研究解説・シャオフー解説

Google Research が SensorFM を発表——1兆分のウェアラブルデータで学習、35 件の健康タスクのうち 33 件で勝利

500万人、20億時間分のウェアラブルデータで事前学習。エンコーダーを凍結して線形ヘッドを1つ繋ぐだけで、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分でわかる要点
  • 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。
  • 学習データは同意済みユーザー500万人分。100か国以上と米国全50州をカバーし、Fitbit と Pixel Watch の20種類以上の機種、期間は2024年9月から2025年9月まで。
  • 4桁にわたるスケール実験において、最大モデル SensorFM-B は35件の健康予測タスクのうち33件で勝利。エンコーダーを凍結して線形ヘッドを1つ加えるだけでも、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。
  • 核心技術は AIM（Adaptive Inheritance Masking、適応的継承マスキング）——デバイスが実際に欠損させたデータと、学習時に人為的に隠したデータを同じものとして扱い、モデルが生まれつき欠損情報を扱えるようにする。
  • パーソナルヘルスエージェントと組み合わせた臨床医による盲検評価では、SensorFM の予測から生成した健康サマリーは、実際の医学的測定値から生成したサマリーと比べて、評価点に統計的な有意差がなかった。
⚑ 本稿は Google Research 公式ブログによる自社モデル SensorFM の紹介である。以下のデータ規模、タスク勝率、盲検評価の結論はいずれも Google 公式の発表とその論文に基づくもので、第三者による独立した再現検証はまだ行われていない。
1背景にある課題

ウェアラブル端末が溜め込んだデータ、実はほとんど活用されていない

この10年、時計やリストバンドは膨大な心拍数・血中酸素濃度・睡眠・運動のデータを記録してきた。しかしそのほとんどは端末の中で眠ったままか、「今日何歩歩いたか」「よく眠れたか」といったごく限られた用途にしか使われていない。これら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、それぞれ個別に学習させる必要がある。モデルごとに独自のラベル付きデータが要り、知識を互いに共有できない。

課題 02

ラベルは高くて手に入りにくい

「この人は糖尿病と確定診断された」といった1つの健康ラベルの裏には、医学検査・検体分析・診断があり、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年前に戻って改めて健康診断を受けさせることはできないからだ。

課題 03

個人差が大きすぎる

同じ心拍数の波形でも、ある人にとってはまったく正常でも、別の人にとってはリスクの兆候かもしれない。画一的なモデルでは、この個人差を受け止めきれない。

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紹介した。対応論文は arXiv（番号 2605.22759）に掲載されている。

これは1つの統一モデルで人体のさまざまな生理信号を読み取り、その能力を心血管系から代謝、睡眠から心理的健康まで、数十種類の健康予測タスクへ移転させようという試みだ。前節で挙げた3つの壁こそ、これが崩そうとしているものである。
💡
これはこれまでウェアラブル健康モデルの学習に使われた中で最大のデータセットだ——1兆分超、500万人分。最大モデルは35件の健康予測タスクのうち33件で勝利。エンコーダーを凍結して線形ヘッドを1つ加えるだけでも、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。