شرکت Tether یک مدل هوش مصنوعی پزشکی به نام QVAC MedPsy منتشر کرده است که کاملاً روی یک تلفن هوشمند اجرا میشود و در سناریوهای واقعی از مدل بزرگتر MedGemma-27B گوگل بهتر عمل میکند. به گفته این شرکت، این مدل سه برابر منابع محاسباتی کمتری مصرف میکند و ۱۶ برابر کوچکتر از نسخه گوگل است که از آن پیشی میگیرد.
عملکرد در مقابل اندازه
معیارها نشان میدهند که QVAC MedPsy در وظایفی که کاربرد بالینی واقعی را شبیهسازی میکنند، امتیاز بالاتری نسبت به MedGemma-27B کسب میکند. در حالی که مدل گوگل نیاز به پردازش در سطح سرور دارد، مدل Tether روی یک دستگاه همراه جا میشود. این افزایش کارایی ناشی از معماری فشرده مدل است — ۱۶ برابر کوچکتر از نظر تعداد پارامترها — و با این حال نتایج برتری ارائه میدهد.
این تفاوت اندازه مستقیماً به نیازهای محاسباتی ترجمه میشود. QVAC MedPsy تقریباً یک سوم توان پردازشی MedGemma-27B را مصرف میکند و آن را برای استنتاج روی دستگاه بدون نیاز به اتصال اینترنت مناسب میسازد.
چرا کارایی برای هوش مصنوعی پزشکی مهم است
اجرای هوش مصنوعی روی تلفنهای هوشمند، موارد استفاده را در کلینیکهای راه دور و محیطهای کممنبع که اتصال پایدار به سرور تضمین نشده است، باز میکند. مدلی که روی دستگاه جا شود میتواند دادههای بیمار را به صورت محلی تحلیل کند و تأخیر و ریسکهای حریم خصوصی را کاهش دهد. Tether برنامههای استقرار مشخصی را اعلام نکرده است، اما عملکرد مدل نشان میدهد که میتواند غربالگری روانپزشکی یا روانشناختی را انجام دهد — احتمالاً «Psy» در QVAC MedPsy به روانشناسی یا روانپزشکی اشاره دارد.
حوزه پزشکی به دلیل حساسیت دادهها نسبت به هوش مصنوعی ابری محتاط بوده است. یک مدل روی دستگاه که همچنان از رقبای بزرگ بهتر عمل میکند، میتواند پذیرش آن را در بیمارستانها و برنامههای سلامت همراه تسریع کند.
فناوری پشت آن
Tether که بیشتر به خاطر استیبلکوین USDT خود شناخته میشود، به طور آرام در حال ساخت در حوزه هوش مصنوعی بوده است. QVAC MedPsy یکی از اولین مدلهای پزشکی آن است. این شرکت معماری شبکه دقیق را منتشر نکرده است، اما توانایی مدل برای اجرا روی تلفن هوشمند در حالی که از مدلی بسیار بزرگتر بهتر عمل میکند، نشاندهنده بهینهسازی تهاجمی در آموزش یا کوانتیزاسیون است.
در مقابل، MedGemma-27B گوگل برای ابر یا سختافزار سطح بالا طراحی شده است. رویکرد Tether آن فرض را برعکس میکند و نشان میدهد که در وظایف خاص دامنه، کوچکتر میتواند قویتر باشد.
تاریخ راهاندازی یا مشارکتی اعلام نشده است. در حال حاضر، نتایج معیار به عنوان نقطه اثباتی است که هوش مصنوعی پزشکی همیشه برای ارائه نتایج بزرگ به سختافزار بزرگ نیاز ندارد.
