何を食べさせたのか——1兆分の身体データ

まずどれだけのデータを食べさせたのかを見てみよう。このデータは同意済みユーザー500万人分に由来し、期間は2024年9月から2025年9月まで、100か国以上と米国全50州をカバーしている。

これはこれまで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群だ。5種類のセンサーに由来する、1分ごとに集計された34の特徴量を統合している。

ここで2つの略称について補足しておく。PPG（光電式容積脈波）とは、時計が皮膚に密着した状態で光を発し、血管による光の吸収の変化から心拍と血中酸素を逆算する仕組みで、スマートウォッチが心拍数を測る際の主な原理でもある。EDA（皮膚電気活動）は皮膚表面の導電率を測るもので、人は緊張して汗をかくと導電率が変化するため、ストレスや感情を間接的に反映する指標としてよく使われる。

時計は途切れるもの、モデルはどう「気にしない」を学んだか

SensorFM で最も重要な設計は、「欠けたデータ」をどう扱うかという点にある。時計は充電のために外され、省電力モードに入り、センサーはオンオフを繰り返す。ウェアラブルデータにとって、欠損はごく当たり前のことだ。

こうして学習された SensorFM は、生まれつき「欠損認識型」だ。データの欠損を許容するだけでなく、逆に欠損を利用して学習することもできる。

SensorFM は「欠損認識型のマスク復元」によって、1兆分を超えるマルチモーダルセンサーデータで事前学習を行う。出典：Google Research

規模を拡大すれば効果も伸びる、しかもまだ頭打ちではない

データとモデルを同時に拡大すると、効果はどうなるのか。Google は4桁にわたる実験を行った——データ量は200万センサー時間から20億時間まで、モデルは10万パラメータから1億パラメータまで拡大した。

事前学習の損失はデータとモデルが大きくなるにつれて着実に下がり続け、35のタスクのうち33で勝利した。さらに重要なのは、性能曲線にまだ頭打ちの兆候が見えないことだ。つまり、データやパラメータをさらに増やせば、まだ強くなる可能性が高い。

ここで2つの指標について補足する。AUC は分類判断の正確さを測る指標で（0.5 は当てずっぽうに相当し、1 は完璧な判断）、ピアソン相関係数は予測値と実測値がどれだけ連動しているかを測る指標だ（値は -1 から 1 まで、1 に近いほど連動性が高い）。

データ量とモデルの容量を桁単位で同時に拡大すると、事前学習と下流タスクの性能はともに上昇を続け、飽和の兆候は見られない。出典：Google Research

モデルを凍結したまま、線形ヘッドを1つ繋ぐだけで十分

モデルが学習した表現が実際に使い物になるかどうかを確かめる、手っ取り早い方法がある。モデル本体を凍結してパラメータを一切変えず、その出力する生理学的表現に単純な線形ヘッドを外付けするだけだ（これは「線形プローブ（linear probe）」と呼ばれる）。それでそのまま仕事ができるかを見る。

35件の判別的な健康タスクでテストした（データは IRB 承認済みの前向き研究3件、参加者計13,985人に由来）。6つの大分類にわたる健康シグナルをカバーしている。

35のタスクのうち34で従来のベースラインを上回った（丸1つが1タスクを表し、白抜きのものが唯一勝てなかったタスク）：

軽量な線形ヘッドを学習させるだけで、34のタスクにおいて「特徴量エンジニアリング＋教師あり学習」という従来のベースラインを上回った。さらに2つの細部がある。モデルが大きくなるほど、年齢や性別といった人口統計的特徴を暗黙のうちに自ら捉えられるようになる（これらの情報を追加で与えることによる向上幅はどんどん小さくなる）。またうつ病や不安のような、センサー上の信号が非常に微弱で捉えにくい状態についても検出でき、しかも少量のラベル付きサンプルだけでベースラインを上回れる。

これは、同じ生理学的表現を数十種類の健康予測タスクに転移できることを意味し、新しいタスクに適応させるために必要なラベル付きデータと開発期間を大幅に圧縮できるということだ。

