投稿者 投稿日: カテゴリー AIニュース
Google Researchは2026年7月9日（現地時間）、ウェアラブル端末のセンサーデータから人間の生理・行動パターンを学習するAI基盤モデル「SensorFM」を発表しました。500万人分・1兆分超の未ラベルデータで事前学習し、35種類の健康予測タスクのうち34で従来型の教師あり手法を上回ったと報告しています。本記事は、EC支援19年・5,000社超の実績を持ち、AI導入支援は2023年から提供する株式会社オルセル（うるチカラ運営）が解説します。
SensorFMとは、Googleが開発した健康向けAI基盤モデルのことです。
何が起きたか：500万人・1兆分のデータで学ぶ単一モデル
結論から言うと、Googleは「睡眠用」「心拍用」と個別に作られてきたウェアラブル向け健康モデルを、1つの汎用基盤モデルで置き換える道筋を示しました。ドイツのAI専門メディアTHE DECODERが7月13日に報じ、Google Researchの公式ブログとarXivの論文で詳細が公開されています。
事前学習に使われたのは、データ利用に同意した500万人のFitbitとPixel Watchユーザーから収集された匿名化センサーデータです。期間は2024年9月から2025年9月、対象は100カ国以上・20機種超に及び、総量は20億時間超、分に換算すると1兆分を超えます。Google Researchはこの種のモデルの学習用データセットとして過去最大かつ最も多様だとしています。
SensorFMが処理するのは、光学式心拍センサー（PPG）、加速度、皮膚電気活動、皮膚温、気圧高度計という5種類のセンサーに由来する34の特徴量です。心拍数や心拍変動、血中酸素飽和度、睡眠ステージ、歩数などが分単位で集約されます。学習はラベルなしの自己教師あり方式で、データの一部を意図的に隠して復元させる仕組みを採用しています。特徴的なのは「Adaptive and Inherited Masking（AIM）」という手法で、装着忘れや省電力動作で生じる本物の欠損と、学習用に人工的に隠した欠損を同等に扱うことで、穴だらけの実データをそのまま学習に活かせる設計になっています。
なぜ重要か：スケール則が健康データでも成立した
この研究の最大の意味は、テキストで実証されてきた「データとモデルを一緒に大きくすれば性能が伸びる」というスケール則が、ウェアラブル健康データでも成立すると示した点にあります。検証されたモデルは約10万から1億パラメータの4種類で、最大構成のSensorFM-Bは最小構成に比べて復元誤差を31%削減し、下流の分類タスクで平均9%（AUC）、回帰タスクで平均21%（ピアソン相関）の性能向上を記録しました。論文は性能の飽和はまだ見えていないと述べています。
汎用性の検証には、事前学習に含まれない3つの独立研究・計13,985人分のデータが使われました。心血管、代謝、メンタルヘルス、睡眠、人口統計、ライフスタイルの6分野・35タスクで評価したところ、SensorFMの表現に単純な線形モデルを載せただけの構成が、専門家が設計した特徴量を使う教師ありベースラインを35タスク中34で上回りました。うつや不安の兆候のように個人差が大きく、ラベル収集も難しい対象ほどスケールの恩恵が大きかったと報告されています。
もう1つ注目すべきは、下流タスクへの適応を自動化する「エージェントの教室」という仕組みです。複数のLLMエージェントが協調・競争しながら予測モデルのコードを生成・検証・改良するもので、3万件超の実験を通じて、分類20タスク中16、回帰15タスク中12で線形モデルを上回る構成を発見しました。エージェントに長期タスクを任せる際の記憶設計については、AIエージェントの構造化メモリ研究の解説記事でも取り上げています。
さらに、SensorFMをGeminiベースの健康エージェントに組み込む実験では、4人の臨床医が31人分・93本の健康サマリーを40時間超かけて評価し、1,860件の評価を集めました。SensorFMの予測値を文脈として加えたサマリーは、文脈性・個別化・正当性・関連性・安全性の全5項目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統計的な差は認められませんでした。ただしGoogle自身が認める通り、これは臨床測定や診断の代替を意味するものではありません。
今後の動き：製品統合は未発表、まずは研究モデル
SensorFMは現時点で純粋な研究モデルです。学習と検証はFitbitとPixel Watchのデータに限られ、他社端末への転移は未検証です。また分単位に集約されたデータを扱うため、細かい波形パターンは捉えられません。評価に使われた健康指標の多くが自己申告や問診票に基づく点、参加者集団が一般人口を完全には代表しない点も、論文が挙げる限界です。
GoogleはすでにGeminiベースの健康コーチ機能「Google Health Coach」を提供しており、SensorFMはその技術基盤の候補になりえますが、FitbitやPixel Watchへの具体的な統合計画は発表されていません（今後の製品化時期は要確認）。
EC事業者の視点で1点だけ付け加えると、この研究は「自社ドメインの行動データを大量に集め、基盤モデルに学ばせて多目的に使い回す」というアプローチの有効性を示した例でもあります。GoogleがGemini経由のアプリ内決済のように購買接点へAIを組み込み続けていることを踏まえると、行動データを持つプラットフォーマーが健康・購買を横断してパーソナライズを深める流れは、中長期で小売の顧客接点にも波及すると見ておくべきです。
まとめ
SensorFMは、500万人・1兆分超のウェアラブルデータで学習し、35の健康タスク中34で従来手法を上回った基盤モデルです。個別モデルの乱立から単一の汎用表現への転換、そして健康エージェントの文脈情報としての有効性を示した点で、ヘルスケアAIの節目となる研究です。製品への統合は未発表のため、今後のGoogleの発表を注視する段階です。
参考文献
- Google Research・SensorFM: Towards a general intelligence and interface for wearable health data
- arXiv・Towards a General Intelligence and Interface for Wearable Health Data
- THE DECODER・Google’s SensorFM turns messy wearable sensor data into a general-purpose health intelligence layer
※うるチカラでは、生成AIの導入支援から運用最適化まで、貴社のEC事業に合わせたカスタマイズ提案を行っています。無料相談（30分）も実施中ですので、お気軽にお問い合わせください。
https://uruchikara.jp/contact/
引用元: THE DECODER
【監修】齋藤竹紘（株式会社オルセル代表 / 19年・5,000社のEC支援実績）
株式会社オルセル代表取締役 / うるチカラ編集長。19年・5,000社以上のEC支援実績を持ち、楽天市場・Amazon・Yahoo!ショッピング・Shopify・Shopee越境ECの実装ノウハウを保有。AI×ECに関する書籍を3冊執筆。「現場で使えるAI実装」を一次情報として発信しています。
この記事を読んだ人は、こんな記事も読んでいます
