@tetherگروه تحقیقاتی هوش مصنوعی راه اندازی شد @qvac شرکت MedPsy روز چهارشنبه خانواده‌ای از مدل‌های زبان پزشکی را منتشر کرد که به اندازه کافی جمع و جور هستند تا روی تلفن‌های هوشمند اجرا شوند، اما در عین حال قادرند در آزمایش‌های بالینی از رقبایی با اندازه چندین برابر خود پیشی بگیرند.

نتایج معیار که فرض مقیاس-اول را به چالش می‌کشد

MedPsy در دو اندازه، پارامترهای ۱.۷B و ۴B عرضه می‌شود و به‌طور خاص برای استقرار لبه از طریق اکوسیستم QVAC ساخته شده است. مدل کوچک‌تر ۱.۷B در هفت آزمایش پزشکی، MedGemma-4B گوگل را با ۱۱.۴۲ امتیاز اختلاف شکست داد. در ارزیابی دشوارتر HealthBench Hard، از MedGemma-27B، مدلی ۱۶ برابر بزرگ‌تر، پیشی گرفت. نسخه 4B در معیارهای پزشکی بسته، امتیاز 70.54 را کسب کرد و با وجود اینکه تقریباً هفت برابر کوچکتر بود، از MedGemma-27B پیشی گرفت و این فاصله در سناریوهای واقعی سلامت از جمله HealthBench Hard (58.00 در مقابل 42.00) و MedXpertQA (30.61 در مقابل 25.18) بیشتر هم شد. مدل 4B همچنین با استفاده از 3.2 برابر توکن کمتر، پاسخ‌هایی تولید کرد که نشان‌دهنده‌ی افزایش معنادار در کارایی محاسباتی در کنار دقت خام است.

چشم‌انداز فعلی مدل‌های زبان بزرگ پزشکی، نشان‌دهنده‌ی بده‌بستان شدیدی بین قابلیت و قابلیت استقرار است. MedGemma-27B گوگل عملکرد قوی در معیارها ارائه می‌دهد، اما با ۲۷ میلیارد پارامتر، برای استقرار در لبه کاملاً غیرممکن است و به پردازنده‌های گرافیکی با ده‌ها گیگابایت VRAM نیاز دارد. رویکرد تتر بر روش آموزشی گزینش‌شده به جای مقیاس‌پذیری مبتنی بر جستجوی فراگیر (brute-force) تأکید دارد.

چرا استقرار روی دستگاه برای مراقبت‌های بهداشتی اهمیت دارد؟

این مدل‌ها در قالب‌های کوانتیزه شده ۱.۲ و ۲.۶ گیگابایتی عرضه می‌شوند که به اندازه کافی کوچک هستند تا بدون اتصال به اینترنت روی تلفن هوشمند یا ایستگاه کاری بیمارستان اجرا شوند. داده‌های پزشکی به‌طور منحصربه‌فردی حساس هستند. سوابق بیمار، پرسش‌های تشخیصی و یادداشت‌های بالینی حاوی اطلاعات بهداشتی محافظت‌شده‌ای هستند که تحت چارچوب‌های نظارتی سختگیرانه‌ای از جمله HIPAA در ایالات متحده و GDPR در اروپا اداره می‌شوند. الگوی غالب هوش مصنوعی پزشکی مبتنی بر ابر، مستلزم آن است که این داده‌ها از دستگاه کاربر خارج شده و روی سرورهای از راه دور پردازش شوند و این امر باعث ایجاد بار انطباق و تنش اساسی بین قابلیت‌های هوش مصنوعی و حریم خصوصی بیمار می‌شود. اجرای استنتاج به صورت محلی، آن مانع را به طور کامل از بین می‌برد.

مدیریت عامل paoloardoino این انتشار را به عنوان یک انتخاب آگاهانه از کارایی به جای مقیاس‌پذیری، مطابق با تلاش گسترده‌تر تتر برای حفظ حریم خصوصی و هوش مصنوعی روی دستگاه از طریق پلتفرم QVAC، توصیف کرد. مدل‌های MedPsy تحت مجوز Apache 2.0 برای اهداف تحقیقاتی و آموزشی در دسترس هستند و به طور خاص برای استقرار در محیط‌های با محدودیت پهنای باند، گردش‌های کاری بالینی حساس به حریم خصوصی و محیط‌های مراقبت‌های بهداشتی با منابع کم که در آن‌ها داده‌ها هرگز نباید دستگاه را ترک کنند، طراحی شده‌اند.

این رونمایی در لحظه‌ای مهم برای این بخش از بازار اتفاق می‌افتد. ارزش بازار جهانی هوش مصنوعی در حوزه سلامت در سال ۲۰۲۵، ۳۶.۶۷ میلیارد دلار بود و پیش‌بینی می‌شود که تا سال ۲۰۳۳ به ۵۰۵.۵۹ میلیارد دلار برسد و نرخ رشد مرکب سالانه آن ۳۸.۹۰ درصد باشد. رعایت مقررات مربوط به حریم خصوصی داده‌ها همچنان یکی از موانع اصلی پذیرش گسترده‌تر است، که دقیقاً همان مشکلی است که MedPsy برای حل آن طراحی شده است.

منابع:
QVAC MedPsy: مدل‌های زبان پزشکی و مراقبت‌های بهداشتی پیشرفته برای دستگاه‌های لبه، چهره در آغوش گیرنده
Tether Data QVAC Fabric LLM، Tether.io را معرفی کرد
گزارش اندازه و سهم بازار هوش مصنوعی در مراقبت‌های بهداشتی، گرند ویو ریسرچ