Column

専属トレーナーをAIで再現できるか——FitOneが示すドメイン特化LLMの設計方程式

フィットネス特化型LLM「FitOne」が、3段階ポストトレーニングで専門資格試験レベルの知識習得に成功。スケーラブルなAIコーチング実装と健康経営への転用可能性を、実務担当者向けに解説する。

2026 / 07 / 06 5 分で読める English version →

フィットネスコーチングの知識グラフと3段階学習パイプラインを示すフラットイラスト

こんにちは。Affectosphere Group の三浦です。

「専属パーソナルトレーナーを全従業員につける」——これは多くのフィットネス事業者や健康経営推進企業が持つ理想です。でも現実には、コストとスケーラビリティの壁が立ちふさがります。

フィットネス特化型LLMシリーズ「FitOne」は、この課題に対するひとつの技術的な回答です。

2026年7月にarXivで公開された研究（Zhao et al., arXiv:2607.02118）は、Qwen3ベースの8Bおよび32Bパラメータモデルに3段階のポストトレーニングを施し、フィットネス専門家の資格試験レベルの知識を習得させることに成功しています。

専門的なトレーニング知識をスケーラブルにAI化する——その設計思想は、フィットネス業界のDXに限らず、健康経営・産業保健の文脈でも広く応用できる事例として注目されます。

今日の3点

継続事前学習・教師ありファインチューニング・強化学習の3段階ポストトレーニングにより、フィットネス専門家資格試験（ACSM-EP・NSCA-CSCS）でベースラインモデルを最大12.73%上回る性能を達成した。
ドメイン特化型モデルと汎用能力のバランスを保つ訓練設計を実証しており、フィットネス以外にも医療・法律・人事など他の専門領域への転用可能性が高いアーキテクチャを提示している。
「専門性と汎用性の両立」という設計課題を解決するポストトレーニングパイプラインの参照事例として、ドメイン特化LLMの産業実装に直接役立つ知見を提供している。

① 3段階パイプラインの何が新しいか

ドメイン特化型LLMを作ろうとするとき、よくある失敗パターンがあります。

専門知識を詰め込みすぎて、汎用的な言語能力や推論能力が落ちるというものです。「医療に詳しくなったが、普通の会話ができなくなった」という状態は、実用性を著しく損ないます。フィットネスコーチングAIでいえば、トレーニングの専門用語には精通しているのに、ユーザーの日常的な質問に的外れな返答をしてしまうようなケースです。

FitOneが採用した3段階アプローチは、この問題への体系的な答えです。

第1段階の継続事前学習では、フィットネス・スポーツ科学に関連する専門的なテキストデータでモデルを再訓練します。ここで専門知識の土台を作ります。

第2段階の教師ありファインチューニングでは、コーチングシナリオや専門的な問答データを使って精緻化します。「実際の使われ方」に合わせた調整です。

第3段階の強化学習では、生成した応答の質をさらに洗練させます。

この段階的アプローチが、専門性と汎用能力を両立させるカギになっています。

② ACSM-EP・NSCA-CSCSで何を示したか

評価に使われたのは、フィットネス専門家の実際の資格試験です。

ACSM-EP（American College of Sports Medicine — Exercise Physiologist）とNSCA-CSCS（National Strength and Conditioning Association — Certified Strength and Conditioning Specialist）は、どちらも業界で広く認知されている資格です。

この試験でベースラインモデルを最大12.73%上回った、というのは「専門家レベルの知識問答においてFitOneが機能する」ことを示しています。

ただし注意が必要です。資格試験の点数と実際のコーチング品質は別物です。ベンチマーク上の改善が、実際のユーザー体験の改善にどう対応するかは、個別の実装と評価設計に依存します。あくまで「ドメイン特化型ポストトレーニングが専門知識ベンチマークで効く」という方向性の確認として解釈するのが適切です。

それでも最大12.73%という数値は、ポストトレーニング設計の有効性を明確に示しています。

フィットネスアプリ・ジムDX担当への実装提案

ここからはビジネス応用の話です。

最も直接的な応用先は、フィットネスアプリへのAIコーチング機能の組み込みです。

現在のフィットネスアプリにあるAIコーチング機能の多くは、汎用LLMにシステムプロンプトを付けただけのものが多いですよね。「週3回筋トレしています」と入力すると、それっぽいメニューが返ってくる——でもその推薦が運動生理学的に妥当かどうか、利用者には判断できません。

FitOneのような特化型モデルは、「なぜこのメニューか」「この強度設定の科学的根拠は何か」を説明できる可能性があります。

専門トレーナー不要で、科学的根拠に基づいたパーソナライズドコーチングをスケーラブルに提供する——これがFitOneアーキテクチャの核心的な価値提案です。

パーソナルジムやスポーツジムの文脈でいえば、トレーナーの知識をFitOneのようなモデルに組み込むことで、24時間対応のデジタルコーチとして会員にサービス提供できます。会員数が増えてもコーチング品質を維持できるスケーラビリティは、事業モデル上の大きな利点です。

健康経営・産業保健領域への横展開

もうひとつ注目したいのが、健康経営の文脈への応用です。

近年、大手企業を中心に「健康経営優良法人」の認定取得や従業員の健康投資が加速しています。でも担当者がよく直面する課題が「効果の可視化」です。

「運動プログラムを導入したが、医療費削減にどう効いているかが測定できない」という声はよく聞きます。

FitOneのような特化型LLMを社内の健康経営プログラムに組み込むと、個人の運動習慣データ・健診データ・コーチングログを組み合わせた「AIコーチ機能」が実現できます。

KPIとして設定できるのは、体重・BMI・歩数などの身体指標だけでなく、「コーチングセッションの継続率」「プログラム完遂率」など行動変容の指標も含められます。

これを健康保険組合や産業医との連携データと組み合わせると、「AIコーチが介入した従業員群と未介入群での生活習慣病リスクの差」という形で投資対効果を可視化できます。健康投資のROI計算が難しいと感じているHR・福利厚生部門にとって、測定可能な指標を作る道筋になり得ます。

ドメイン特化LLMの横展開という視点

この研究が最も重要な示唆を出しているのは、実はフィットネス以外の領域への転用可能性かもしれません。

3段階ポストトレーニングパイプライン（継続事前学習→SFT→RL）は、医療・法律・人事・会計など「専門知識が重要で、汎用LLMだけでは不十分な領域」に広く適用できる設計です。

「自社にドメイン特化LLMが必要だと考えているが、どう作ればいいかわからない」というチームにとって、FitOneは参照設計として機能します。特に「専門化しすぎて汎用能力が落ちる」というよくある失敗をどう回避するか、という問いへの実践的な答えを提供しています。

この研究から持ち帰れること

FitOneが示したのは、「専門領域に特化したLLMはこうやって作る」という具体的な方法論です。

汎用モデルをそのまま使うのではなく、3段階で段階的に専門化させることで、専門性と汎用能力のバランスを保てる。

フィットネスアプリ事業者であれば、自社コーチングデータでFitOneのパイプラインを参考に特化型モデルを開発・評価することが、次の検討ステップになります。

健康経営を推進する企業であれば、AIコーチング機能の導入可能性をベンダーと議論するときの技術的な参照資料として使えます。

専門性とスケーラビリティを同時に求める領域では、こうしたドメイン特化型のアプローチが今後ますます重要になってくると思います。

参考論文

Xingtao Zhao, Tian Yang, Han Jiang (2026). Enhancing Fitness Intelligence through Domain-Specific LLM Post-Training. arXiv preprint.

※ 本記事は一部 AI により執筆されており、間違った情報が含まれる恐れがあります。