אפליקציית הכושר שלך לא יכולה לדעת אם אתה משקר — וזו בעיה של מיליארדי דולרים

בנובמבר האחרון צפיתי בהדגמה ששברה משהו במוח שלי.

ספק של תוכניות בריאות ארגוניות הציג את "פלטפורמת הכושר המבוססת בינה מלאכותית" שלו בפני חדר מלא במנהלי חברות ביטוח. ההדגמה הייתה מלוטשת — משתמש על המסך מבצע סקוואטים, האפליקציה סופרת חזרות, מעניקה נקודות, כל החבילה הממושחקת. המנהלים הנהנו בהסכמה. ואז שאלתי שאלה שהשתיקה את החדר: "מה קורה אם המשתמש פשוט מתנועע מעלה ומטה שלושה אינצ'ים במקום לבצע סקוואט אמיתי?"

הספק חייך. "ובכן, אנחנו סומכים על המשתמשים שלנו ש—"

"אתם סומכים עליהם," אמרתי. "אבל אתם מבקשים מחברת הביטוח הזו לתמחר סיכון על סמך האמון הזה."

זה היה הרגע שבו ידעתי שאנחנו בונים את הדבר הנכון ב-Veriprajna. לא עוד צ'אטבוט. לא עוד עטיפה סביב GPT. משהו שהתעשייה נזקקה לו נואשות אך לא הצליחה לנסח: בינה מלאכותית שאינה מייצרת תשובות — היא מאמתת מציאות פיזית.

לתעשיית הכושר והבריאות הדיגיטלית יש סוד מלוכלך. שוק הבריאות הארגונית בהיקף 60 מיליארד דולר, תוכניות ההנחות בביטוח, פרויקטי הקריפטו של move-to-earn — כולם בנויים על נתונים שמתפוגגים ברגע שמבקרים אותם. ואף אחד לא רוצה לדבר על זה כי לוחות המחוונים נראים נהדר.

אני הולך לדבר על זה.

מדוע אפליקציית הכושר שלך אינה יכולה לדעת אם באמת התאמנת?

הנה הארכיטקטורה של כמעט כל אפליקציית כושר בשוק: זהו נגן וידאו עם מנוע המלצות מודבק מעליו. אתה לוחץ על הפעלה, מדריך מבצע שכיבות סמיכה, אתה אמור לעקוב אחריו, וכשהווידאו מסתיים, האפליקציה מתעדת את האימון כ"הושלם". היא מעריכה את שריפת הקלוריות שלך מטבלאות גנריות. היא מעניקה לך תג.

בשום שלב האפליקציה לא אימתה שזזת.

האפליקציה מניחה שצריכה שווה להשלמה. היא שואלת, "עשית את העבודה?" ומקבלת ללא ביקורת את "כן" כתשובה.

זו אינה תלונה נישתית. זוהי הארכיטקטורה היסודית של תעשייה בהיקף של מיליארדי דולרים. והיא נכשלת מסיבה שכל כלכלן התנהגותי יכול היה לחזות.

יש עיקרון שנקרא חוק קמפבל — הסוציולוג דונלד קמפבל הבחין שככל שמשתמשים יותר במדד לצורך קבלת החלטות, כך יותר אנשים ישחיתו את אותו מדד. תחברו כסף לספירת צעדים, ואנשים יקשרו מכשירי Fitbit למאווררי תקרה. תחברו הנחות ביטוח ל"השלמת אימון", ואנשים יניחו לסרטונים להתנגן בזמן שהם אוכלים ארוחת ערב.

זה לא היפותטי. זוכרים את STEPN, פרויקט הקריפטו של move-to-earn? הוא קרס בין היתר בגלל מרוץ החימוש בין יכולת הפרוטוקול לזהות תנועה תקינה לבין יכולת המשתמשים לזייף אותה באמצעות זיוף GPS ומכשירי ניעור מכניים. כשהאימות חלש, הונאה הופכת לרציונלית. משתתפים הוגנים נענשים. מספק התמריצים פושט רגל.

חזרתי שוב ושוב למשפט שבסופו של דבר התחלתי לומר בכל פגישת מכירה: אי אפשר לְמַשְׂחֵק את מה שאי אפשר לאמת.

הלילה שבו הבנו שאמידת תנוחה אינה אינטליגנציה

לא התחלנו עם התובנה הזו. נתקלנו בה במקרה.

