可穿戴设备正在催生新的AI for Science前沿。8月26日，谷歌研究院发布GlucoFM，一个专门面向连续血糖监测（CGM）数据的自监督基础模型。与语言模型从海量文本中学习不同，GlucoFM从10.9万小时未标注的血糖传感器数据中自主学习代谢规律，在糖尿病风险评估、胰岛素抵抗、β细胞功能障碍等7项临床预测任务上刷新了性能纪录。这个模型的特别之处在于其双流架构设计，把缓慢的血糖趋势与短期的血糖波动分开建模，模拟了内分泌科医生真实的读图方式，为可穿戴医疗数据的基础模型化提供了新范式。
GlucoFM的架构设计体现了对血糖数据本质的深刻理解。连续血糖监测仪每5分钟采集一次组织间液葡萄糖数据，生成一条长时间、高噪声的曲线，其中既包含以小时到天为单位的缓慢基线漂移，也包含由进餐、运动、传感器伪影引起的短期波动。此前的CGM基础模型，包括CGMformer、GluFormer、CGM-JEPA，都把这些信号放进单一表征流处理，容易混淆长期趋势与急性事件。GlucoFM采用双流编码器，一个状态流专门建模缓慢的血糖趋势，一个事件流捕获短期偏差，两条流分别编码后再融合为联合表征，这种显式的生理学归纳偏置让模型能够更准确地解读血糖数据。
模型的预训练目标同样经过精心设计。GlucoFM不采用直接重建原始血糖读数的做法，因为原始读数受测量噪声与传感器伪影污染，而是采用隐空间预测的两阶段目标。情境预测任务会掩蔽每日血糖序列的部分片段，要求模型从上下文预测其隐表征，从而捕捉更完整的每日血糖模式；时间动态任务则训练模型预测一个人的稳态基线与短期偏差如何从一个小时演变到下一个小时，让模型理解血糖的连续动态过程而非孤立快照。模型还引入了CGM感知的数据增强，模拟基线漂移、压缩式下降、采样稀疏化与短暂断连等真实场景的干扰，提升模型对真实数据的鲁棒性。
在数据处理层面，GlucoFM把每条记录对齐到24小时、5分钟间隔的网格，并保留观测掩码区分测量值与缺失位置，让模型学会处理真实CGM记录中常见的采样间隙。预训练数据来自谷歌Wear-CGM研究及4个公开数据集，共477份参与者会话记录，虽然规模远不及语言模型的万亿级Token，但对结构化程度高的生理信号而言，数百人的数据已足以让模型学习什么是正常的代谢变异。
GlucoFM的评测覆盖了4个多样化队列、7项临床预测任务，共14项队列与任务组合。在全部评估中，GlucoFM的PR-AUC平均比同语料预训练的最强基线GluFormer变体高出5.8个百分点，相对提升约7.5%。具体到各项任务，GlucoFM在所有糖尿病风险评估与β细胞功能障碍评估中排名第一，在4项胰岛素抵抗评估中拿下3项第一。在餐后血糖响应预测场景，模型利用餐前1小时CGM数据加膳食营养信息，平均绝对误差（MAE）降至21.88mg/dL，低于最强基线的22.90和简单均值基线的27.69。
更贴近实际应用的是少样本迁移表现。在跨数据集迁移评估中，GlucoFM在12项评估中赢下11项，领先幅度从0.5到8.6个百分点不等。即便每个类别只有1个标注参与者，或者仅使用1%的标注观测数据，GlucoFM依然保持对基线的领先。这对临床研究的意义重大，临床标注的成本通常比数据采集高一个数量级，一个能从极少标注中学习的基础模型，可以显著降低代谢疾病研究的门槛，让更多科研团队在数据有限的情况下启动研究。
值得注意的是，GlucoFM在Dexcom和Libre两种主流CGM设备的数据上都完成了验证，说明模型不依赖特定硬件平台的采样特征，具备跨设备的通用性。这种硬件无关性对于基础模型的规模化应用至关重要，随着免处方CGM设备推向大众市场，佩戴者数量与可用的未标注数据规模将持续增长，GlucoFM的预训练数据池也会随之扩大，模型的潜力将进一步释放。
GlucoFM的出现，恰逢CGM设备从糖尿病管理工具向大众健康消费品扩张的转折点。Dexcom、Abbott等厂商的传感器如今已面向运动员、健康关注人群与科研队列销售，血糖数据不再只是糖尿病患者的专属。CGM数据的丰富让血糖监测从医疗场景走向日常健康管理，但海量数据只有转化为临床可用的预测信号才有价值，GlucoFM正是填补这一空白的工具。一个轻量级、迁移能力强的血糖基础模型，可以服务于糖尿病风险筛查、个性化营养建议、运动处方优化等多元场景。
从AI for Science的角度看，GlucoFM验证了一条可复制的路径：针对特定生理信号设计专用基础模型，用自监督学习挖掘无标注数据的价值，再用少样本能力降低下游应用的标注成本。这种模式不只适用于血糖，心率、血氧、脑电、睡眠等各类可穿戴传感器数据都可以借鉴同样的方法论。谷歌研究院在论文中也坦言当前模型的局限，预训练人群规模相对较小，模型目前只能处理独立的24小时窗口，还无法建模周级、月级的长期趋势，团队计划扩展到更大更多样的人群、支持原生多天建模与实时自适应。
对科研与产业界而言，GlucoFM的意义在于它为可穿戴生物医学数据的基础模型化提供了可复用的范本。当越来越多的生理信号被基础模型理解，医疗AI将从依赖昂贵临床标注的专家系统，走向由自监督学习驱动的规模智能。这或许是血糖监测之外，这个模型带给AI for Science最宝贵的启示。