الذكاء الاصطناعي
محور للتطور – تنوع الذكاء الاصطناعي في العرض مع الإنجازات الأخيرة
الابتكارات في الذكاء الاصطناعي تشكل مستقبل الأعمال عبر جميع القطاعات تقريبًا. من الرعاية الصحية، التصنيع، المالية، التعليم، الترفيه، والقانون إلى الإعلام، خدمة العملاء، النقل، وأكثر من ذلك، لا توجد صناعة كبرى لم تتأثر بالذكاء الاصطناعي.
وفقًا لاستطلاع IBM لعام 2023، 42٪ من الشركات على نطاق المؤسسات قد دمجت الذكاء الاصطناعي بالفعل في عملياتها، بينما 40٪ أخرى تفكر في التقنية لمنظماتها.
هذا منطقي، نظرًا لأن الذكاء الاصطناعي يمتلك القدرة على تحويل الإنتاجية وبالتالي إمكانات الناتج المحلي الإجمالي للاقتصاد.
وفقًا لتقديرات PWC، من المحتمل أن يساهم الذكاء الاصطناعي بـ 15.7 تريليون دولار في الاقتصاد العالمي بحلول نهاية هذا العقد، مع 45٪ من إجمالي المكاسب الاقتصادية تأتي من تحسينات المنتجات المدفوعة بالذكاء الاصطناعي في شكل القدرة على التحمل، الجاذبية، التنوع، وزيادة التخصيص، مما يحفز الطلب الاستهلاكي. وفي الوقت نفسه، من المتوقع أن يأتي 6.6 تريليون دولار من تعزيز الناتج المحلي الإجمالي في الاقتصادات المحلية نتيجة زيادة الإنتاجية، وفقًا لـ PWC.
الذكاء الاصطناعي يصبح بسرعة مصدرًا رئيسيًا للاضطراب والميزة التنافسية، حيث يعمل كمحور مركزي لتقدم تقريبًا كل صناعة. يمكن رؤية هذا الإمكان الضخم وتنوع الذكاء الاصطناعي في الإنجازات الأخيرة التي تحققت بمساعدة هذه التقنية.
التنبؤ بالخصائص الحرارية
تطبيق مثير للاهتمام للذكاء الاصطناعي هو التنبؤ بالخصائص الحرارية للمواد. يمكن أن يساعد ذلك المهندسين على تصميم أجهزة ميكروإلكترونية أسرع وأنظمة تحويل طاقة أكثر كفاءة مع تقليل الحرارة المهدرة.
فهم العلاقة بين البنية والخاصية مهم عند تصميم مواد بخصائص محددة. لقد تم إحراز تقدم كبير بالفعل في طرق التعلم الآلي في هذا الصدد. ومع ذلك، لا تزال هناك تحديات تتعلق بعمومية النماذج وقدرتها على التنبؤ بالخصائص.
لذلك، قدمت الأبحاث الأخيرة شبكة عصبونية رسومية ذات عقدة افتراضية (VGNN) لمعالجة هذه القضايا. في نموذج العقدة الافتراضية الخاص بهم، تمكن الباحثون من تحقيق طيف الفونون-γ وتنبؤ كامل بتشتت الفونونات فقط من إحداثيات الذرات. من خلال دمج نهجهم مع إمكانات التفاعلات بين الذرات المستندة إلى التعلم الآلي، حقق الفريق كفاءة أعلى بكثير مع دقة أفضل.
القدرة على حساب هياكل نطاق الفونون بسرعة ودقة أمر حاسم لأن ما يقدر بـ 70٪ من الطاقة المنتجة عالميًا تنتهي فعليًا كحرارة مهدرة. إذا تمكن العلماء من التنبؤ بكيفية انتقال الحرارة عبر العوازل وأشباه الموصلات، يمكن تصميم أنظمة توليد طاقة أكثر كفاءة.
المشكلة في كل هذا هي أن الخصائص الحرارية للمواد قد تكون صعبة النمذجة. ذلك يرجع إلى الفونونات، وهي وحدة كمية الطاقة الميكانيكية الاهتزازية.
تحمل هذه الجسيمات دون الذرية الحرارة، وتعتمد بعض الخصائص الحرارية للمادة على علاقة تشتت الفونون، وهي العلاقة بين طاقة الفونونات وزخمها في بنية البلورة. ليس فقط أن دمج ذلك في تصميم النظام صعب، بل إن الحصول عليه يطرح تحديات كبيرة.
وفقًا للمؤلف الرئيسي مينغدا لي، أستاذ مشارك في علوم الهندسة النووية:
“الفونونات هي السبب في الفقدان الحراري، ومع ذلك فإن الحصول على خصائصها صعب للغاية، سواءً من الناحية الحاسوبية أو التجريبية.”
