سامسونگ مدل‌های بنیادین سلامت روی‌دستگاه xMAE و HiMAE را معرفی کرد؛ استنباط در کمتر از یک میلی‌ثانیه

رقابت مدل‌های بنیادین (foundation model) حالا به حوزه‌ای رسیده که تا دیروز قلمرو ابرهای عظیم محاسباتی بود: ساعت هوشمند روی مچ دست شما. Samsung Research America در ۲۰ اوت ۲۰۲۶ دو مدل بنیادین برای سیگنال‌های زیستی پوشیدنی‌ها معرفی کرد: xMAE که روی حدود ۹٬۴۰۰ ساعت داده جفت‌شده ECG و PPG پیش‌آموزش دیده و در ۱۵ مورد از ۱۹ وظیفه ارزیابی بهترین نتیجه را ثبت کرده است، و HiMAE که با استنباط زیر یک میلی‌ثانیه روی چیپ در کلاس ساعت هوشمند، به گفته سامسونگ نخستین مدل بنیادین سلامتِ کاملاً روی‌دستگاه (on-device) در جهان است.

#چه اتفاقی افتاده است؟

مدل‌های بنیادین سلامت، مدل‌هایی هستند که با پیش‌آموزش روی حجم عظیمی از سیگنال‌های زیستی خام، یک «درک عمومی» از فیزیولوژی بدن می‌سازند و سپس با کمی تنظیم دقیق (fine-tuning) برای وظایف مختلفی — از تشخیص آریتمی تا پیش‌بینی ریسک قلبی-عروقی — به کار می‌روند. xMAE نماینده رویکرد «دقت حداکثری» است: با یادگیری از هم‌راستایی دو سیگنال ECG (الکتروکاردیوگرام) و PPG (فتوپلتیسموگرافی، همان حسگر نوری پشت ساعت‌ها) توانسته در اکثریت قاطع بنچمارک‌ها — ۱۵ از ۱۹ وظیفه شامل پیش‌بینی‌های قلبی-عروقی — صدرنشین شود. HiMAE در قطب دیگر طراحی قرار دارد: بهینه‌سازی شدید برای اجرای محلی، با تأخیر استنباط کمتر از ۱ میلی‌ثانیه روی سیلیکون در کلاس ساعت هوشمند.

HiMAE به گفته سامسونگ نخستین مدل بنیادین سلامت کاملاً روی‌دستگاه است. — NeuralBuddies

#جزئیات فنی

چالش اصلی در این حوزه، ناپایداری و نویزی‌بودن سیگنال PPG در پوشیدنی‌های واقعی است؛ حرکت دست، فشار بند ساعت و رنگ پوست همگی بر سیگنال اثر می‌گذارند. پیش‌آموزش جفت ECG/PPG در xMAE دقیقاً برای همین طراحی شده: مدل یاد می‌گیرد نمایش‌های داخلی سیگنال نویزی PPG را به ساختار تمیزتر ECG نزدیک کند — نوعی «تقطیر بین‌مدالی» که کیفیت استنباط از حسگر ارزان ساعت را به سمت استاندارد بالینی هل می‌دهد. در سمت HiMAE، رسیدن به استنباط زیر میلی‌ثانیه به معنای حذف کامل رفت‌وبرگشت ابری است: نه تاخیر شبکه، نه هزینه سرور، و مهم‌تر از همه، نه خروج داده زیستی از دستگاه کاربر.

#چرا مهم است؟

سه پیامد بزرگ در این اعلام نهفته است. نخست، حریم خصوصی ساختاری: وقتی مدل سلامت کاملاً روی دستگاه اجرا شود، حساس‌ترین داده ممکن — ریتم قلب شما — دیگر هرگز دستگاه را ترک نمی‌کند؛ این در مقایسه با مدل‌های ابری که استریم مداوم سیگنال زیستی را به سرور می‌فرستند، تفاوتی ماهوی است و می‌تواند استدلال رگولاتوری قدرتمندی در بازارهایی مثل اروپا باشد. دوم، اقتصاد مقیاس: حذف استنباط ابری برای صدها میلیون پوشیدنی، هزینه نهایی هر کاربر را تقریباً صفر می‌کند و پایش مداوم سلامت را از یک «اشتراک پریمیوم» به یک قابلیت پیش‌فرض تبدیل می‌کند. سوم، جای‌گاه رقابتی: در حالی که توجه عمومی به مدل‌های متنی غول‌پیکر معطوف است، سامسونگ با گذاشتن تراشه‌ها و پوشیدنی‌های خود در مقیاس صدها میلیون دستگاه، سکوی پرتاب منحصربه‌فردی برای «AI بالینی جیبی» ساخته است. پرسش باز این است که چنین دقت‌های بنچمارکی چه زمانی به تاییدیه‌های بالینی و نهادی (مانند FDA) ترجمه می‌شوند — همان مرزی که AI پزشکی مصرفی را از نوتیفیکیشن سرگرم‌کننده جدا می‌کند.

#اعداد و ارقام

• پیش‌آموزش xMAE: حدود ۹٬۴۰۰ ساعت داده جفت ECG/PPG
• عملکرد xMAE: بهترین نتیجه در ۱۵ از ۱۹ وظیفه ارزیابی
• تأخیر استنباط HiMAE: کمتر از ۱ میلی‌ثانیه روی چیپ کلاس ساعت هوشمند
• ادعای سامسونگ: نخستین مدل بنیادین سلامت کاملاً on-device

مسیر پیش‌رو برای این فناوری سه ایستگاه دارد: نخست انتشار مقالات علمی و داده‌های کامل بنچمارک برای بازبینی همتا؛ سپس یکپارچه‌سازی در نسل‌های بعدی Galaxy Watch و تراشه‌های Exynos؛ و در نهایت — و مهم‌تر از همه — عبور از دروازه تاییدیه‌های بالینی. سامسونگ با مقیاس پخش جهانی‌اش در پوشیدنی‌ها، در صورت موفقیت می‌تواند پایش قلبی-عروقی مداوم را برای صدها میلیون نفر به یک قابلیت پیش‌فرض تبدیل کند؛ اما تا پیش از آن، xMAE و HiMAE را باید نقطه آغاز امیدوارکننده‌ای دانست، نه نتیجه نهایی.

#منابع

• Samsung Research
• NeuralBuddies — مرور اخبار AI