miHoYo zieht sich zurück, die aus dem Umfeld der Jiaotong-Universität stammenden Fonds übernehmen die Investition in „Zero Unique Thought“ | Exklusive Erstveröffentlichung von 36Kr

Text von HU Xiangyun

Redaktion: HAI Ruojing

Ende Oktober hat miHoYo die Position als Gesellschafter von Shanghai Lingweiyisi Technology Co., Ltd. (im Folgenden „Lingweiyisi“ genannt) verlassen. 36Kr erfuhr, dass dieses Brain-Computer-Interface-Unternehmen, das von Professor Lü Baoliang der Shanghai Jiao Tong University gegründet wurde, kürzlich offiziell seine Restrukturierung abgeschlossen hat und eine exklusive Investition in Höhe von mehreren Millionen Yuan von Hanyuan Asset der Shanghai Jiao Tong University erhalten hat. Die Mittel werden für die Teamaufstellung und die Forschung und Entwicklung von grundlegenden Modellen für Elektroenzephalographie verwendet.

Lingweiyisi wurde Ende 2021 gegründet. Es begann ursprünglich mit emotionalen Brain-Computer-Interfaces, um die Anwendung von Elektroenzephalographie- und Augenbewegungssignalen bei der objektiven Bewertung von emotionalen Störungen wie Depressionen und Angstzuständen zu erforschen. Es hat bereits ein multimodales Emotionsbewertungssystem namens „Emotions-Röntgengerät“ und ein grundlegendes Modell für Elektroenzephalographie auf den Markt gebracht.

Shi Lichen, Mitbegründer und Geschäftsführer des Unternehmens, erklärte gegenüber 36Kr, dass das Unternehmen in Zukunft die Technologie für emotionale Brain-Computer-Interfaces auf grundlegende Modelle für Elektroenzephalographie und eine universelle neuronale Dekodierungsplattform ausweiten und eine Strategie verfolgen wird, die die Forschung und Entwicklung grundlegender Technologien und die Erforschung von Anwendungen parallel durchführt. Shi Lichen ist Doktor der Fakultät für Informatik der Shanghai Jiao Tong University und studierte unter der Anleitung von Professor Lü Baoliang. Er war zuvor Technischer Direktor von Huolala, Chef-Ingenieur für Algorithmen bei Didi und Senior-Ingenieur bei Baidu und verfügt über 6 Jahre Erfahrung im Unternehmertum.

Shi Lichen ist der Ansicht, dass diese Erweiterung „eine Ausweitung von spezifischen Anwendungen auf grundlegende allgemeine Technologien ist und kein Wechsel des Tätigkeitsbereichs“. Bei herkömmlichen Dekodierungsalgorithmen für Elektroenzephalographie werden Merkmalsausdruck und Aufgabenentscheidungssystem gleichzeitig trainiert, sodass nur aufgabenbezogene markierte Daten verwendet werden können. Die Kosten für die Datenmarkierung sind hoch, Umfang und Vielfalt der Daten sind begrenzt, was zu einer begrenzten Dekodierungsfähigkeit führt. Darüber hinaus sind die Algorithmen stark an Geräte und Aufgaben gebunden. Wenn man ein Gerät oder ein Szenario wechselt, müssen die Daten häufig neu erfasst und das Modell neu trainiert werden. „Zum Beispiel muss bei einem Wechsel von der Schlafüberwachungsaufgabe zur Emotionserkennungsaufgabe oder bei der Verwendung eines anderen Elektroenzephalographie-Erfassungsgeräts die Datenerfassung, Markierung und Modelltraining von vorne beginnen.“

Nach Ansicht des Teams von Lingweiyisi könnte das grundlegende Modell für Elektroenzephalographie eine Lösung bieten. Sein Kernidee besteht darin, die Dekodierung von Elektroenzephalographie in zwei Phasen zu unterteilen. In der ersten Phase werden durch selbstüberwachtes Lernen in großen Mengen allgemeine neuronale Repräsentationen in Elektroenzephalographiesignalen auf unmarkierten Daten erlernt. In der zweiten Phase wird für bestimmte Aufgaben mit einer kleinen Menge markierter Daten ein Nachtraining durchgeführt, sodass das Modell auf der Grundlage der vorhandenen Repräsentationen Entscheidungsfähigkeiten entwickelt. Dieses zweistufige Framework „Vorabtraining – Nachtraining“ lehnt sich an die Idee des entkoppelten Trainings von Merkmalsausdruck und Entscheidungssystem an und passt es an den speziellen Signalmodus der Elektroenzephalographie an.

