type: concept tags: [wearable, foundation-model, large-sensor-model, multimodal, 穿戴设备, 端侧AI] related: [[codas-wearable-biomarker]], [[chain-of-modality]], [[edge-optimization]] sources: - url: https://arxiv.org/abs/2604.10172 title: "Wearable AI in the Era of Large Sensor Models" date: 2026-04-11 reliability: high created: 2026-04-17 updated: 2026-04-17

穿戴式 AI 与大传感器模型 (LSM)¶

大传感器模型（Large Sensor Models）作为穿戴设备上理解人类生理与行为的下一代范式

核心问题¶

当前穿戴式 AI 系统面临严重的碎片化问题：每种传感器模态（心率、加速度计、陀螺仪、EEG、EMG 等）都需要独立的模型和训练流程。这种"孤岛式"方法导致： - 不同穿戴设备之间的模型无法迁移 - 新任务需要从零开始收集数据和训练 - 多模态融合缺乏统一范式

现有的传感器模型在特定任务上表现良好，但缺乏跨模态、跨任务的泛化能力。随着穿戴设备生成的数据量指数级增长，迫切需要一种统一的、可扩展的基础模型范式。

方法/架构¶

大传感器模型（Large Sensor Models, LSM） 的核心思路借鉴多模态基础模型的成功经验：

大规模多模态穿戴数据：聚合来自智能手表、智能戒指、智能贴片等多种穿戴设备的传感器数据，覆盖心率、运动、睡眠、压力等多维度生理信号
统一表示学习：训练基础模型学习跨模态的可迁移表示，而非针对单一任务优化
训练策略创新：
自监督预训练：利用传感器信号的时间连续性和多模态一致性作为监督信号
对比学习：从不同穿戴设备的同一用户数据中学习用户级特征
提示工程：用自然语言指令引导模型关注特定生理维度
泛化能力：在未见过的穿戴设备和任务上实现零样本或少样本迁移

实验结果/关键数据¶

论文作为综述性工作，系统梳理了穿戴 AI 领域的现有方法和数据集，但未提供端到端基准测试。关键观察包括：

当前穿戴 AI 数据集规模远小于 NLP/CV 领域，制约了基础模型训练
多模态穿戴数据的标注成本极高，自监督学习是唯一可行路径
现有穿戴传感器模型在跨设备迁移上的性能下降可达 30-50%

关键洞察¶

LSM 的关键创新在于范式转换：从"每个穿戴任务一个模型"转向"一个模型理解所有穿戴数据"。这与 NLP 中从 task-specific 模型到 LLM 的转变完全同构。

对端侧部署的影响： - 模型压缩需求激增：LSM 作为基础模型必然参数量巨大，需要端侧量化和蒸馏 - 边缘-云协同：LSM 可能采用端侧轻量推理 + 云端深度分析的分层架构 - 隐私挑战：穿戴数据高度敏感，LSM 需要联邦学习或差分隐私训练

为什么重要¶

穿戴设备是手机端 AIOS 的自然延伸。大传感器模型范式意味着： 1. 未来的智能手表/戒指可能内置小型 LSM，实现真正的端侧健康 AI 2. 穿戴 AI 与手机 AI 的协同将形成更完整的用户画像 3. LSM 的模型压缩和端侧部署技术可直接迁移至手机端场景

关联¶

[[codas-wearable-biomarker]] — CoDaS 是 LSM 在健康领域的具体应用案例
[[chain-of-modality]] — LSM 的核心挑战是端侧多模态融合
[[edge-optimization]] — LSM 端侧部署需要模型压缩和推理优化
[[agent-persistent-identity]] — 穿戴 AI Agent 需要持久化的用户健康画像