בשלבים המוקדמים, הצוות שלי היה נלהב מאמידת תנוחה — ספריות כמו BlazePose ו-MoveNet שמחלצות קואורדינטות של מפרקי שלד מווידאו. חשבנו, נהדר, נשתמש בהן כדי לבנות מערכת אימות כושר. בילינו שבועות בשילוב MoveNet, קיבלנו נתוני שלד נקיים המוזרמים ממצלמת טלפון, ואז התיישבנו כדי באמת להשתמש בנתונים לצורך אימות.

אז התחילו הוויכוחים.

אחד המהנדסים שלי, משוכנע שכמעט סיימנו, הציג פריים בודד של נתוני שלד — אדם עם מרפקים כפופים ופלג גוף עליון מונמך. "רואה? שכיבת סמיכה," הוא אמר.

"באמת?" שאלתי. "האם הוא יורד או עולה? האם הוא מחזיק את התנוחה הזו שלושים שניות או שלושים מילישניות? האם הוא רועד מעייפות או בשליטה מושלמת?"

פריים בודד לא אומר לך דבר. קואורדינטת שלד ברגע יחיד בזמן היא ריקה מבחינה סמנטית. זה כמו למסור למישהו קריאת מתח גולמית מא.ק.ג ולבקש אבחנה לבבית. החיישן מספק נתונים. אינטליגנציה מפרשת את האות.

בנינו חיישן טוב מאוד. בנינו אפס אינטליגנציה.

זה היה שבוע קשה. היינו כה ממוקדים בחלק של ראייה ממוחשבת — קבלת קואורדינטות נקיות של מפרקים — עד שבלבלנו בין התנאי המקדים לבין הפתרון. וכל מתחרה בתחום עשה את אותה טעות, ושיווק אמידת תנוחה כ"כושר מבוסס בינה מלאכותית" כשלמעשה זה היה רק סרגל מפואר.

כתבתי על שינוי הפרדיגמה הזה — מראייה לעיבוד אותות — לעומק רב יותר בגרסה האינטראקטיבית של המחקר שלנו. אך התובנה המרכזית הייתה פשוטה והיא שינתה את כל מה שבנינו לאחר מכן.

מה אם גוף האדם הוא אות רדיו?

הנה המסגור מחדש שפתח את כל הגישה שלנו.

כשאדם מבצע סקוואטים, המיקום האנכי של מפרק הירך שלו משרטט גל לאורך זמן. לא באופן מטפורי — במובן המילולי. זהו אות סינוסואידלי. קפיצות פיסוק מייצרות צורת גל מחזורית במהירות הזוויתית של הכתף. הליכה מייצרת אותות רב-הרמוניים מורכבים על פני פלג הגוף התחתון.

גוף האדם, בעת ביצוע תרגיל חוזר, הוא מתנד מכני.

ברגע שרואים את זה כך, מפסיקים לחשוב על ראייה ממוחשבת ומתחילים לחשוב על עיבוד אותות. פתאום יש לך גישה לערכת כלים מתמטית שונה לחלוטין:

• משרעת אומרת לך את עומק הסקוואט
• תדר אומר לך את הקצב
• פאזה אומרת לך אם הצד השמאלי והימני מתואמים
• טוהר ספקטרלי אומר לך אם התנועה מבוקרת או רועדת

אנחנו כבר לא מבקשים מבינה מלאכותית "לנחש" איזה תרגיל מתבצע. אנחנו מודדים את הפיזיקה של צורת גל. השאלה עוברת מ"איך זה נראה?" ל"מה זה מודד?"

מיסגרנו מחדש את זיהוי הפעילות האנושית לא כבעיה של סיווג תמונות, אלא כבעיה של עיבוד אותות דיגיטלי. ההחלטה היחידה הזו הפכה את האימות לאפשרי.

אך עיבוד אותות גולמי — התמרות פורייה וכדומה — הוא שביר כשמיישמים אותו על תנועה אנושית אמיתית. אנשים משנים מהירויות. זוויות המצלמה משתנות. זרועות מסתירות רגליים. צריך למידה עמוקה כדי להתמודד עם הרעש. השאלה הייתה: איזו ארכיטקטורה?