„Beim Vorabtraining werden unmarkierte Daten verwendet, deren Erfassungskosten viel niedriger sind. Je größer der Umfang ist und je vielfältiger die abgedeckten Geräte und Personengruppen sind, desto reichhaltiger und generalisierbarer sind die erlernten neuronalen Repräsentationen“, erklärte Shi Lichen. „In der Nachtrainingsphase muss nur die Entscheidungsgrenze erlernt werden, sodass der Bedarf an markierten Daten stark reduziert wird. Das bedeutet, dass bei neuen Benutzern, neuen Geräten oder neuen Anwendungen die Anpassungskosten und die Abhängigkeit von Stichproben des Modells voraussichtlich gesenkt werden können.“

Diese Logik lässt sich mit der Mobilkommunikationsindustrie vergleichen. Vor dem Aufkommen von Smartphones waren im Zeitalter der Funktionstelefone Hardware, Betriebssysteme und Anwendungssoftware stark aneinander gebunden. Der Wechsel des Geräts bedeutete, Anwendungen von Grund auf neu zu entwickeln. Aber Smartphones haben durch einheitliche Betriebssystemschnittstellen die „Anpassung“ von Hardware und Anwendungen realisiert, was zum Ausbruch des mobilen Internets geführt hat.

Das Team von Lingweiyisi ist überzeugt, dass die Brain-Computer-Interface-Industrie derzeit in gewisser Weise noch im „Funktionstelefon-Stadium“ ist. „Deshalb hoffen wir, die neuronale Dekodierungsfähigkeit aus spezifischen Szenarien herauszulösen und zu einer wiederverwendbaren grundlegenden Fähigkeit zu machen, sodass verschiedene Geräte zu geringen Kosten angeschlossen werden können und Anwendungsentwickler nicht von Grund auf das Problem des Elektroenzephalographie-Algorithmus lösen müssen.“

Aus technischer Sicht stammen die vorhandenen technischen Reserven des Teams hauptsächlich aus den früheren Forschungen des Teams von Lü Baoliang zu grundlegenden Modellen für Elektroenzephalographie.

Zuerst wurde das mit dem LaBraM-Modell zur Lösung des Problems der allgemeinen Repräsentation von Elektroenzephalographiesignalen verbundene Papier auf der Top-Konferenz für maschinelles Lernen ICLR2024 veröffentlicht. „LaBraM hat bereits bestimmte Ergebnisse bei verschiedenen Aufgaben wie der Erkennung von Elektroenzephalographie-Anomalien und der Emotionserkennung erzielt und den Weg vorläufig bestätigt, dass durch groß angelegtes Vorabtraining ein wiederverwendbares grundlegendes Modell für Elektroenzephalographie erstellt werden kann.“ Kürzlich hat das Team die groß angelegte Forschung an grundlegenden Modellen für Elektroenzephalographie weiter vorangetrieben und das Vorabtraining auf der Grundlage von fast 80.000 Stunden Elektroenzephalographiedaten aus mehreren Quellen durchgeführt, um die aufgabenübergreifende Generalisierungsfähigkeit unter größerem Daten- und Modellumfang weiter zu erforschen.

Die zweite Arbeit, NeuroLM, erforscht weiter die einheitliche Dekodierung mehrerer Aufgaben. Es wandelt kontinuierliche Elektroenzephalographiesignale in eine Sequenzdarstellung ähnlich wie Sprach-Tokens um und unterstützt in Kombination mit Sprachmodellen mehrere Elektroenzephalographie-Aufgaben durch Anweisungstraining.

„Zum Beispiel müssen bei herkömmlichen Modellen möglicherweise zwei unabhängige Algorithmen für die Emotionserkennung und die Klassifizierung von Elektroenzephalographie-Anomalien separat entwickelt werden. Bei der Entwicklung von NeuroLM versuchen wir, ein einheitliches Modell zu verwenden, um die entsprechende Dekodierung durch verschiedene Aufgabenanweisungen abzuschließen. Diese Studie verwendete etwa 25.000 Stunden Elektroenzephalographiedaten, und das maximale Modell erreichte einen Umfang von 1,7 Milliarden Parametern. Seine Bedeutung liegt darin, zu erforschen, ob sich die Dekodierung von Elektroenzephalographie von mehreren unabhängigen spezialisierten Modellen zu einem einheitlichen Mehrzweckmodell weiterentwickeln kann“, sagte Shi Lichen.

