أصدرت Tether، شركة العملات المستقرة المعروفة باسم USDT، للتو نموذجًا طبيًا للذكاء الاصطناعي يمكن وضعه في جيبك وقد يتفوق على المنافسين الذين يزيد حجمهم بأكثر من اثني عشر ضعفًا. أطلق فريق أبحاث الذكاء الاصطناعي التابع لـ Tether اليوم QVAC MedPsy كفئة جديدة من نماذج اللغة الطبية المصممة للعمل على الهواتف الذكية والأجهزة القابلة للارتداء والأجهزة الطرفية - دون الحاجة إلى السحابة.

الرقم الرئيسي: نموذج صغير يضم 1.7 مليار معلمة قادر على التفوق على MedGemma-4B من جوجل في المعايير الطبية على الرغم من أن حجمه أقل من النصف. في HealthBench Hard—معيار OpenAI الذي يقيم الذكاء الاصطناعي في محادثات سريرية واقعية ومتعددة الأدوار تم تقييمها من قبل 262 طبيبًا—تقول Tether إن نموذجها ذو 1.7 مليار معلمة يتفوق على MedGemma-27B، وهو نموذج أكبر بستة عشر مرة تقريبًا.

المعلمات هي جميع التكوينات والقيم التي يتعلمها النموذج أثناء التدريب. كلما زادت المعلمات، كلما كان النموذج أفضل، نظريًا.

تغطي مجموعة الاختبارات MedQA-USMLE، التي تقيس المعرفة السريرية باستخدام أسئلة على غرار امتحان الترخيص الطبي الأمريكي يتم تسجيلها كنسبة مئوية من الدقة، وصولًا إلى AfriMedQA، التي تختبر الأداء خصيصًا لسياقات الرعاية الصحية الأفريقية المحرومة.

عزا الرئيس التنفيذي لشركة Tether، باولو أردوينو، المكاسب إلى الكفاءة بدلاً من الحجم. وقال في بيان: "مع QVAC MedPsy، كان تركيزنا على تحسين الكفاءة على مستوى النموذج، بدلاً من زيادة الحجم". وأضاف: "نموذجنا ذو الأربعة مليارات معلمة تجاوز نتائج النماذج التي يبلغ حجمها سبعة أضعاف تقريبًا، بينما يستخدم عددًا أقل من الرموز (التوكنات) لكل استجابة بما يصل إلى ثلاثة أضعاف".

تلك الكفاءة في استخدام الرموز (التوكنات) هي الخبر الرئيسي الآخر. يبلغ متوسط نموذج 4B حوالي 909 رموز لكل استجابة مقابل 2,953 للأنظمة المماثلة—وهو تخفيض بمقدار 3.2 ضعف. تعني الرموز الأقل تكلفة حوسبة أقل، واستجابات أسرع، والأهم من ذلك، القدرة على التشغيل محليًا دون الحاجة إلى خادم سحابي خلفي.

"يمكنك تشغيل الاستدلال الطبي حيث توجد البيانات بالفعل، داخل نظام مستشفى أو على جهاز، دون نقل معلومات حساسة عبر السحابة أو انتظار المعالجة الخارجية،" قال أردوينو.

يتم شحن النماذج كملفات GGUF كمية—1.2 جيجابايت للنموذج ذي 1.7 مليار معلمة و 2.6 جيجابايت للنموذج ذي 4 مليارات معلمة—مع الاحتفاظ بالإصدارات المضغوطة بمعظم أداء المعيار بينما تتناسب مع الأجهزة الاستهلاكية القياسية. وهذا يعني أن نظام مستشفى، أو عيادة ريفية، أو طبيب فردي يمكنه تشغيل النموذج بالكامل على الجهاز، مما يحافظ على سجلات المرضى بعيدًا عن البنية التحتية السحابية للجهات الخارجية وبعيدًا عن التعرض لقانون HIPAA.

قد تكون ميزة الخصوصية إضافة كبيرة لبعض الناس، ولكن استخدام الذكاء الاصطناعي للآراء الطبية بعيد كل البعد عن المثالية حتى بمعايير اليوم. وجدت دراسة لجامعة أكسفورد نُشرت في فبراير أن نماذج اللغة الكبيرة (LLMs) تقدم بشكل روتيني نصائح طبية خطيرة بإجابات خاطئة وتوجيهات مربكة وسوء تعامل مع الأعراض الدقيقة. لم يتوقف الباحثون عن استبعاد التكنولوجيا تمامًا، لكنهم جادلوا بأن للذكاء الاصطناعي دور "سكرتير، وليس طبيب". وتتفاقم المشكلة بسبب الامتثال: معظم أنظمة الذكاء الاصطناعي الطبية اليوم توجه بيانات المرضى عبر خوادم سحابية، مما يؤدي إلى التعرض لـ HIPAA في كل مرة يكتب فيها الطبيب استعلامًا.

يتوافق هذا الإصدار مع نمط Tether خلال العام الماضي. في الشهر الماضي، شحنت الشركة حزمة تطوير البرامج QVAC SDK، وهي مجموعة أدوات مفتوحة المصدر لبناء تطبيقات الذكاء الاصطناعي المحلية وغير المتصلة بالإنترنت عبر أنظمة iOS و Android و Windows و Linux. قبل ذلك، أطلقت QVAC Health، وهو تطبيق للصحة والعافية للمستهلكين يحافظ على بيانات القياسات الحيوية بالكامل على الجهاز. يُعد MedPsy أول نموذج QVAC تم تدريبه خصيصًا على الاستدلال السريري.

يبلغ حجم سوق الذكاء الاصطناعي الطبي اليوم حوالي 36 مليار دولار، مع توقعات تشير إلى تجاوز 500 مليار دولار بحلول عام 2033، وفقًا لإعلان Tether الخاص. النماذج وأوزان GGUF متاحة الآن على qvac.tether.io/models.