מדוע זרקנו את ה-LSTMs

אם למדת קורס כלשהו בלמידת מכונה בעשור האחרון, למדת שנתונים רציפים משמעם רשתות עצביות חוזרות. LSTMs — רשתות זיכרון ארוך-קצר טווח — היו סטנדרט הזהב. טקסט, אודיו, סדרות זמן — הכול עבר דרך LSTM.

ניסינו. זה לא עבד. לא באופן שהיינו זקוקים לו.

הבעיות היו יסודיות, לא ניתנות לתיקון באמצעות כוונון היפר-פרמטרים. LSTMs מעבדים נתונים ברצף — כדי לחשב מה קורה בפריים 100, צריך תחילה לעבד את פריימים 1 עד 99. בטלפון נייד הפועל בזמן אמת, צוואר הבקבוק הטורי הזה יוצר השהיה שהורגת את חוויית המשתמש. אי אפשר לומר למישהו "רד נמוך יותר" שתי שניות לאחר שהוא כבר חזר למעלה.

גרוע מכך, LSTMs שוכחים. ה"זיכרון" שלהם מתדרדר לאורך רצפים ארוכים. סט יוגה של חמש דקות או אתגר של חמישים חזרות שכיבות סמיכה מייצר אלפי פריימים, ובסופו של דבר, המודל איבד את ההקשר מההתחלה. ראינו זאת כסחף — ביטחון המודל בספירה שלו עצמו נשחק לאורך זמן, כמו אדם שמאבד את הספירה בראשו.

הייתה פגישת צוות שבה פרשנו את המספרים. ההשהיה הייתה בלתי מתקבלת על הדעת. הזיכרון היה בלתי אמין. העלות החישובית של הרצת LSTMs על אלפי זרמים ארגוניים במקביל הייתה בלתי אפשרית. מישהו אמר, "אולי אנחנו צריכים לחשוב מחדש על כל הארכיטקטורה."

מישהו אחר אמר, "אולי אנחנו צריכים קונבולוציות."

אותו אדם צדק.

כיצד רשת קונבולוציה טמפורלית באמת עובדת?

רשתות קונבולוציה טמפורליות — TCNs — לוקחות את ארכיטקטורת הקונבולוציה שחוללה מהפכה בזיהוי תמונות ומיישמות אותה על מרחב הזמן. במקום להחליק מסנן על פני פיקסלים בתמונה, מחליקים אותו על פני צעדי זמן באות. אך שתי בחירות עיצוב הופכות את ה-TCNs לשונות באופן קיצוני מכל מה שקדם להן.

ראשית: קונבולוציות סיבתיות. הרשת בזמן t מסתכלת רק על נתונים מזמן t ומוקדם יותר. היא לעולם אינה מציצה אל העתיד. זה נשמע מובן מאליו, אך זוהי ערובה מתמטית שחשובה עד מאוד לאימות בזמן אמת. אנחנו לא מחליטים רטרואקטיבית אם חזרה הייתה תקינה לאחר שהסט הסתיים — אנחנו מאמתים אותה בזמן שהיא מתרחשת.

שנית, וזהו החלק שעדיין מרגש אותי: קונבולוציות מורחבות. במקום להסתכל על צעדי זמן סמוכים, הרשת מכניסה מרווח בין הנקודות שהיא בוחנת. והמרווח הזה גדל באופן מעריכי עם כל שכבה. שכבה 1 רואה פריימים סמוכים. שכבה 2 מדלגת על אחד. שכבה 3 מדלגת על שלושה. עד שכבה 10, מסנן יחיד לוכד חלון של 512 פריימים.

משמעות הדבר היא שהרשת יכולה להתייחס בו-זמנית למה שקורה ממש עכשיו — האם הברך קורסת פנימה בפריים הספציפי הזה? — וגם למה שקרה במהלך שלוש הדקות האחרונות — האם מחזוריות התנועה מתדרדרת באופן שמרמז על עייפות?

TCN עם קונבולוציות מורחבות רואה הן את הפיזיקה הרגעית של פריים בודד והן את ההקשר הטמפורלי ארוך-הטווח של אימון שלם. שום ארכיטקטורה אחרת אינה מעניקה לך את שניהם בבת אחת.

ומכיוון שקונבולוציות הן פעולות מקביליות, לא רציפות, כל העניין רץ מהר מספיק להסקה ניידת בזמן אמת. גם האימון מהיר יותר — ללא גרדיאנטים מתפוצצים, ללא גרדיאנטים נעלמים, רק התפשטות לאחור יציבה דרך רשת בעומק קבוע.

