Фундаментальные модели в клинической неврологии зашли в тупик. Пока гигантские архитектуры бьют рекорды в общих задачах, их применение для анализа электроэнцефалограмм (ЭЭГ) напоминает попытку забивать сваи микроскопом: это дорого, неповоротливо и требует избыточных вычислительных мощностей. Группа исследователей из Технологического института Стивенса, включая Гоань Ванга и Шихао Янга, констатирует очевидное: внедрение таких ИИ-монстров в реальную клиническую практику экономически бессмысленно. Традиционные методы AutoML здесь также не помогают — они хаотично блуждают в бесконечном пространстве поиска, выдавая решения, которые зачастую противоречат законам нейрофизиологии.
Проект NeuroWeaver предлагает сменить парадигму и отказаться от надежды на грубую силу масштабирования. Вместо обучения нейросети «в лоб» авторы представили автономного эволюционного агента, который превращает разработку пайплайнов в задачу дискретной оптимизации. Механика системы прагматична: используется метод инициализации подпространства с учетом специфики предметной области (Domain-Informed Subspace Initialization). Это удерживает поиск в рамках научно обоснованных границ, после чего с помощью LLM генерируется исполняемый код. В итоге формируется саморефлексирующий цикл синтеза алгоритмов, где реальная производительность важнее веса модели.
Результаты тестирования на пяти бенчмарках подтверждают: эпоха «параметров ради параметров» подходит к концу. На наборах данных HMC и Workload система NeuroWeaver продемонстрировала точность уровня флагманских моделей, используя всего 0,18 млн и 0,011 млн параметров соответственно. Это не просто экономия на облачных вычислениях — это возможность развернуть полноценную диагностику на базовом компьютере в условиях дефицита размеченных клинических данных.
Для технических директоров медтех-стартапов это важный сигнал: пора переходить от трудозатратного экспертного проектирования к агентской автоматизации. NeuroWeaver доказывает, что интеллектуальный поиск в программном пространстве эффективнее, чем попытки скормить нейросети весь интернет в надежде на инсайт. Будущее ИИ-диагностики лежит в области компактных, специфичных для конкретных задач алгоритмов, а не в раздувании весов моделей до планетарных масштабов.