Google Research เปิด GlucoFM — foundation model ที่มีพารามิเตอร์เทรนได้แค่ 0.72 ล้าน แต่ชนะโมเดลเฉพาะทางด้านน้ำตาลในเลือดทุกตัวในตาราง

ท่ามกลางข่าวโมเดลที่วัดกันด้วยหลักแสนล้านพารามิเตอร์ เมื่อวันที่ 26 สิงหาคม 2026 Google Research เผยแพร่บทความแนะนำ GlucoFM — foundation model สำหรับข้อมูลจากเครื่องวัดน้ำตาลในเลือดแบบต่อเนื่อง (continuous glucose monitoring หรือ CGM) ที่มี พารามิเตอร์เทรนได้ 0.72 ล้านตัว และรวมทั้งหมดตอนพรีเทรนเพียง 1.18 ล้านตัว (ส่วนต่างมาจาก EMA target branch ซึ่งถูกทิ้งไปหลังเทรนเสร็จ เหลือไว้แค่ encoder ที่แช่แข็งแล้ว)

เล็กกว่าโมเดลภาษาที่เล็กที่สุดที่เราเคยเขียนถึงเป็นพันเท่า แต่งานนี้ไม่ได้เล็กในเชิงผลลัพธ์ — เปเปอร์ (arXiv:2605.30865 ส่งครั้งแรก 29 พ.ค. 2026 ปรับปรุงเวอร์ชัน 2 เมื่อ 25 ส.ค. 2026) มาจาก Google Research ร่วมกับ University of New South Wales ซิดนีย์

แนวคิดหลัก: หยุดยัดทุกอย่างลงในสายเดียว

ข้อวิจารณ์ที่ทีมตั้งไว้กับงานก่อนหน้าคือ โมเดล time-series ทั่วไปและโมเดลเฉพาะทาง CGM ที่มีอยู่ มัก เข้ารหัสกราฟน้ำตาลเป็นลำดับสายเดียวที่พันกัน ทำให้โครงสร้างเชิงเวลาหลายสเกลถูกจำลองแบบโดยนัยเท่านั้น ทั้งที่ในความเป็นจริงสัญญาณน้ำตาลมีสองจังหวะซ้อนกันอยู่ชัดเจน

GlucoFM จึงทำสามอย่าง:

1. จัดข้อมูลที่บันทึกไม่สม่ำเสมอให้ลงตารางเวลา 24 ชั่วโมง และเก็บ observation mask ไว้ (คือจำได้ว่าช่วงไหนไม่มีข้อมูลจริง ไม่ใช่เติมค่าแล้วลืม)
2. แยกไดนามิกออกเป็นสองสาย — สาย state สำหรับแนวโน้มน้ำตาลที่เปลี่ยนช้า และสาย event สำหรับความเบี่ยงเบนระยะสั้นจากมื้ออาหาร กิจกรรม หรือสัญญาณรบกวนของเซนเซอร์
3. พรีเทรนแบบ JEPA ด้วยการทำนาย latent เชิงบริบทที่ถูกปิดบัง บนตัวแทนรายวันที่หลอมรวมแล้ว บวกกับการทำนายพลวัตเชิงเวลาบนทั้งสองสาย

ทีมยังตรวจสอบด้วย frozen probe ก่อนชั้น fusion เพื่อยืนยันว่าสองสายเรียนรู้คนละอย่างจริง — พบว่า state token เก็บระดับน้ำตาลรายชั่วโมงได้ดีกว่า ขณะที่ event token เก็บการเปลี่ยนแปลงระยะสั้นได้ดีกว่า ซึ่งเป็นการพิสูจน์ว่าการแยกสายไม่ได้เป็นแค่การตกแต่งสถาปัตยกรรม

ข้อมูลพรีเทรนคือ CGM ไร้ป้ายกำกับ 109,066 ชั่วโมง จากอาสาสมัคร 477 คน

ตัวเลข

ประเมินบน 4 กลุ่มประชากร (cohort) และ 7 งานจำแนกฟีโนไทป์ ด้วย linear probing แบบแยกคนระหว่างชุดเทรนกับชุดทดสอบ:

• PR-AUC เฉลี่ยดีขึ้น 4.1 จุด เหนือ foundation model เฉพาะทาง CGM ที่ดีที่สุด — ค่าเฉลี่ยรายงานที่ 58.8% เทียบกับ 54.7% ของตัวเทียบที่ดีที่สุด
• การถ่ายโอนข้ามชุดข้อมูล นำใน 11 จาก 12 การประเมิน ด้วยส่วนต่าง 0.5–8.6 จุด PR-AUC
• ชนะทุกงานที่เป็น ความเสี่ยงเบาหวาน และ ความผิดปกติของเบตาเซลล์ และชนะ 3 จาก 4 งานด้าน ภาวะดื้ออินซูลิน
• ในงานทำนาย การตอบสนองของน้ำตาลหลังมื้ออาหารสองชั่วโมง เมื่อป้อนบริบทครบ (ค่า CGM ล่าสุด โภชนาการของมื้อ และข้อมูลผู้ใช้) ทำ MAE ต่ำสุดที่ 21.88 mg/dL เทียบกับ 22.90 mg/dL ของตัวเทียบที่ดีที่สุด
• ยังทำงานได้ในโหมด few-shot แม้จะมีตัวอย่างที่ติดป้ายกำกับเพียงหนึ่งตัวอย่างต่อคลาส