לפירוט הטכני המלא — כולל נתוני הביצועים ההשוואתיים מול LSTMs והמתמטיקה של ניתוח האותות שלנו — ראו את מאמר המחקר שלנו.

ספירת חזרות בלי לדעת מהי חזרה

אחת מהחלטות העיצוב המוקדמות שלנו הייתה שנויה במחלוקת, אפילו בתוך הצוות.

רוב אפליקציות הכושר שמנסות לספור חזרות מאמנות מודל ספציפי לכל תרגיל. "סופר שכיבות סמיכה." "סופר סקוואטים." "סופר כפיפות מרפק." משמעות הדבר היא שכל תרגיל חדש דורש נתוני אימון חדשים, תיוג חדש, פריסה חדשה. זה שביר וזה לא מתאים להתרחבות.

פנינו לכיוון אחר. בנינו מערכת ספירה אגנוסטית-למחלקות המבוססת על דמיון עצמי טמפורלי. הרעיון: אם תנועה חוזרת על עצמה, האות יהיה דומה לעצמו במרווחים קבועים. אינך צריך לדעת מהו התרגיל. אתה רק צריך לזהות שהאות חוזר על עצמו.

ה-TCN ממפה את רצף תנוחות השלד לייצוג דחוס, ואז אנחנו מחשבים את הדמיון בין כל זוג של צעדי זמן. פעולה חוזרת מופיעה כתבנית חזותית מובחנת — קווים מקבילים של דמיון גבוה. המרחק בין הקווים הללו הוא משך החזרה. עוצמת הקווים אומרת לך עד כמה החזרות עקביות.

זה עובד עבור סקוואטים, נדנודי קטלבל, חתירה, קפיצות פיסוק, או כל תנועת שיקום שפיזיותרפיסט ימציא ביום שלישי הבא. אנחנו מזהים את הפיזיקה של החזרתיות עצמה, לא את זהות התרגיל.

אודה שהיה רגע של ספק. משקיע אמר לי, "פשוט תשתמש ב-GPT-4 עם קלט וידאו. הוא יכול לספור שכיבות סמיכה." ביקשתי ממנו לנסות זאת עם מישהו שמבצע רבעי חזרות במהירות משתנה בזמן שפעוט חוצה את הפריים. הוא הפסיק להעלות את זה.

מה קורה כשמודדים צורה, לא רק סופרים?

ספירה הכרחית אך רחוקה מלהספיק. מישהו יכול לבצע חמישים "שכיבות סמיכה" עם טווח תנועה של אינץ' אחד. הסופר עולה. הפיזיקה אומרת ששום דבר לא קרה.

בנינו שלושה מדדים שהופכים ספירת חזרות להערכת איכות.

עומק. אנחנו עוקבים אחר מסלול המפרקים המרכזיים — הירך במהלך סקוואט, החזה במהלך שכיבת סמיכה — ומיישמים זיהוי שיא על האות המסונן על ידי ה-TCN. חזרה תקינה רק אם ההיסט חורג מסף ביומכני. זו אינה דעה. זו מדידה של המרחק שהמפרק באמת עבר.

שליטה. בעיבוד אותות, "ניעור" (jerk) הוא הנגזרת השלישית של המיקום — קצב השינוי של התאוצה. ניעור גבוה משמעו רעידות, חוסר יציבות, או שימוש בתנופה כדי לרמות את התנועה. אנחנו מחשבים גרסה מנורמלת בשם ניעור לוגריתמי חסר-ממד (Log Dimensionless Jerk). ציון גבוה משמעו שהאדם מתקשה או משליך את עצמו דרך החזרה. בשיקום ובבריאות ארגונית, זהו אינדיקטור מקדים לסיכון פציעה.

סימטריה. אנחנו משווים את אנרגיית האות והפאזה בין הצד השמאלי לימני. מדד אי-סימטריה חושף מתי מישהו מעדיף רגל אחת במהלך סקוואט — לעיתים קרובות מבשר לפציעה או סימן לשיקום לא שלם. מדד זה בלתי אפשרי לדיווח עצמי. אינך יכול להרגיש אי-סימטריה של 12%. אבל האות יכול למדוד אותה.

