何が起きたか
Google Researchがブログ記事とarXiv上のオープンアクセス論文で、ウェアラブル向け基盤モデル「SensorFM」を発表しました。100カ国以上・20機種以上のFitbitとPixel Watchから集めた500万人分、1兆分を超えるマルチモーダルなセンサーデータで事前学習したもので、著者らは「この種のモデルの学習に使われた中で最大かつ最も多様なウェアラブルデータセット」と表現しています。
扱うのは光学式心拍（PPG）、加速度、皮膚電気反応、皮膚温、気圧高度という5種類のセンサーから導かれる34の特徴量です。心拍数、心拍変動、血中酸素飽和度、睡眠ステージ、動作データなどが含まれます。学習はラベルなしの自己教師あり方式で、意図的にマスクした区間を復元させる「Adaptive and Inherited Masking（AIM）」を用います。ウェアラブルデータは装着し忘れや充電で欠損が頻発しますが、AIMは「本当に欠けている値」と「学習のために隠した値」の両方をフラグ付けし、モデルが欠損そのものを扱えるようにしています。
なぜ重要か
これまでのウェアラブル健康機能は、睡眠判定、心拍異常検知、活動量推定といったタスクごとに個別のモデルを作る「サイロ型」でした。個別モデルは、そのタスク専用のラベル付きデータ（臨床測定や被験者の申告）を必要とし、これが最大のコスト要因になります。SensorFMが狙うのは、この構造を1つの共有表現に置き換えることです。
実際、事前学習に使わなかった3件の研究・計13,985人のデータで検証したところ、心血管・代謝、メンタルヘルス、睡眠、属性、生活習慣にまたがる35タスクのうち34タスクで、手作りの特徴量を使った教師ありベースラインを上回りました。しかも上に載せるのは単純なタスク別ヘッドモデルです。さらに、スケール則が確認された点も重要です。約10万〜1億パラメータの4種類のモデルと、5,000人〜500万人の学習データを組み合わせて比較すると、モデルとデータを同時に大きくするほど性能が systematic に向上し、最大データセットでは最大モデルの復元誤差が最小モデルより31%低くなりました。言語モデルで観測されたスケーリングが、生体センサーの世界でも成立するという示唆です。
ラベル効率と「LLMエージェントの教室」
事業的に効くのはむしろラベル効率の改善です。事前学習を大きくするほど、新しいタスクへの適応に必要なラベル付きサンプルが少なくて済み、年齢・性別といった追加の属性情報への依存も減りました。著者らは、うつや不安の症状のように個人差が大きく測定しにくい特性ほど、この恩恵が大きいと見ています。
下流モデルの設計自体も自動化されています。研究チームは、競争と協調をするLLMエージェントの「教室（classroom）」を組み、予測モデルのコードを生成・評価・改良させる実験を3万回以上回しました。この教室が見つけたモデルは、同じSensorFM表現に基づく単純な線形ヘッドを35タスク中28タスクで上回っています。基盤モデルの上に、モデル探索をLLMに任せる層が重なる構図です。
健康エージェントに組み込むと何が変わるか
GoogleはSensorFMをパーソナル健康エージェントに統合し、3条件で比較しました。SensorFMの健康指標予測を文脈として受け取るGemini、同じ指標の実測値を受け取るGemini、どちらも受け取らないベースラインの3つで、いずれも属性情報と活動・睡眠・血中酸素・皮膚温の日次サマリーは共通で与えています。4人の臨床医が31人の実プロフィールに対する93本の健康サマリーを40時間以上かけて評価し、1,860件の個別評定を出しました。結果、SensorFM予測を加えたサマリーは、文脈性・パーソナライズ・妥当性・関連性・安全性の5指標すべてでベースラインを有意に上回り、実測値を与えた場合との差は全体として統計的に有意ではありませんでした。ただしこれは、SensorFMが臨床測定や診断を代替できることを意味しません。
留意点
学習・評価はFitbitとPixel Watchのデータに限られ、他社ウェアラブルへの転移は未検証です。データは分単位に集約されており、高解像度の生波形ではないため、極端に短い、あるいは細かいパターンは失われ得ます。健康指標の多くは自己申告・服薬記録・アンケートに基づくもので臨床確定診断ではなく、被験者集団も一般人口を完全には代表していません。健康エージェントの評価も、追加質問を伴う対話ではなく単発応答の静的な設定にとどまります。
そしてSensorFMは現時点で純粋な研究モデルです。GoogleはすでにGeminiベースの「Google Health Coach」を提供していますが、SensorFMをFitbitやPixel Watch、AIコーチに組み込む具体的な計画は発表していません。
💼 事業会社視点：これは自社にどう効くか
注目すべきは健康分野そのものより、「センサー時系列データにも基盤モデルとスケール則が効く」ことが大規模に実証された点です。日本の製造業、設備保全、物流、店舗運営は、振動・温度・電流・POS・入退室といった時系列データを大量に保有しながら、「異常検知」「需要予測」と個別タスクごとに小さな教師ありモデルを作り、ラベル付けコストと欠損データに苦しんできました。SensorFMはこの典型的なサイロ構造に対し、ラベルなしデータで共有表現を作り、上に軽いヘッドを載せる設計が34/35タスクで勝つことを示しています。
経営者・事業責任者への含意は3つです。第一に、社内に眠る未ラベルの時系列ログは「ラベルがないから使えない資産」ではなく、事前学習の原資として棚卸しし直す価値があります。第二に、AIベンダーや受託開発会社に「タスク単位のモデル開発」を発注し続ける調達は、費用対効果の再検証が必要です。基盤モデル＋ヘッドの構成なら、2つ目・3つ目のユースケースの追加コストが劇的に下がるためです。第三に、ヘルスケア・保険・HR Techの事業者は、SensorFMがFitbit/Pixel Watch限定である点が当面の参入余地であると同時に、Googleが自社ハード＋Geminiで垂直統合すればデータ規模で追随不能になるリスクでもあると認識すべきです。今のうちに自社データの独自性（診療実績、業務文脈、日本固有の生活習慣）をどこに置くかを決める局面です。