إن نطاق تردداتها الواسع يجعل الفونونات الناقلة للحرارة صعبة التنبؤ. علاوة على ذلك، تتحرك هذه الجسيمات وتتفاعل بسرعات متفاوتة.
يحاول الباحثون تقدير علاقات تشتت الفونون عبر التعلم الآلي منذ سنوات، لكن النماذج تتعثر لأنها تتطلب حسابات عالية الدقة.
“إذا كان لديك 100 وحدة معالجة مركزية وعدة أسابيع، ربما تستطيع حساب علاقة تشتت الفونون لمادة واحدة. المجتمع بأكمله يرغب حقًا في طريقة أكثر كفاءة للقيام بذلك.”
– المؤلف المشارك ريوتارو أوكابي، طالب دراسات عليا في الكيمياء
نماذج التعلم الآلي المستخدمة لإجراء حسابات عالية الدقة لتقدير علاقات تشتت الفونون تُسمى الشبكات العصبونية الرسومية (GNN). هذه الشبكات تحول بنية المادة الذرية إلى رسم بياني بلوري.
يتكون الرسم البياني البلوري من عدة عقد مرتبطة بحواف. تمثل العقد الذرات، بينما تمثل الحواف الروابط بين الذرات.
تعمل GNN بشكل جيد لحساب الاستقطاب الكهربائي والمغنطيسية، وغيرها من الكميات. ومع ذلك، فهي ليست مرنة بما يكفي لتنبؤ علاقة تشتت الفونون بدقة، وهي كمية عالية الأبعاد بشكل هائل.
نمذجة مساحة زخم الفونونات باستخدام رسم بياني ثابت لا يفي بالغرض لأنها تتحرك حول الذرات على محاور مختلفة. هذا يتطلب مرونة، وقد جلب الباحثون هذه المرونة عبر العقد الافتراضية.
بينما تُستخدم عقد الرسم البياني لتمثيل الذرات، استعرض الفريق الفكرة للوصول إلى “العقد الرسومية يمكن أن تكون أي شيء. والعقد الافتراضية هي نهج عام يمكنك استخدامه لتنبؤ العديد من الكميات عالية الأبعاد.”
بإضافة عقد افتراضية مرنة إلى البنية البلورية الثابتة، أنشأ الفريق إطارًا جديدًا يُسمى شبكة عصبونية رسومية ذات عقدة افتراضية (VGNN). من خلال السماح لمخرجات VGNN بأن تتغير في الحجم، لا تُقيدها البنية البلورية الثابتة.
ومع ذلك، لا تستطيع العقد الافتراضية إلا استقبال رسائل من العقد الحقيقية. لذا، بينما يتم تحديثها مع العقد الحقيقية أثناء الحساب، لا تؤثر العقد الافتراضية على دقة النموذج.
كما أوضح المؤلف المشارك أبهيجات مدهى شوتراتنابيتوك، طالب دراسات عليا في الهندسة الكهربائية وعلوم الحاسوب:
“الطريقة التي نتبعها فعّالة جدًا في الترميز. أنت فقط تُنشئ عددًا قليلًا من العقد الإضافية في شبكتك الرسومية.”
من خلال تمثيل الفونونات كعقد افتراضية، لا يتعين على نموذج VGNN إجراء العديد من الحسابات المعقدة عند التنبؤ بعلاقة تشتت الفونون، مما يجعله أكثر كفاءة من GNN.
الإطار الجديد للذكاء الاصطناعي الذي أنشأه باحثون من MIT وآخرون وجد أنه يتنبأ بعلاقات تشتت الفونون أسرع بألف مرة مقارنةً بالطرق التقليدية غير المعتمدة على الذكاء الاصطناعي. وحتى مقارنةً بالتقنيات الأخرى المعتمدة على الذكاء الاصطناعي، فإن هذا الإطار أسرع بألف مرة مع دقة مماثلة أو حتى أفضل.
عند التنبؤ بسعة حرارة المادة، وجد الباحث أن النموذج أكثر دقة قليلًا، حيث كانت أخطاء التنبؤ أقل بمرتبتين من حيث القوة في بعض الحالات.
وفقًا للباحثين، يمكن للنموذج تقدير علاقات تشتت الفونون لعدة آلاف من المواد في بضع ثوانٍ باستخدام حاسوب شخصي. يتيح ذلك استكشاف المزيد من المواد ذات الخصائص الحرارية المحددة. يمكن حتى استخدامه لحساب علاقات تشتت الفونون في أنظمة السبائك، وهو ما يُعد تحديًا كبيرًا للنماذج التقليدية.