"חזרה מאומתת של Veriprajna" אינה תיבת סימון. זוהי מנת נתונים המכילה חותמת זמן, גיבוב של נקודות מפתח בשלד, ציון ביטחון של ה-TCN, וטלמטריה קינמטית — עומק, מהירות, ניעור, סימטריה. היא ניתנת לביקורת. היא בלתי ניתנת לשינוי. זהו ההבדל בין טענה לבין ראיה.

ארכיטקטורת הפרטיות שגרמה ללקוחות ארגוניים לומר כן

אני צריך להתייחס למשהו שאנשים תמיד שואלים אותי: "אתם מנתחים אנשים שמבצעים תרגילים מול מצלמה. איך זה לא סיוט של פרטיות?"

זה היה כזה, לו היינו מזרימים וידאו לענן. אנחנו לא.

הטלפון מריץ אומד תנוחה קל-משקל על יחידת העיבוד העצבי שלו. זה מחלץ קואורדינטות שלד — רק מספרים המייצגים מיקומי מפרקים. כמה קילובייטים של נתונים. פריימי הווידאו נמחקים מיד. שום נתוני פיקסלים אינם עוזבים את המכשיר. מה שמשודר למנוע הענן שלנו (או מעובד על המכשיר בטלפונים מתקדמים) הוא נתונים קינמטיים אנונימיים. מספרים. לא פנים.

זוהי עמידה בתקני GDPR ו-HIPAA מתוקף הארכיטקטורה, לא מתוקף מדיניות. הנתונים הביומטריים — הווידאו של הפנים והגוף של מישהו — לעולם אינם נשמרים, לעולם אינם משודרים, לעולם אינם בסיכון. זו לא הייתה מחשבה שלאחר מעשה. עיצבנו את כל המערכת סביב האילוץ הזה כי ידענו שלקוחות ארגוניים לא ייגעו בשום דבר אחר.

מי משלם עבור פיזיקה?

הכלכלה של תנועה מאומתת מדהימה ברגע שרואים אותה.

ביטוח. מבטחים כיום מציעים הנחות עבור מנויים לחדר כושר, אשר מאמתים מיקום, לא מאמץ. עם נתוני תנועה תפקודית מאומתים — חמישה סקוואטים, חמש מכרעות, החזקת שיווי משקל — מבטח יכול להעריך יציבות, טווח תנועה, וסימטריה. אלה מתואמים חזק עם סיכון נפילה בקשישים ובריאות מטבולית כללית. חיתום דינמי המבוסס על יכולת תפקודית מאומתת, לא על טבלאות אקטואריות סטטיות. המבטח שיבין זאת ראשון יזכה בשוק.

בריאות ארגונית. תעשייה בהיקף 60 מיליארד דולר שבה חברות משלמות עבור תוצאות שאינן יכולות למדוד. עובדים מנערים טלפונים כדי לעמוד ביעדי צעדים ותובעים הפקדות לחשבון חיסכון רפואי (Health Savings Account). עם דקות פעילות מאומתות, המחסום להונאה הופך למאמץ פיזי. כדי לזייף שכיבת סמיכה במערכת שלנו, תצטרך למעשה לבנות רובוט אנושי — או פשוט לבצע את שכיבת הסמיכה.

שיקום מרחוק. הפרעות שרירים ושלד הן גורם עלות מוביל למעסיקים. היצמדות לתרגילים בבית ידועה לשמצה כנמוכה מ-50%, וכשמטופלים אכן מתאמנים, הם לעיתים קרובות משתמשים בצורה לקויה שמעכבת את ההחלמה. TCN שמנטר זוויות מפרקים שנרשמו מעניק לרופאים לוח מחוונים של עמידה מאומתת ומגמות איכות. ניטור טיפולי מרחוק (Remote Therapeutic Monitoring) הוא כעת קוד CPT בר-החזר בארה"ב — זה לא ספקולטיבי. זהו מקור הכנסה.

move-to-earn, בצורה נכונה. פרויקטי הכושר של Web3 נכשלו כי קל לזייף GPS. אנחנו מספקים את האורקל למאמץ פיזי. הנפקת אסימונים המותנית באימות TCN יוצרת כלכלה שבה ההיצע מוגבל על ידי היכולת הפיזית של בסיס המשתמשים, לא על ידי היצירתיות של הרמאים.

