همبنیانگذار FaceID اپل مدل AI Brain را میسازد

خلاصه هوشمند مقاله
هممخترع فناوری FaceID و Vision Pro شرکت Apple، شش سال گذشته را صرف ساخت یک مدل پیشرفته هوش مصنوعی کرده است که میتواند فعالیت الکتریکی مغز را برای تشخیص اختلالات شناختی رمزگشایی کند. شرکت Hemispheric به رهبری Gidi Littwin، پس از جمعآوری دادههای مغزی ۱۰۰ هزار نفر، ۵۲ میلیون دلار سرمایه جذب کرده تا...
هممخترع فناوری FaceID و Vision Pro شرکت Apple، شش سال گذشته را صرف ساخت یک مدل پیشرفته هوش مصنوعی کرده است که میتواند فعالیت الکتریکی مغز را برای تشخیص اختلالات شناختی رمزگشایی کند. شرکت Hemispheric به رهبری Gidi Littwin، پس از جمعآوری دادههای مغزی ۱۰۰ هزار نفر، ۵۲ میلیون دلار سرمایه جذب کرده تا مدلهای یادگیری عمیق را برای بررسی مغز بدون نیاز به روشهای تهاجمی آموزش دهد. Littwin در سال ۲۰۲۰ Apple را ترک کرد و به دنبال تغییری در مسیر شغلی خود بود. او این تغییر را زمانی یافت که Hagai Lalazar، همبنیانگذار Hemispheric، از طریق LinkedIn با او تماس گرفت. Lalazar توسعه هوش مصنوعی برای مطالعه مغز بدون نیاز به جراحی را آغاز کرده بود و به دنبال یک همبنیانگذار با ذهنیت تجاری برای پیشبرد شرکت بود. Littwin پیش از این در توسعه FaceID نقش داشت و در آن زمان روی ردیابی دست برای محصول واقعیت افزوده Vision Pro کار میکرد. او برای این پروژهها، دادههای صدها هزار نفر را جمعآوری کرده بود تا مدلهای یادگیری عمیق را آموزش دهد.
Littwin میگوید: «عملیات جمعآوری دادههای عظیمی پشت این پروژهها بود و ما میدانستیم که باید چیزی بسیار مشابه در Hemispheric بسازیم و این کار را انجام دادیم.»
از آنجا که فعالیت مغزی هر فرد متفاوت است، پزشکان عمدتاً برای تشخیص افسردگی، آلزایمر و پارکینسون به پرسشنامههای ذهنی و مشاهدات رفتاری متکی بودهاند. برای غلبه بر این مشکل، Littwin و Lalazar ارزشمندترین دارایی خود را جمعآوری کردند: ۲۵۰ هزار ساعت داده مغزی از ۱۰۰ هزار داوطلب در آسیا، تلآویو و بوستون. این افراد در مجموعهای از فعالیتها شرکت کردند که شبیه بازی بودند اما بخشهای مختلف مغزشان را فعال میکردند. این دادهها به آموزش یک مدل پیشرفته کمک کرد که عملکرد مغز را از فعالیت الکتریکی درون جمجمه استنباط میکند، همانطور که مدلهای زبان بزرگ با تحلیل آماری متن، معنا را استنباط میکنند. آنها سپس مدل تعمیمیافته را روی زیرمجموعههایی از افراد، از جمله کسانی که مبتلا به PTSD، اسکیزوفرنی و افسردگی تشخیص داده شده بودند، آزمایش کردند و گفتند که مدل، استنباطهای دقیقی درباره سلامت مغز افراد انجام داده است. این تیم در حال حاضر روی یک مطالعه بالینی کار میکند تا آزمایش کند که آیا مدل آنها میتواند آلزایمر را تشخیص دهد و حتی پیشبینی کند. Littwin و Lalazar اولین محصول خود را که برای مطالعه PTSD استفاده خواهد شد، اوایل سال آینده برای تأیید به FDA ارائه خواهند کرد. آنها امیدوارند این امر به آنها اجازه دهد تا محصول را اواخر سال ۲۰۲۷ به عموم عرضه کنند. برای کمک به تشخیص اختلال شناختی، بیمار یک هدست سبک EEG را به مدت حدود ۱۵ دقیقه میپوشد که فعالیت الکتریکی مغز را اندازهگیری میکند، در حالی که با یک برنامه در تبلت تعامل دارد. Hemispheric میگوید مدل هوش مصنوعی آن به پزشکان کمک خواهد کرد تا سیگنالها را رمزگشایی کرده و تشخیص دهند، مؤثرترین مداخله را با پیشبینی درباره درمان انتخاب کنند و پیشرفت را نظارت کنند. Lalazar میگوید: «آیندهای که ما متصور هستیم، آیندهای است که این کار شبیه یک آزمایش خون است. دستگاه بسیار ارزان خواهد بود؛ میتوان آن را در کلینیکهای سلامت روان، بیمارستانها و حتی مطبهای روانشناسان فروخت و توزیع کرد.» ابزارهای تشخیصی با کمک هوش مصنوعی برای بیماریهایی مانند سرطان ریه در حال حاضر در بالین استفاده میشوند و دسترسی به درمان را در سراسر اروپا تسریع میکنند. در همین حال، غولهای هوش مصنوعی، از جمله OpenAI و Anthropic، در حال گسترش به حوزه مراقبتهای بهداشتی هستند و رقابت را برای تعداد زیادی از استارتاپهای این فضا تشدید میکنند. Hemispheric سرمایه اولیه خود را از شرکتهای سرمایهگذاری خطرپذیر آمریکایی و اسرائیلی و سرمایهگذاران فردی، از جمله Howard Morgan، از حامیان اولیه Uber، جذب کرده است. این شرکت از این پول برای پیشبرد همکاریها با دولتها، سازمانهای مراقبتهای بهداشتی و شرکتهای داروسازی، استخدام بیشتر در ایالات متحده و کار برای تأیید نظارتی استفاده خواهد کرد. همچنین قصد دارد دادههای مغزی بیشتری را از میلیونها نفر اندازهگیری کند تا مدل خود را بهبود بخشد. این تیم همچنین در حال توسعه اسکنرهای مغزی خود است تا اطلاعاتی را به دست آورد که شرکت معتقد است میتواند دادههای مفیدتری برای مدلهایش نسبت به EEGهای سنتی فراهم کند. Littwin میگوید: «این دستگاهها هرگز برای یادگیری ماشین و قطعاً نه یادگیری عمیق ساخته نشده بودند.» منبع: Wired
