Samsung Research представила лінійку ШІ-моделей, натренованих на біосигналах, які збирають Galaxy Watch і Galaxy Ring, — пульсі, варіабельності серцевого ритму, фотоплетизмограмі (PPG) та даних руху. Ідея проста: перетворити потік сирих сенсорних даних, що роками накопичувався в Samsung Health, на модель, здатну розпізнавати патерни сну, стресу та фізичного стану користувача.
Це не перший крок Samsung у бік ШІ для здоров'я, але акцент саме на фаундейшн-моделях для біосигналів ставить компанію в один ряд із дослідницькими підрозділами Google і Apple, які також експериментують із великими моделями для даних носимих пристроїв. За даними AI News, Samsung позиціонує ці моделі як основу для майбутніх функцій Samsung Health — від точнішого відстеження сну до раннього виявлення відхилень у серцевому ритмі.
Для індустрії носимих пристроїв це важливий сигнал: перехід від окремих алгоритмів під кожну метрику до єдиної моделі, яка вчиться на сирих сигналах і потім адаптується під конкретні задачі. Той самий підхід, який зробив можливим мовні моделі на кшталт GPT, тепер намагаються перенести на дані людського тіла.
Що саме анонсував Samsung?
Samsung Research описує свої health AI моделі як системи, натреновані на масивах біосигнальних даних з носимих пристроїв компанії — передусім Galaxy Watch і Galaxy Ring. На відміну від традиційних алгоритмів, де під кожен показник — частоту серцевих скорочень, фази сну, рівень стресу — використовується окрема логіка, нові моделі навчаються одразу на сирому сигналі, а вже потім донавчаються під конкретні завдання.
Це архітектурний зсув у бік так званих foundation models — великих моделей загального призначення, які згодом спеціалізують під вузькі задачі. У мовних моделях цей підхід дав GPT та подібні системи; Samsung намагається застосувати ту саму логіку до фотоплетизмограми, акселерометрії та інших сенсорних потоків з носимих пристроїв.
Як це працює під капотом?
Носимі пристрої Samsung безперервно записують необроблені сигнали — оптичний пульс через PPG-сенсор, рух через акселерометр, у деяких моделях годинників — і ЕКГ. Раніше такі дані оброблялися вузькоспеціалізованими алгоритмами: кожен навчався розпізнавати один конкретний патерн, наприклад аритмію чи фазу сну.
Фаундейшн-модель натомість спершу вчиться на великому масиві сирих сигналів без прив'язки до конкретної мітки, а вже потім її донавчають (fine-tune) під окремі задачі — оцінку якості сну, рівня стресу чи фізичної форми. Перевага такого підходу — менше ручної розмітки даних і потенційно краще узагальнення на нових користувачах і сценаріях, яких не було в початковому наборі даних.
Кому це вигідно і де тут межі точності?
Уніфікована модель біосигналів дозволяє швидше додавати нові функції без розробки окремого алгоритму з нуля під кожну з них. Найбільший виграш отримують:
- Samsung Health і партнери в екосистемі Galaxy — швидше додавання нових функцій, наприклад персоналізованих інсайтів про відновлення після тренування.
- Розробники сторонніх застосунків, що інтегрують API Samsung Health, — потенційно точніші базові метрики сну, стресу та активності без побудови власної моделі.
Для AI-білдерів поза екосистемою Samsung сигнал інший: конкуренція за дані носимих пристроїв перетворюється на конкуренцію фаундейшн-моделей, а не окремих алгоритмів. Компанія з найбільшим масивом розмічених біосигналів — а в Samsung це мільйони власників Galaxy Watch і Galaxy Ring — отримує структурну перевагу в якості моделі.
Водночас лишається відкритим питання клінічної валідації. Модель, натренована на патернах з носимого сенсора, — це інструмент для персональних інсайтів, а не заміна медичної діагностики, і поки що немає публічних даних про регуляторне схвалення таких моделей для клінічного використання.
Висновок AiiN
За нашою оцінкою, головне тут не конкретна модель, а сам напрямок: великі техкомпанії переносять логіку фаундейшн-моделей із тексту та зображень на біологічні сигнали тіла. Це означає, що наступна хвиля конкуренції в носимих пристроях розгортатиметься не навколо кількості сенсорів у годиннику, а навколо того, хто зібрав найбільший і найякісніший датасет біосигналів для тренування моделі. Для розробників додатків у сфері здоров'я це привід придивитися до API Samsung Health та подібних платформ як до потенційної інфраструктури для власних продуктів, а не лише як до джерела сирих метрик.
Чи означає це, що Galaxy Watch тепер ставить діагнози?
Ні. Моделі, про які йдеться, аналізують патерни в біосигналах для персональних інсайтів — сну, стресу, фізичної форми, — а не для медичної діагностики. Клінічне застосування подібних моделей потребує окремої регуляторної валідації, про яку публічно анонсовані дані поки не повідомляють.
Чим цей підхід відрізняється від того, що вже роблять Apple і Google?
Загальний напрямок схожий: Apple Watch і носимі пристрої під брендом Google також аналізують біосигнали для оцінки сну та серцевого ритму. Відмінність саме цього анонсу — перехід Samsung до фаундейшн-моделі, натренованої одразу на масиві сирих сигналів, замість набору вузькоспеціалізованих алгоритмів під кожен окремий показник.