Google Research의 SensorFM은 스마트워치 기능 하나를 더 추가하는 연구가 아니다. Fitbit과 Pixel Watch에서 나온 대규모 센서 데이터를 하나의 재사용 가능한 표현으로 바꾸려는 시도에 가깝다. 연구진은 500만 명의 사용자에게서 나온 1조 분 이상의 비라벨 wearable data로 모델을 학습했다. 데이터는 100개국 이상, 20종 이상의 Fitbit 및 Pixel Watch 기기에서 수집됐고, PPG, 가속도, 피부전도, 피부온도, 기압 고도 같은 신호에서 뽑은 34개 특징을 포함한다.
지금까지 웨어러블 헬스 기능은 대체로 기능별로 쪼개져 있었다. 수면 단계를 추정하는 모델, 스트레스를 보는 모델, 심혈관 위험을 다루는 모델이 따로 움직인다. SensorFM의 접근은 다르다. 먼저 생리적, 행동적 패턴의 공통 표현을 학습하고, 그 위에 작은 task-specific head를 붙여 여러 건강/행동 과제에 적응한다. 논문에 따르면 이 방식은 35개 예측 과제 중 34개에서 hand-crafted wearable feature를 쓰는 supervised baseline보다 나은 결과를 냈다.
특히 현실적인 대목은 결측값 처리다. 웨어러블 데이터는 실험실 데이터처럼 깨끗하지 않다. 사용자가 시계를 빼거나 충전하고, 센서 접촉이 흔들리고, 생활 패턴도 매일 달라진다. SensorFM은 Adaptive and Inherited Masking(AIM)이라는 방식으로 실제로 빠진 값과 학습 중 일부러 가린 값을 함께 다룬다. 모델이 빈칸 많은 시계열을 예외가 아니라 기본 조건으로 배우게 만드는 셈이다.
연구진은 SensorFM을 개인 건강 에이전트 실험에도 붙였다. Gemini 기반 에이전트에 SensorFM의 건강 예측값을 추가한 뒤, 31명 실제 participant profile에서 만든 93개 health summary를 임상의 4명이 평가했다. SensorFM 예측이 포함된 요약은 baseline보다 맥락, 개인화, 설명 가능성, 관련성, 안전성 5개 영역에서 더 높은 점수를 받았다. 흥미롭게도 전체적으로는 실제 known health data를 넣은 버전과 통계적으로 유의한 차이가 없었다.
그렇다고 SensorFM을 임상 측정이나 진단의 대체물로 읽으면 안 된다. 이 모델은 Fitbit과 Pixel Watch 데이터로만 학습, 평가됐고 다른 웨어러블에서도 같은 성능을 낼지는 아직 모른다. 고해상도 raw signal이 아니라 분 단위로 집계된 특징을 쓰기 때문에 아주 짧은 생리적 변화는 놓칠 수 있다. 일부 health marker는 임상 확진이 아니라 자기보고, 약물 기록, 설문에 기대고 있으며, health agent 평가도 긴 대화가 아니라 정적인 단발 응답이었다.
그래도 SensorFM이 보여주는 방향은 중요하다. 건강 AI의 개인화는 챗봇 말투를 부드럽게 만드는 것만으로 해결되지 않는다. 계속 쌓이는 센서 데이터, 빠진 값과 노이즈를 견디는 표현 학습, 적은 라벨로 새 과제에 적응하는 구조가 필요하다. SensorFM은 그 기반층을 향한 Google의 연구 모델이며, 언젠가 Google Health Coach나 Pixel Watch류 기능이 더 개인적인 설명을 내놓게 된다면 이런 종류의 모델이 뒤에서 맥락을 공급할 가능성이 높다.