2026년 7월 9일, 구글리서치는 웨어러블 건강 기초 모델인 SensorFM을 발표했습니다. 이 연구는 100개국 이상과 20대 이상의 핏빗 및 픽셀 워치 기기를 포함해 500만 명의 참여 사용자 데이터를 사전 학습했으며, 총 데이터 양은 1조 분을 넘었습니다. 구글의 목표는 개별 지표만을 예측하는 또 다른 모델을 만드는 것이 아니라, 심혈관, 대사, 수면, 정신 건강, 생활 습관 과제에 대한 공통의 토대를 제공하는 인간 생리학적 표상 집합을 학습하는 것입니다.
이 연구가 주목할 만한 이유는 웨어러블 기기에서 가장 흔한 문제는 '데이터 없음'이 아니라 단편화된 데이터, 상당한 개인별 변이, 그리고 완성하기 어려운 비싼 의료 라벨이라는 점입니다. 과거에는 많은 모델이 명확한 종점 중심으로만 독립적으로 학습할 수 있었고, 장비, 청중, 작업 전환 후에는 종종 재구축이 필요했습니다.
SensorFM은 현실에서 누락된 데이터를 어떻게 처리하나요?
SensorFM은 광전수, 가속도, 전기 활동, 피부 온도, 높이 등 다섯 가지 유형의 센서로부터 34분씩 집계된 특징을 수신합니다. 심박수와 그 변화, 혈중 산소, 수면 단계, 운동, 걸음 수, 피부 전기, 체온 등 지속적인 신호를 감지할 수 있습니다.
이 모델은 자기 감독 재구성을 채택하고, 누락된 사례에 대한 AIM 친화적 메커니즘을 도입합니다. 장치 제거, 절전 시동, 재시작, 또는 간헐적 센서 작동은 모두 실질적인 틈을 남깁니다; 전통적인 방법은 보통 빈틈을 메우거나 불완전한 조각을 버리는 것입니다; 전자는 편향을 초래할 수 있고, 후자는 샘플 손실을 초래할 수 있습니다. SensorFM은 실제 누락된 신호를 훈련 중에 능동적으로 가린 상태로 처리하여 불완전한 기록에서 직접 학습할 수 있게 합니다.
확장 후에는 사전 학습 지표에만 국한되지 않습니다
구글은 데이터 양과 모델 규모 면에서 4차원 규모에 걸쳐 실험을 수행했습니다. 가장 큰 SensorFM-B는 가장 작은 버전에 비해 재구성 손실을 31% 줄였으며, 35개 하위 작업 중 33개에서 최상의 결과를 달성했습니다. 인코더를 정지한 후, 경량 예측 헤드만 학습되었는데, 이는 모델이 34개의 작업에서 인위적 특징을 기반으로 한 감독 기준선을 초과했음을 나타내며, 단일 질병 라벨을 학습하지 못했음을 나타냅니다.
연구팀은 또한 여러 대형 언어 모델 에이전트들이 경쟁하고 협력하여 예측 헤드 코드를 작성하도록 했으며, 3만 개가 넘는 해결책을 탐구했습니다. 20개의 분류 과제 중 16개가 단순 선형 탐침보다 더 좋은 성능을 보였고, 15개 회귀 과제 중 12개가 개선을 이루었습니다. 즉, 기본 표현 이후에는 작업 적응이 수동 조정에서 자동 검색으로 전환될 수 있습니다.
진정한 개인 건강 보조원이 되기까지 얼마나 멀었을까요?
구글은 SensorFM을 개인 건강 에이전트에 통합하고 31명의 실제 참가자 프로필에서 건강 요약을 생성했습니다. 임상의들은 블라인드 리뷰에서 1,860점을 완성했으며, SensorFM 예측을 추가한 후 초록은 맥락, 관련성, 해석 가능성, 개인화, 잠재적 피해 측면에서 모델 예측 없이 기준선보다 우수한 성과를 냈습니다.
하지만 이것들은 여전히 연구 결과일 뿐이며, 핏빗이나 픽셀 워치가 새로운 의료 진단 기능을 얻었다는 의미는 아니며, 모델 예측을 실험실 검사나 의사의 결론으로 받아들여서는 안 됩니다. 소비자 제품에 진입하려면 임상 검증, 지역 규제, 개인정보 보호 승인, 지속적인 오류 모니터링이 필요합니다. SensorFM의 실질적 중요성은 장기적이고 단편화된 웨어러블 데이터를 일반적인 건강 표현으로 학습시킬 수 있음을 증명하는 데 있습니다; 이는 건강 인텔리전스를 위한 보다 개인화된 경로를 열고, 데이터 거버넌스와 의료 책임을 더욱 중요한 위치로 격상시킵니다.
