بقلم: نور | محررة الأبحاث والدراسات · صوت تحريري بإشراف بشري
ثمانية عشر مليون ساعة من بيانات التسارع، مجموعات بيانات عالمية، ونموذج واحد يعمل على معصمك ثم ينتقل إلى كاحلك أو صدرك دون إعادة تدريب — هذا ما تقترحه Inertia-1، التجربة المفتوحة نحو نموذج أساسي موحّد لحركة الإنسان، التي نشرها مختبر Yang AI Lab.
المشكلة التي تحاول Inertia-1 حلّها ليست تقنية صغيرة؛ إنها أزمة بنيوية في مجال نمذجة الحركة كله. كل مجموعة بيانات تختلف عن الأخرى في معدل أخذ العينات ومدة النافذة الزمنية ونوع الحساس وموضعه على الجسم وحتى تنسيق الإشارة. والنتيجة؟ كل مهمة تحصل على نموذجها المخصص، والنتائج نادراً ما تنتقل من سياق إلى آخر. (وفقاً لـ Yang AI Lab)
جاءت Inertia-1 لتدرس دورة حياة نماذج الحركة كاملةً — البيانات، الاستشعار، الأهداف، والحجم — داخل فضاء واحد خاضع للسيطرة. والنتيجة تمثيل عام يتكيف عبر مواضع الجسم المختلفة والأجهزة والمهام المتعددة، انطلاقاً من عمود فقري واحد مدرَّب مرة واحدة.
فيما يلي أبرز ما كشفت عنه الدراسة من نتائج تقنية وعملية، موزّعةً على محاور التصميم والأداء والتطبيق:
- التحويل من المعصم إلى كامل الجسم دون إعادة تدريب: دُرِّب النموذج على المعصم حصراً، ثم نُقل إلى مواضع لم يرَها من قبل — الورك، الكاحل، الصدر، وغيرها. الأداء يظل متيناً حتى عند الانتقال إلى أنواع حساسات مختلفة كالجيروسكوب والمغناطيسي. هذا يعني أن فريق تطوير أجهزة الاستشعار لا يحتاج إلى نموذج مخصص لكل موضع جديد على الجسم. (وفقاً لـ Yang AI Lab)
- دمج تدفقات متعددة يرفع الدقة ويُنظّف التمثيل: إضافة تدفقات إضافية — مواضع أكثر، جيروسكوب، مغناطيسي — تجعل التمثيل المُتعلَّم أكثر دقةً وأنظف، مع فصل أوضح للأنشطة في مجموعات أكثر تراصّاً. التدفقات تكاملية لا متكررة: كل واحد يلتقط ما تفوّت الآخرين. (وفقاً لـ Yang AI Lab)
- معدل أخذ العينات 1 Hz يكفي للتعرف على النشاط، لكن الصحة تحتاج أكثر: النماذج المدرَّبة مسبقاً تحتفظ بأدائها حتى عند معدل 1 هيرتز لمهام التعرف على النشاط. لكن الإشارات الصحية الدقيقة — كتلك المرتبطة بالتنبؤ بالأمراض — تستفيد من معدلات أعلى. (وفقاً لـ Yang AI Lab)
- نوافذ 30-60 ثانية هي النقطة المثلى عبر معظم المهام: قصيرة بما يكفي للتحليل السريع، وطويلة بما يكفي لالتقاط السياق. هذا القرار التصميمي يؤثر بشكل مباشر على كفاءة الحوسبة في الأجهزة القابلة للارتداء. (وفقاً لـ Yang AI Lab)
- الإدخال ثلاثي المحاور يتفوق دائماً على ملخصات القيمة المطلقة: الاحتفاظ بالمحاور الثلاثة كاملةً يتفوق باستمرار على استخدام ملخصات مقدار الاتجاه (vector magnitude). المحاور الإضافية تحمل إشارة حقيقية لا ينبغي إسقاطها بحجة تبسيط البيانات. (وفقاً لـ Yang AI Lab)
- النطاق الزمني يحفظ إشارات المشية والصحة أفضل من التردد: نمذجة المجال الزمني تحفظ إشارات المشية والصحة بشكل أفضل مقارنةً بإعادة البناء في مجال التردد. الانتقال إلى مجال التردد يُضيّع تفاصيل تشخيصية قد تكون حاسمة في السياقات السريرية. (وفقاً لـ Yang AI Lab)
- الإعداد المسبق على نطاق كوكبي يُلغي الحاجة إلى التسميات: التدريب المسبق يستند إلى أكثر من 18 مليون ساعة من بيانات تسارع مأخوذة من مجموعات سكانية عالمية، باستخدام التعلم الذاتي الإشراف دون الحاجة إلى تسميات يدوية. الضبط الدقيق على مهام جديدة يتطلب بيانات محدودة أو لا شيء أحياناً. (وفقاً لـ Yang AI Lab)
ما يجعل هذه الخصائص مثيرة للاهتمام هو اتساع التطبيق الممكن. عمود الفقري نفسه يُشغّل في آنٍ واحد التعرفَ على الأنشطة اليومية، والكشفَ عن تجمّد المشية كمؤشر على التدهور العصبي، والتنبؤَ بنتائج صحية طويلة الأمد من الحركة السلبية — أي دون أن يكون المستخدم مدركاً أنه يُنتج بيانات طبية قابلة للتحليل.
ويمتد هذا إلى مستوى الجهاز نفسه: النموذج متكيّف مع أجهزة وأنواع حساسات مختلفة، ما يعني أنه يمكن دمجه مع ما هو موجود فعلاً في الأسواق دون اشتراط مواصفات تقنية محددة. هذا قرار معماري ذكي في سوق تتنافس فيه شركات الأجهزة القابلة للارتداء على أشكال عوامل مختلفة وتقنيات حساسات متباينة.
الورقة تُقدّم Inertia-1 صراحةً بوصفها “خطوة أولى” لا منتجاً نهائياً، وهو تحفّظ يستحق التوقف عنده. التحقق من الادعاءات عبر مجموعات بيانات مستقلة، وقياس الأداء في بيئات نشر حقيقية، ومعالجة فجوات التفسيرية بين الإشارة الحركية والنتيجة السريرية — كل هذه تُمثّل تحديات مفتوحة تدعو الباحثون الراغبين في المساهمة إلى التواصل مع الفريق.
إذا كنت تعمل على بيانات حركة أو تطبيقات صحية قابلة للارتداء، فإن ما تطرحه Inertia-1 من قواعد تصميمية — من اختيار معدل أخذ العينات إلى قرار الإبقاء على المحاور الثلاثة كاملةً — يُقدّم إطاراً قيّماً لاتخاذ قرارات هندسية مستندة إلى أدلة تجريبية لا إلى حدس.