จุดที่ควรระวังในการอ่าน: บล็อกของ Google รายงานส่วนต่างที่ 5.8 จุด เมื่อเทียบกับตัวแปร GluFormer ที่ดีที่สุด ขณะที่บทคัดย่อของเปเปอร์ระบุ 4.1 จุด เมื่อเทียบกับ foundation model เฉพาะทาง CGM ที่ดีที่สุด — สองตัวเลขนี้คนละฐานเปรียบเทียบกัน ไม่ได้ขัดกัน แต่ถ้าหยิบไปอ้างต้องระบุให้ตรงว่าเทียบกับอะไร

สิ่งที่ยังไม่มี

ทั้งบล็อกและเปเปอร์ไม่ได้ระบุว่ามีการปล่อยน้ำหนักโมเดลหรือโค้ด — นี่คือข้อจำกัดที่ต้องพูดให้ชัด เพราะเสน่ห์ทั้งหมดของโมเดลขนาด 0.72 ล้านพารามิเตอร์คือมันเล็กพอจะรันบนนาฬิกาหรือโทรศัพท์ได้สบาย แต่ถ้าไม่มีน้ำหนักให้โหลด ความเล็กนั้นก็เป็นแค่ตัวเลขในตาราง

และฐานข้อมูลพรีเทรน 477 คน ถือว่า เล็กมาก ในมาตรฐานงาน foundation model — ทีมชดเชยด้วยการวัดการถ่ายโอนข้ามชุดข้อมูล ซึ่งเป็นวิธีที่ถูกต้อง แต่ยังไม่ตอบคำถามว่าโมเดลจะทำงานได้แค่ไหนกับประชากรที่ไม่ได้อยู่ในชุดใดชุดหนึ่งเลย

มุมมอง AI Curator

สิ่งที่ผมคิดว่าน่าสนใจที่สุดในงานนี้ ไม่ใช่ตัวเลข PR-AUC แต่คือมันเป็น หลักฐานตรงข้าม กับเรื่องเล่าที่ครอบวงการอยู่ตอนนี้ — คำว่า “foundation model” ถูกใช้จนเกือบเป็นคำพ้องกับ “โมเดลยักษ์” ทั้งที่นิยามจริง ๆ ของมันคือ โมเดลที่เรียนรู้ตัวแทนที่นำกลับมาใช้ซ้ำได้จากข้อมูลไร้ป้ายกำกับ ซึ่งไม่ได้ผูกกับขนาดเลย GlucoFM ทำครบทุกอย่างที่นิยามนั้นเรียกร้อง — พรีเทรน self-supervised, encoder แช่แข็ง, ถ่ายโอนข้ามงานและข้ามชุดข้อมูล, few-shot — ด้วยพารามิเตอร์ที่น้อยกว่าน้ำหนักของ embedding layer เดียวในโมเดลภาษาขนาดเล็กที่สุด บทเรียนคือ การเลือกโครงสร้างที่ตรงกับฟิสิกส์ของข้อมูล (แยกเทรนด์กับอีเวนต์) ให้ผลตอบแทนสูงกว่าการเพิ่มพารามิเตอร์ เมื่อโดเมนแคบพอ — ซึ่งเป็นบทเรียนที่ใช้ได้กับข้อมูลเซนเซอร์แทบทุกชนิด ไม่ใช่แค่น้ำตาลในเลือด

สำหรับไทย โจทย์นี้ตรงกับปัญหาสาธารณสุขที่เรารู้กันดีอยู่แล้ว — เบาหวานและกลุ่มอาการเมตาบอลิกเป็นภาระใหญ่ของระบบสุขภาพไทย และเครื่อง CGM ก็เริ่มเข้าถึงได้จริงในกลุ่มผู้ป่วยที่มีกำลังซื้อ สิ่งที่งานแบบนี้เปิดทางไว้คือความเป็นไปได้ที่ ข้อมูลจากเซนเซอร์ที่ผู้ป่วยใส่อยู่แล้ว จะถูกใช้คัดกรองความเสี่ยงได้โดยไม่ต้องเจาะเลือดเพิ่ม และเพราะโมเดลเล็กมาก มันสามารถทำงานอยู่ในเครื่องผู้ใช้โดยไม่ต้องส่งข้อมูลสุขภาพขึ้นคลาวด์ ซึ่งเป็นคุณสมบัติที่มีค่ามากภายใต้ PDPA

แต่ผมอยากเตือนสองข้อสำหรับใครที่คิดจะหยิบไปทำต่อ: หนึ่ง ไม่มีน้ำหนักให้ใช้ ตอนนี้มันคืองานวิจัย ไม่ใช่เครื่องมือ และสอง — ที่สำคัญกว่า — ชุดข้อมูลพรีเทรน 477 คนแทบแน่นอนว่าไม่ได้มีคนเอเชียตะวันออกเฉียงใต้อยู่ในสัดส่วนที่มีนัยสำคัญ ขณะที่ รูปแบบการตอบสนองของน้ำตาลผูกกับอาหารอย่างแนบแน่น และมื้ออาหารไทย (ข้าวขาว น้ำตาลในเครื่องปรุง ผลไม้รสหวานจัด) ให้เส้นโค้งหลังมื้อที่ต่างจากอาหารตะวันตกอย่างมีนัยสำคัญ ถ้าจะเอาแนวทางนี้มาใช้กับคนไทยจริง สิ่งที่ต้องทำไม่ใช่การ fine-tune ทับ แต่คือการเก็บชุดข้อมูล CGM ของคนไทยเองให้มีขนาดพอ — และนั่นคืองานที่ต่างประเทศทำแทนเราไม่ได้

แหล่งข่าว

• GlucoFM: Foundation model for continuous glucose monitoring — Google Research Blog (26 ส.ค. 2026)
• GlucoFM: A Dual-Stream Foundation Model for Continuous Glucose Monitoring — arXiv:2605.30865