Darüber hinaus hat das Team von Lü Baoliang in diesem Jahr ein intelligentes System namens CerebraGloss auf den Markt gebracht, das sich hauptsächlich auf das professionelle Verständnis und die generative Analyse von klinischen Elektroenzephalographien konzentriert. In der Vergangenheit mussten Kliniker beim Lesen von Elektroenzephalographien komplexe Wellenmerkmale in Kombination mit ihrer Erfahrung beobachten, während herkömmliche KI normalerweise nur einfache Probleme erkennen kann, z. B. ob ein Abschnitt der Elektroenzephalographie anomal ist. „CerebraGloss versucht, Elektroenzephalographien mit großen visuellen Sprachmodellen zu analysieren. Es kann nicht nur relevante Wellenformen erkennen, sondern auch Fragen in natürlicher Sprache beschreiben und beantworten und unterstützt mehrrundige Interaktionen.“

Shi Lichen stellte vor, dass diese drei Arbeiten darauf abzielen, „die Fähigkeitsgrenzen großer Modelle für Elektroenzephalographie aus verschiedenen Richtungen zu erforschen“. Gleichzeitig treibt Lingweiyisi die Iteration des Trainingsparadigmas des nächsten grundlegenden Modells für Elektroenzephalographie voran und plant, multimodale Daten wie externe Stimuli, Wahrnehmung, Kognition und Verhalten einzuführen, die zeitlich mit der Elektroenzephalographie ausgerichtet sind.

Neben der Erforschung auf Modellebene sammelt das Team von Lingweiyisi auch ständig seinen eigenen Datensatz. Derzeit hat das Team mehr als 100.000 Stunden Elektroenzephalographiedaten angesammelt, darunter sowohl groß angelegte Daten aus öffentlichen Kanälen als auch fast 10.000 selbst erfasste Datensätze.

Im Hinblick auf die Kommerzialisierung erklärte Shi Lichen, dass die ultimative Anwendung von Brain-Computer-Interfaces noch nicht festgelegt ist. Lingweiyisi plant, gleichzeitig Kooperationen für technische Plattformen und die Erforschung von Anwendungen durchzuführen. Einerseits wird die Dekodierungsfähigkeit des grundlegenden Modells für Elektroenzephalographie und seine Anpassungsfähigkeit über verschiedene Geräte und Anwendungen hinweg ständig verbessert; andererseits wird der technische Wert schnell durch Szenarien wie Medizin, KI-Interaktion und körperliche Intelligenz validiert. „Im Folgenden werden wir eine nutzbare intelligente Entwicklungsplattform für Brain-Computer-Interfaces auf den Markt bringen, die Partnern neuronale Dekodierungsdienste in Form von API, SDK oder privater Bereitstellung anbietet.“

Standpunkt der Investoren:

Chen Zhihong, stellvertretender Investitionsdirektor von Hanyuan Asset, erklärte: Die strategische Aufrüstung von Lingweiyisi von emotionalen Brain-Computer-Interfaces zu grundlegenden Modellen für Elektroenzephalographie erfasst präzise die Entwicklung der Brain-Computer-Interface-Industrie von „spezialisierten Werkzeugen“ zu „universellen intelligenten Plattformen“. Das Team verfügt über solide Forschungsgrundlagen im Bereich der Brain-Computer-Interfaces sowie über langjährige praktische Erfahrungen im Unternehmertum und als technische Leiter großer Unternehmen, was dem Unternehmen eine industrielle Beschleunigung verleiht – eine Variable, die uns sehr wichtig ist. Hanyuan Asset wird sich auf die interdisziplinäre Ökologie der Shanghai Jiao Tong University in den Bereichen Hirnforschung, KI und klinische Medizin stützen und Lingweiyisi in allen Aspekten wie Algorithmusiteration, klinische Validierung und Verbindung von Industrieressourcen umfassend unterstützen, um die Inbetriebnahme seiner universellen Dekodierungsplattform für Elektroenzephalographie zu beschleunigen.