Google: SensorFM——1조 분 이상 웨어러블 데이터로 학습한 기반 모델, 35개 건강 과제 중 34개 승리

Google Research는 2026년 7월 9일 웨어러블 기기 건강 데이터를 위한 기반 모델인 SensorFM을 발표했습니다. 기반 모델이란 대규모 레이블 없는 코퍼스로 사전 학습된 네트워크로, 이후 수십 가지 과제에 적응시킬 수 있습니다. SensorFM은 언어 처리를 변혁한 이 접근 방식을 센서 신호에 이 규모로 처음 적용합니다.

전례 없는 데이터 규모

SensorFM은 Fitbit 및 Pixel Watch 기기의 1조(10¹²) 분 이상의 센서 데이터로 학습했습니다: 심박수, 심박 변이도, 걸음 수, 수면, 피부 온도. 데이터는 100개 이상의 국가 약 500만 명의 사용자로부터 2024년 9월부터 2025년 9월 사이에 수집되었습니다. 비교하자면, 기존 웨어러블 데이터 학술 모델은 보통 수천 명의 사용자로 학습했는데, SensorFM은 그보다 세 자릿수 더 많은 데이터를 사용합니다.

불완전한 신호에서 어떻게 학습합니까?

핵심 혁신은 적응형 마스킹입니다. 웨어러블 기기의 데이터는 자주 결손이 생기므로(시계를 빼거나, 배터리 방전 등), 모델은 학습 중에 의도적으로 마스킹된 세그먼트를 재구성하는 법을 배웁니다. 이로써 불완전한 실제 데이터가 문제가 아닌 학습 신호가 됩니다. Google은 10만에서 1억 파라미터의 변형을 학습시켰습니다——언어 모델에 비하면 작지만 센서 패턴을 포착하기에는 충분합니다.

전문화 접근 방식과의 비교 결과

35개의 건강 과제——수면 무호흡 감지부터 체력 평가까지——에서 SensorFM은 34개의 전문화 기준 접근 방식을 능가했습니다. 구체적으로: 분류 과제 AUC +9%, 회귀 과제 Pearson 상관계수 +21%, 맹검 테스트에서 임상의가 모델 예측과 실제 측정값을 구별하지 못했습니다.

건강 AI에 대한 의미

SensorFM은 실험실 검사 없이 생체 정보를 지속적으로 해석하는 AI 어시스턴트로 가는 길을 열었습니다. 이번 발표는 Microsoft가 같은 날 Aurora 1.5를 선보인 것과 함께, 기반 모델 패러다임이 텍스트를 넘어 물리적·생물학적 신호로 명확히 확장되고 있음을 보여줍니다.