完璧なデータはもう古い？ Google『LSM-2』が示すウェアラブルの新常識

朝、スマートウォッチを腕につけて出かける。
歩数、心拍数、睡眠時間…。
私たちは当たり前のように、それらの「数字」に健康のヒントを求めています。

でも、ちょっと立ち止まって考えてみてください。
もしセンサーが一部だけしか記録していなかったら？
充電を忘れて夜の睡眠データが抜けていたら？
汗やズレでセンサーが正しく動作していなかったら？

そんな「かけらのようなデータ」から、果たして私たちは何か意味のあることを学べるのでしょうか？

この問いに真正面から挑んだのが、Google Research が発表した「LSM-2」という新しいAIモデルです。

「データが足りない」という現実
LSM-2：見えないピースを”想像する”AI
AIM が切り拓く新しい学習方法
睡眠の質からメンタルヘルスまで──応用範囲は無限大
テクノロジーと「人間らしさ」の融合へ
最後に：不完全だからこそ、可能性がある

「データが足りない」という現実

ウェアラブルデバイスは、今や私たちの生活に欠かせない存在です。
健康管理、運動習慣、ストレスの可視化──あらゆる目的で使われています。

でも、ウェアラブルのデータには”影”があります。
センサーがオフラインになっていたり、一部のデバイスを装着しなかったり、ネットワークの不調で同期できなかったりと、様々な理由でデータが欠けてしまうのです。

こうした”欠けたデータ”は、AIにとって非常に扱いにくいもの。
従来のモデルでは、データがすべて揃っていることを前提にしているため、欠損があると性能がガクッと落ちてしまうのです。

まるで、ピースの足りないパズルを無理やり完成させようとしているようなものです。

LSM-2：見えないピースを”想像する”AI

Google が開発した LSM-2 は、これまでとはまったく異なるアプローチをとりました。

このモデルは「AIM（Adaptive and Inherited Masking）」という革新的な自己教師あり学習手法を採用しています。
従来のように「欠けたデータを補完する」のではなく「不完全なデータそのものから直接学習する」という新しい考え方に基づいているのです。

LSM-2 は、前身モデルである LSM-1 を大幅に改良したもので、マスク付きオートエンコーダー（MAE）技術を拡張して開発されました。
ここでのキーワードは「自然な欠損を受け入れる学習」。
データの欠損を「エラー」として扱うのではなく、現実世界のウェアラブルデータに自然に存在する特徴として捉えるのです。

AIM が切り拓く新しい学習方法

この仕組みを、パズルにたとえてみましょう。

従来のAI技術は、足りないピースを人工的に作って埋めるか、そのパズル自体を諦めるかの二択でした。
しかし、AIM は違います。
足りないピースがあることを前提として「このパズルには本来どんな絵が描かれているのか」を理解しようとするのです。

AIM は「継承されたマスク」（自然に欠けているデータ）と「適応的マスク」（学習のために意図的に隠したデータ）の両方を同時に扱います。
これにより、LSM-2 は現実世界の不完全なデータから直接学習しながら、同時にデータの根底にある構造を理解することができるのです。

これは、従来のAIが”完璧なデータの復元”を目指していたのに対し、LSM-2 は”不完全なデータからの理解”という、まったく新しいアプローチを採用している、という違いです。

睡眠の質からメンタルヘルスまで──応用範囲は無限大

LSM-2 は、あらゆる種類のウェアラブルデータを扱うことができます。
しかも、すべてのセンサーが常に動作していなくてもOK。
これは、従来の多センサーモデルと比べて大きな強みです。

研究チームは、6万人以上の参加者から収集した 4000 万時間という膨大なウェアラブルデータを使って LSM-2 を訓練しました。
興味深いことに、160 万の日間データサンプルの中で、完全にデータが欠損していないサンプルは一つも存在しなかったといいます。
これは、データの不完全性がウェアラブル技術における普遍的な現実であることを示しています。

この技術はすでに、睡眠の質の推定や心の健康のモニタリング、運動時の身体状態の把握など、さまざまな分野で活用が始まっています。
特に注目すべきは「どのセンサーが使えるか分からない」という現実に対しても、柔軟に対応できるという点です。