
هوش مصنوعی مایکروسافت در موارد دشوار از پزشکان پیشی گرفت
مایکروسافت اعلام کرد سیستم تشخیصی هوش مصنوعی این شرکت در موارد دشوار عملکردی بهتر از پزشکان عمومی داشته است، بر اساس مطالعهای در نشریه Science. با این حال، بخش عمده این بهبود ناشی از مدلهای پایه زیربنایی است، نه خود سیستم مایکروسافت.
مصطفی سلیمان، مدیر بخش هوش مصنوعی مایکروسافت، اعلام کرد سیستم تشخیصی جدید این شرکت در موارد بالینی دشوار عملکردی بهتر از پزشکان عمومی داشته است. این ادعا بر پایه مطالعهای است که در نشریه Science منتشر شده و به مقایسه خروجی سیستم مایکروسافت با تشخیص پزشکان در پروندههای پیچیده پرداخته است. بر اساس این گزارش، برتری سیستم یادشده در مواردی مشاهده شده که تشخیص آنها برای پزشکان عمومی دشوار بوده است. سلیمان این دستاورد را گامی در مسیر هدف بلندپروازانهای توصیف کرده که آن را «ابر هوش پزشکی» (medical superintelligence) مینامد. با این حال، نکته مهم در یافتههای این مطالعه آن است که بخش عمده بهبود عملکرد به مدلهای پایه هوش مصنوعی مورد استفاده بازمیگردد، نه به لایه سیستمی که مایکروسافت توسعه داده است. به بیان دیگر، دستاورد اصلی متعلق به توانایی مدلهای زیربنایی در استدلال بالینی است و سهم معماری اختصاصی مایکروسافت در این نتیجه محدودتر از آن است که در نگاه اول به نظر میرسد. این موضوع از منظر ارزیابی فنی اهمیت دارد، زیرا نشان میدهد مقایسه مستقیم یک سیستم تجاری با پزشکان بدون تفکیک سهم مدل پایه و سهم لایههای بالادستی، تصویر کاملی از عملکرد واقعی ارائه نمیدهد. همچنین ادعای نزدیک بودن به «ابر هوش پزشکی» نیازمند ارزیابی مستقل در محیطهای بالینی واقعی و بررسی نرخ خطا در موارد نادر است. برای توسعهدهندگان ایرانی، این گزارش دو نکته عملی دارد: نخست آنکه ارزش افزوده اصلی در کاربردهای پزشکی به کیفیت مدل پایه و روش ارزیابی وابسته است، نه صرفاً به رابط یا سیستم پیرامونی؛ دوم آنکه هرگونه بهکارگیری چنین ابزارهایی در حوزه سلامت نیازمند اعتبارسنجی محلی روی دادههای بالینی بومی و در نظر گرفتن الزامات حریم خصوصی و مسئولیت پزشکی است.
این مدل در اپکس۲۴ قابل دسترس است
یک کلید API — ۵۰+ مدل هوش مصنوعی




