poi entrano in scena gli agenti AI

Il progetto contiene un secondo esperimento curioso. Una volta costruita la rappresentazione generale dei dati, bisogna creare un piccolo modello specializzato per ogni obiettivo: prevedere un indicatore del sonno, individuare un rischio metabolico o stimare un'altra variabile.

Di solito questo lavoro richiede tecnici che provano architetture, parametri e combinazioni diverse. Google ha affidato parte della ricerca a una sorta di classe di agenti AI: più modelli linguistici scrivono codice, lo eseguono, confrontano i risultati e migliorano le soluzioni in modo iterativo.

La classe ha esplorato oltre 30.000 candidati. I componenti progettati dagli agenti hanno superato la soluzione lineare di base in 16 compiti di classificazione su 20 e in 12 compiti di regressione su 15.

Qui l'AI lavora su due livelli: un modello impara dai segnali del corpo, altri modelli progettano il modo migliore per usare ciò che il primo ha imparato. Non è un'intelligenza che “scopre una cura”, ma è già automazione concreta di una parte del lavoro di ricerca.

Il possibile arrivo di un agente personale per la salute

L'ultimo test è quello che fa intravedere il prodotto futuro. I ricercatori hanno collegato SensorFM a un agente personale per la salute e gli hanno chiesto di generare riepiloghi basati sui dati reali di 31 partecipanti.

Un gruppo di clinici, senza sapere quale versione stesse valutando, ha giudicato le risposte per contesto, rilevanza, motivazione, personalizzazione e rischio potenziale. In totale sono state raccolte 1.860 valutazioni.

Quando l'agente disponeva delle stime di SensorFM, le risposte venivano valutate meglio rispetto a quelle costruite soltanto con i dati giornalieri e demografici. Nel test non è emersa una differenza statisticamente significativa tra l'uso delle previsioni del modello e quello delle misure reali di riferimento.

È un risultato notevole, ma va letto per quello che è: un esperimento su un numero ridotto di profili, non la dimostrazione che un chatbot possa sostituire un medico. SensorFM è una ricerca, il lavoro è disponibile come preprint e non è un dispositivo diagnostico pronto per l'uso clinico.

La parte scomoda: per capire il corpo servono moltissimi dati

La promessa è evidente. Un sistema simile potrebbe accorgersi che qualcosa sta cambiando prima che il singolo numero superi una soglia, personalizzare i consigli sulla base della nostra normalità e rendere i wearable più utili nella prevenzione.

Ma la stessa caratteristica che rende il progetto potente lo rende delicato: sta imparando da dati che descrivono sonno, attività, cuore, stress e abitudini quotidiane. Sono una biografia silenziosa del corpo.

Google specifica che il dataset era de-identificato e proveniva da partecipanti consenzienti. È una base indispensabile, non la fine della discussione. Se questa tecnologia arriverà nei prodotti, servirà capire con grande chiarezza quali dati vengono elaborati, dove restano, per quanto tempo, per quali scopi e chi può usarli.

Nel software aziendale un errore dell'AI può produrre una risposta sbagliata. Nella salute può provocare ansia, falsa sicurezza o decisioni inappropriate. Per questo la qualità del modello è soltanto metà del problema: l'altra metà è il modo in cui viene inserito nella vita delle persone.

Il vero salto non è avere più dati, ma collegarli

Finora gli smartwatch ci hanno restituito soprattutto numeri: 7.842 passi, 62 battiti al minuto, sei ore e quaranta di sonno. SensorFM mostra una direzione diversa. Il valore potrebbe non essere nel singolo dato, ma nelle relazioni tra centinaia di piccoli cambiamenti distribuiti nel tempo.

Il futuro del wearable, allora, non è un quadrante con ancora più indicatori. È un sistema capace di dire: “preso da solo questo valore non significa molto, ma insieme agli altri racconta qualcosa che vale la pena controllare”.

Non siamo ancora a quel punto. Però la distanza tra un contapassi e un modello generale della fisiologia umana si è appena accorciata parecchio.

---

Fonti e approfondimenti

• Google Research, SensorFM: Towards a general intelligence and interface for wearable health data (9 luglio 2026)
• Paper completo: Towards a General Intelligence and Interface for Wearable Health Data