研究解読 · 小互解読
Google Research が SensorFM を発表：1兆分のウェアラブルデータで学習、35の健康タスクのうち33で勝利
500万人・20億時間分のウェアラブルデータで事前学習し、エンコーダーを凍結して線形ヘッドを一つ付けるだけで、34/35の健康タスクで教師あり学習のベースラインを上回った。
1分で要点
- Google Research が SensorFM を発表。1兆分を超えるウェアラブルセンサーデータで事前学習した健康基盤モデルで、対応論文は arXiv:2605.22759。
- 学習データは500万人の同意済みユーザーから収集。100以上の国と米国全50州、20種類以上の Fitbit・Pixel Watch デバイスモデルをカバーし、期間は2024年9月から2025年9月まで。
- 4桁のオーダーにまたがる規模実験で、最大モデル SensorFM-B は35の健康予測タスクのうち33で勝利。エンコーダーを凍結して線形ヘッドを一つ足すだけでも、34/35のタスクで従来の特徴量エンジニアリング＋教師あり学習を上回った。
- コア技術は AIM（適応的継承マスキング）：デバイスが実際に取りこぼしたデータと、学習時に人為的に隠したデータを同列に扱い、モデルに欠損情報を扱う力を生まれつき備えさせる。
- パーソナルヘルスエージェントと組み合わせた臨床医の盲検テストでは、SensorFM の予測から生成した健康サマリーが、実測の医学的測定値から生成したサマリーと比べて、統計的に有意な差がなかった。
⚑
これは Google Research 公式ブログによる自社モデル SensorFM の紹介記事。以下のデータ規模・タスク勝率・盲検テストの結論はすべて Google 公式発表と論文に基づくもので、まだ第三者による独立した再現検証は行われていない。
1背景となる問題
ウェアラブルデバイスが溜め込んだデータ、大半は本当の意味で活用されていない
この10年、腕時計やリストバンドは膨大な心拍数・血中酸素濃度・睡眠・運動データを記録してきた。しかしこれらのデータの大半はデバイスの中で眠ったままか、非常に狭い用途にしか使われていない――今日何歩歩いたか、よく眠れたかを計算するだけだ。これを本当に健康リスクの予測に使おうとすると、従来のやり方は3つの壁にぶつかる。
課題 01
1つのタスクに1つのモデル
糖尿病を予測したければ糖尿病専用モデルを、うつ病を予測したければうつ病専用モデルを個別に学習させる必要がある。モデルごとに独自の注釈付きデータが要り、互いの知識を共有できない。
課題 02
ラベルは高価で入手困難
1つの健康ラベル（例えば「この人は糖尿病と診断された」）の背後には医学検査・検体検査・診断がある。時間もコストもかかる。多くのラベルはそもそも遡って取得できない――3年前に戻って検査を受け直させることはできない。
課題 03
個人差が大きすぎる
同じ心拍数の波形でも、ある人にとっては完全に正常でも、別の人にとってはリスクシグナルかもしれない。画一的なモデルではこの個人差に対応できない。
2登場
Google Research が出した答え：SensorFM
2026年7月9日、Google Research はブログを公開し、SensorFM というウェアラブル健康データの基盤モデルを発表した。対応論文は arXiv（番号 2605.22759）に掲載されている。
統一されたモデルで人体のさまざまな生理シグナルを読み解き、その能力を数十種類の健康予測タスクに転移させる――循環器系から代謝、睡眠からメンタルヘルスまで。前節で挙げた3つの壁は、まさにこのモデルが打ち破ろうとしているものだ。
💡
これは現時点でウェアラブル健康モデルの学習に使われた最大のデータセットだ――1兆分超、500万人。最大モデルは35の健康予測タスクのうち33で勝利。エンコーダーを凍結して線形ヘッドを一つ足すだけでも、34/35のタスクで従来の特徴量エンジニアリング＋教師あり学習を上回った。