凍結した SensorFM の表現に線形プローブを1つ加えるだけで得られる、各種判別的な健康タスクにおけるベースライン比の性能向上。出典：Google Research

一室のAIエージェントたちが、われ先にと予測ヘッドを繋ごうと競い合う

生理学的表現を具体的なタスクの予測器に変えるには、従来なら人手による特徴量エンジニアリング、アーキテクチャ選定、ハイパーパラメータ調整が必要で、非常に煩雑だった。Google はいっそこの作業をAIに任せることにした。

さらに2つの傾向が見られた。案の質は探索が進むにつれて一貫して向上していくこと、そしてより強力なAIモデル（例えば新しいバージョンの Gemini）に切り替えると、より良い案が得られることだ。

AIエージェント教室が反復的にコードを書いて予測ヘッドを構築し、案は時間とともに改良され続ける。出典：Google Research

AIの推測と実際の健診結果、医師には見分けがつかない

最後に、Google は SensorFM を「パーソナルヘルスエージェント」（Personal Health Agent）に組み込み、厳密に設計された実験を行った。健康サマリーを生成させ、3種類の入力条件における質を比較したのだ。

具体的な方法はこうだ。臨床医のグループが盲検条件下で、背景情報、関連性、妥当性、パーソナライズ、潜在的な害という5つの評価軸からサマリーを採点し、合計1,860件の評価を行った。専門家による評価には40時間を超える時間が費やされた。

結論は2つ。SensorFM の予測を加えると、5つの評価軸すべてでベースラインを上回った。さらに重要なのは、SensorFM の予測を使った場合と実測値を使った場合とで、臨床医の採点に統計的な有意差がなかったことだ。つまり、この健康アシスタントというシナリオにおいては、モデルの推論は実際の医学的測定とほぼ同等に役立つということになる。

SensorFM をパーソナルヘルスエージェントのツールとして組み込むと、臨床医による生成回答への評価が向上する。出典：Google Research

まだ足りないもの——プライバシー、臨床検証、相関の罠

こうした結果の他に、はっきりさせておくべきことがいくつかある。

2026年7月9日、Google Research は SensorFM を発表した。1兆分超、500万人分のウェアラブルデータを使い、身体信号を読み解ける汎用的な土台を学習させた（対応論文 arXiv:2605.22759）。

重要な結果は2つ。1つは、土台を凍結してこの層だけ学習させるだけで、34/35 の健康タスクで従来のやり方を上回ったこと。もう1つは、臨床医による盲検評価（採点時、医師は各サマリーの背後で何が使われたか知らない）において、モデルの推論から生成した健康サマリーと、実測値から生成したサマリーとで、採点に統計的な有意差がなかったことだ。しかもデータとモデルを大きくすればするほど効果は伸び続けており、頭打ちの兆候はない。ではなぜこれほど安定しているのか。鍵は「欠けたデータ」への対処の仕方にある。

時計は充電のために外され、省電力モードに入り、センサーはオンオフを繰り返す。ウェアラブルデータにとって欠損は常態であり、例外ではない。SensorFM の看板設計である AIM（適応的継承マスキング）は、まさにこの問題に対処するためのものだ。

従来のやり方は、推測で空白を埋める（間違えばバイアスが入り込む）か、欠損のある断片をそのまま捨てる（データを無駄にする）かのどちらかだった。AIM は第三の道を行く。端末が実際に欠損させたデータと、学習時にわざと隠したデータを同じものとして扱い、モデルに生まれつき「情報の不完全さ」に慣れさせ、「欠損の補完」そのものを習得すべき技として学ばせる。

一般の人には「タスク勝率」と言われてもピンとこない。「新しい健康タスクに対応するのにどれだけ手間がかかるか」に置き換えたほうが直感的にわかる。

念のため付け加えると、以上の数字はすべて Google 公式ブログとその論文における内部テストによるもので、現時点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。