Google Research が、ウェアラブルセンサーデータを活用した基盤モデル『SensorFM』を公開した。500万人の Fitbit および Pixel Watch ユーザーから収集した1兆分以上のラベルなし時系列データを学習することで、心拍数や体温といった複数のセンサーからの生理的・行動パターンを統合的に理解する汎用表現を獲得した。健康・医療分野における AI の基盤モデル化は、業界にとって大きなマイルストーンだ。

1兆分の時系列データから学習——自己教師あり学習の威力

SensorFM が従来のセンサー学習と異なるのは、スケールと自己教師あり学習手法 にある。

Google Research のチームは、500万人の Fitbit ユーザーと Pixel Watch ユーザーから心拍数（Heart Rate）、加速度（Acceleration）、皮膚伝導度（Electrodermal Activity）、体温、気圧高度といった5種類のセンサー信号を継続的に収集した。その総量は1兆分を超える。

このデータの学習に用いたのが自己教師あり学習の手法だ。モデルは、意図的にデータの一部をマスク（隠す）して、その隠れた部分を再構築することで学習する。ラベル付きデータが必要ない分、大規模データの活用が可能になり、学習が進むにつれて生理的パターンの本質的な表現が自動的に獲得される。

ベンチマーク成績——35個中34個で先行モデルを上回る

SensorFM の性能検証は、医療や健康予測における複数のタスクで行われた。

35個の健康・行動予測タスク——例えば睡眠スコア予測、運動強度検出、心疾患リスク判定など——において、SensorFM は34個のタスクで従来の比較対象モデルを上回った。わずか1つを除いては、現在利用可能な最高性能を達成している。

特筆すべきは、複数のセンサー信号を統合的に理解する能力だ。単一のセンサー信号よりも、複数のセンサーから同時に得られる情報を組み合わせることで、より正確な健康状態の把握が可能になることを実証した。

医療従事者による評価——臨床ユースケースでの有効性

学術的なベンチマーク成績だけでは、医療現場での実用性は測れない。そこで研究チームは、医学系の医師による評価も実施した。

SensorFM による健康サマリー（心拍数トレンド、睡眠パターン、活動レベルなどを統合した説明）を医師に提示し、従来の方式による基本的なサマリーと比較させた結果、SensorFM を含むサマリーが全5項目（正確性、有用性、臨床的信頼度など）で有意に高く評価された。

ただし、SensorFM の出力は医学的診断の完全な代替にはならない。あくまで患者の健康状態を理解するための補助情報として位置付けられている。

実装への道——技術的課題と今後の展開

現在、SensorFM は研究段階のままだ。Google は既存の「AI ヘルスコーチ」機能と Gemini の統合を進めているものの、SensorFM の実装予定は具体的に発表されていない。

実装に向けたハードルは複数ある。プライバシー保護（ウェアラブルデータは個人の生理情報そのもの）、モデルの説明可能性（医師や患者が判断根拠を理解できるか）、規制適合性（医療機器としての認可要件）などだ。

一方で、Fitbit ユーザー・Pixel Watch ユーザーという既に 500万人規模の学習データセットを保有している Google は、継続的にモデルを改善できる環境が整っている。実装されれば、ウェアラブル健康管理の業界標準となる可能性は高い。

業界への影響——医療 AI の基盤モデル化の加速

SensorFM の公開は、医療・健康分野における基盤モデル化を象徴する出来事だ。

大規模言語モデル（LLM）が NLP 業界を統一したように、センサーデータからの健康予測も「基盤モデル」によって標準化される可能性が出てきた。これは医療スタートアップにとって、一から学習システムを構築する必要がなくなることを意味し、医療 AI の開発敷居が大きく低下する。

同時に、Google のような膨大なユーザーデータを保有する企業が医療領域での優位性をさらに強化することにもなる。ウェアラブル市場における Google の戦略的な地位が、データと AI の統合によってより盤石なものになりつつあるのだ。