وینوسیس (Voinosis)، استارتاپی که با هوش مصنوعی الگوهای گفتار را برای تشخیص تغییرات سلامت مغز تحلیل می‌کند، در رقابت DETO 2026 در سئول برنده شد و راهی به مسابقه Startup Battlefield 200 در کنفرانس Disrupt 2027 یافت. این مسابقه که هر ساله TechCrunch برگزار می‌کند، صدها شرکت از سراسر جهان را به رقابت برای ارائه جلوی سرمایه‌گذاران خطرپذیر و جامعه فناوری بین‌المللی می‌کشاند.

وینوسیس ادعا می‌کند ابزارش با تحلیل ویژگی‌هایی مانند زیر و بمی صدا، مکث‌ها، ریتم و زمان پاسخ‌دهی، تغییرات مرتبط با سلامت مغز را شناسایی می‌کند. هر بررسی صوتی کمتر از پنج دقیقه طول می‌کشد. شرکت می‌گوید فناوری‌اش در زبان‌های یونانی، ژاپنی و انگلیسی آزمایش شده و برای هر زبان نیاز به آموزش جداگانه ندارد. در یک مطالعه بالینی با ۱۴۶ شرکت‌کننده، این استارتاپ دقت ۸۸ درصدی در غربالگری مشکلات احتمالی شناختی گزارش کرده است. بنیان‌گذار آن، Grace Shin، بیش از ۲۵ سال جراح گوش بوده و در حال حاضر دور Series A را تأمین مالی می‌کند؛ یک شرکت دارویی کره‌ای هم به‌عنوان سرمایه‌گذار استراتژیک وارد شده است.

هشت استارتاپ دیگر که در این رویداد شرکت کردند، حوزه‌های عمیق فناوری را پوشش می‌دهند و همه به دنبال ورود به بازار آمریکا هستند:

  • Awesome Lab با سیستم گرمایشی ThermoFlux که از الکترولیز و یونیزاسیون آب برای تولید حرارت استفاده می‌کند.
  • Crosshub با پلتفرم IDBlock که احراز هویت و پرداخت بین‌المللی را با Self-Sovereign Identity و اثبات بدون دانش ترکیب می‌کند.
  • DeepFusion AI سامانه تصویربرداری رادار ۴بعدی برای خودروهای خودران و کاربردهای دفاعی توسعه داده است.
  • EFLOW موتورهای کم‌حجم با گشتاور بالا برای ربات، پهپاد و ماهواره می‌سازد.
  • Otition Medical دو دستگاه پزشکی دارد: اندازه‌گیری دمای بدن و تصویربرداری از مجرای گوش با AI آموزش‌دیده روی حدود ۵۵٬۰۰۰ تصویر پرده گوش.
  • Riibotics می‌گوید ربات‌های انباری را در یک روز مستقر می‌کند.
  • Ternell حافظه T-SRAM سه‌حالتی برای کاهش مصرف انرژی تراشه‌های AI توسعه می‌دهد؛ در تست‌های ۲۸ نانومتری، ۳۳ تا ۱۰۲ درصد ظرفیت بیشتر و ۵۵ تا ۷۱ درصد کاهش انرژی نسبت به SRAM متعارف گزارش کرده.
  • Testbank اپ Solve را ساخته که کتاب‌های تمرین چاپی را به نسخه دیجیتال تعاملی تبدیل می‌کند.

این خبر برای سازندگان ایجنت چه معنایی دارد؟#

خبر در سطح رویداد باقی می‌ماند و ابزار یا API جدیدی معرفی نمی‌کند. اما دو جزئیات فنی قابل توجه است. اول، ادعای وینوسیس درباره نیاز نداشتن به آموزش جداگانه برای هر زبان — اگر درست باشد، نشان می‌دهد مدل‌های مبتنی بر ویژگی‌های آکوستیک می‌توانند بدون fine-tune زبانی جابه‌جا شوند؛ چیزی که برای ایجنت‌های صوتی چندزبانه مهم است. دوم، اعداد Ternell درباره حافظه سه‌حالتی (۳۳ تا ۱۰۲ درصد ظرفیت بیشتر، ۵۵ تا ۷۱ درصد کاهش انرژی) اگر در مقیاس صنعتی تأیید شوند، مستقیماً روی هزینه inference تراشه‌های AI اثر می‌گذارند. هر دو ادعا هنوز در سطح گزارش شرکتی‌اند و بازبینی همتا نشده‌اند.

منبع: TechCrunch AI