Новые исследования подтверждают, что принципы scaling laws, лежащие в основе развития больших языковых моделей, работают и при анализе физиологических данных с носимых устройств. Это открывает путь к созданию фундаментальных биометрических моделей с предсказуемым ростом точности.
Что произошло
Ученые обнаружили, что ошибка валидации сенсорных данных предсказуемо снижается при увеличении объема обучающих данных (до 40 млн часов), размера модели (до 328 млн параметров) и вычислительных ресурсов. При этом процесс насыщения эффективности в сенсорных моделях происходит быстрее, чем в LLM: оптимальные показатели достигаются при наличии около 10 млн часов данных и 100 млн параметров.
Контекст
В отличие от текстовых моделей, которые сталкиваются с проблемой дефицита высококачественных обучающих данных, сенсорные данные от носимых устройств являются практически неисчерпаемым ресурсом. Это позволяет перейти от ручного подбора гиперпараметров к масштабируемому обучению специализированных архитектур.
Почему это важно для индустрии
Данное открытие подтверждает возможность создания фундаментальных моделей (foundation models) для биометрии. Это может демократизировать рынок, снизив порог входа для стартапов и позволив им создавать высокоточные AI-продукты вне зависимости от текущей олигополии технологических гигантов в сфере LLM.
Почему это важно для пользователей
Для конечных пользователей это означает качественный скачок в развитии умных часов, колец и других гаджетов. Устройства будут становиться экспоненциально умнее не только за счет новых алгоритмов, но и благодаря предсказуемому росту точности мониторинга здоровья по мере накопления глобальных массивов данных.
Что пока неизвестно / ограничения
Существуют серьезные юридические и регуляторные риски, связанные с приватностью данных (GDPR, EU AI Act), которые могут ограничить масштабирование биометрических моделей, несмотря на их технический потенциал.
Источники
Автор
Look at AI, редакция