"אבל האם LLMs לא יעשו זאת בסופו של דבר?"

אני שומע את זה כל הזמן. ההנחה שמכיוון שמודלי שפה גדולים ממשיכים להשתפר, הם בסופו של דבר יפתרו הכול, כולל אימות פיזי.

הם לא יעשו זאת. והסיבה היא ארכיטקטונית, לא עניין של קנה מידה.

LLMs מתוכננים לייצר את האסימון הבא הכי סביר. הם הסתברותיים. הם מייצרים פלט סביר. בתחומים יצירתיים ומנהליים, זה שימושי להפליא. אך באימות פיזי, הסבירות היא האויב. אבחנה רפואית, פרוטוקול שיקום, התאמת פרמיית ביטוח — אלה אינם יכולים להתבסס על מה שכנראה מתרחש. הם חייבים להיות מעוגנים במה שבאמת מתרחש.

שום כמות של הגדלה אינה משנה את פונקציית המטרה היסודית. LLM עם טריליון פרמטרים עדיין ממטב עבור סבירות, לא אמת. ה-TCN שלנו ממטב עבור הפיזיקה של צורת גל — משרעת, תדר, פאזה, טוהר ספקטרלי. אלה מדידות, לא תחזיות.

השאלה הנוספת שאני מקבל: "אי אפשר פשוט לכוונן מודל ראייה-שפה על סרטוני תרגילים?" אפשר. הוא יאמר לך "זה נראה כמו שכיבת סמיכה." הוא לא יאמר לך שהכתף השמאלית נושאת עומס גדול ב-15% מהימנית, שפרופיל הניעור מצביע על הופעה מוקדמת של עייפות, או שעומק החזרה התדרדר ב-8% במהלך שתי הדקות האחרונות. הוא ייתן לך תווית. אנחנו נותנים לך ניתוח אותות.

תעשיית הבינה המלאכותית אובססיבית לגבי ייצור. אנחנו אובססיביים לגבי אימות. אלה אינם אותו תחום, וערבוב ביניהם הוא הדרך שבה מגיעים לתמחור פרמיות ביטוח על סמך הזיות.

הקו שבין תחושות לפיזיקה

אני חושב על זה הרבה: כל תעשיית הבריאות הדיגיטלית יושבת בצד אחד של קו, ורובה אינו מבין שהקו קיים.

בצד אחד נמצא מה שאני מכנה כלכלת התחושות. נתונים בדיווח עצמי. ספירות צעדים ממכשירים שאפשר לנער. השלמות אימון מסרטונים שאפשר להתעלם מהם. לוחות מחוונים שנראים מעודדים. נתונים שמרגישים נכונים. זה עובד עד שמישהו מבקר אותם, ואז זה מתאדה.

בצד השני נמצא מה שאנחנו בונים: כלכלת הפיזיקה. תנועה מאומתת. היסט נמדד. שליטה מכומתת. נכסים ברי-ביקורת. נתונים ששורדים בחינה מדוקדקת כי מלכתחילה הם מעולם לא התבססו על אמון.

המעבר בין שתי הכלכלות הללו אינו הדרגתי. אינך מגיע 60% מהדרך לפיזיקה על ידי הוספת סופר צעדים לנגן הווידאו שלך. או שאתה מודד את צורת הגל או שלא. או שאתה מאמת את החזרה או שאתה מקבל את דברי המשתמש כלשונם.

כל ארגון שאנחנו מדברים איתו — כל מבטח, כל רוכש בריאות ארגונית, כל פלטפורמת שיקום מרחוק — מגיע בסופו של דבר לאותה תובנה. הם שילמו עבור תחושות וקראו לזה נתונים. ברגע שהם רואים איך נתוני תנועה מאומתים באמת נראים, הם לא יכולים לבטל את מה שראו.

הקמתי את Veriprajna כי האמנתי שבעיית הבינה המלאכותית החשובה ביותר של העשור הזה אינה יצירת טקסט טוב יותר. היא אימות המציאות הפיזית. כל חודש שחולף, כל עטיפת LLM חדשה שמושקת, כל אפליקציית כושר ששולחת עוד נגן וידאו עם מערכת תגים — אני נעשה בטוח יותר.

העתיד של בינה מלאכותית בבריאות אינו צ'אטבוטים חכמים יותר. הוא מדידה כנה. והפיזיקה אינה מהזה.