في مجال الميكروإلكترونيات، حيث يُعد إدارة الحرارة تحديًا كبيرًا لجعلها أسرع، يمكن للطريقة الجديدة أن تكون مفيدة للغاية وتساعد في تطوير ميكروإلكترونيات أكثر كفاءة. علاوة على ذلك، يمكن للطريقة أن تساعد في تصميم أنظمة توليد طاقة تنتج طاقة أكبر وكفاءة أعلى.
يقترح الباحثون ثلاثة إصدارات من النموذج الجديد، كل منها قادر على تقدير الفونونات مباشرةً من إحداثيات الذرات للمواد ولكن مع تعقيد متزايد.
إليك شركتان يمكن أن تستفيدا من هذا التطور المتعلق بالذكاء الاصطناعي في التنبؤ بالخصائص الحرارية للمواد:
#1. Intel
باعتبارها شركة رائدة في تصنيع المعالجات الدقيقة، تُعد إدارة الحرارة أمرًا حاسمًا لـ Intel. يمكن للنماذج المحسّنة للذكاء الاصطناعي المساعدة في تصميم معالجات أسرع وأكثر كفاءة مع تبديد حرارة أفضل، مما يعزز أداء المنتج وعمره الافتراضي ويجعل Intel أكثر تنافسية.
(INTC )
بالإضافة إلى ذلك، يمكن لإدارة الحرارة المحسّنة أن تؤدي إلى توفير الطاقة وخفض التكاليف التشغيلية، مما يفيد كلًا من Intel وعملائها. في عام 2023، أبلغت Intel عن إيرادات قدرها 54.2 مليار دولار وصافي ربح قدره 1.7 مليار دولار، مع هامش إجمالي قدره 40٪
#2. NVIDIA
إدارة الحرارة الفعّالة ضرورية لمعالجات الرسوميات عالية الأداء التي تستخدمها NVIDIA في مراكز البيانات، الألعاب، وتطبيقات الذكاء الاصطناعي. يمكن للنماذج المحسّنة للذكاء الاصطناعي أن تؤدي إلى حلول تبريد أفضل، مما يحسن أداء المنتج وموثوقيته. وهذا يمهد الطريق لتصميم أنظمة ذكاء اصطناعي موفرة للطاقة، مما يعزز موقع NVIDIA في السوق.
(NVDA )
من الناحية المالية، أبلغت NVIDIA عن إيرادات تقارب 27 مليار دولار وصافي ربح يقارب 4.4 مليار دولار في عام 2023، مع هامش إجمالي قدره 64.1٪.
ضمان التكافؤ
من ناحية أخرى، حسّن ورق منفصل العدالة عن طريق إدخال العشوائية المهيكلة لتخصيص الموارد النادرة باستخدام الذكاء الاصطناعي. يتيح ذلك لتوقعات النماذج القائمة على التعلم الآلي معالجة عدم اليقين الفطري دون التضحية بالكفاءة.
على مدار العام الماضي، شعبية الذكاء الاصطناعي التوليدي مثل ChatGPT جعلت التقنية جزءًا لا يتجزأ من الأعمال. تتجه المؤسسات بشكل متزايد إلى نماذج التعلم الآلي لتخصيص مواردها النادرة، مثل المساعدات الاجتماعية. يمكن أن يتراوح هذا الاستخدام من فحص السير الذاتية إلى اختيار المرشحين للمقابلات الوظيفية إلى تصنيف مقدمي الرعاية الصحية للمرضى لتخصيص موارد طبية محدودة مثل أجهزة التنفس الصناعي أو الأعضاء بناءً على معدل البقاء.
عند استخدام نماذج الذكاء الاصطناعي، يهدف المرء إلى تحقيق توقعات عادلة من خلال تقليل التحيز. هذا غالبًا ما يتحقق باستخدام تقنيات مثل معايرة الدرجات المولدة أو تعديل ميزات النموذج لجعل القرارات أكثر إنصافًا.
في حين يُعتقد تقليديًا أن الخوارزميات عادلة، تشير ورقة جديدة من باحثين بجامعة نورث إيسترن وMIT إلى أن تحقيق العدالة باستخدام التعلم الآلي غالبًا ما يتطلب العشوائية. وجد تحليلهما أن العشوائية مفيدة بشكل خاص عندما تنطوي قرارات النموذج على عدم يقين. أيضًا، عندما تتلقى مجموعة معينة قرارات سلبية باستمرار، يجب تطبيق العشوائية لتحسين العدالة.
قدم الباحثون إطارًا لإدخال عشوائية محددة في قرارات النموذج. يمكن تكييف الطريقة لتناسب الحالات الفردية بهدف تحسين العدالة دون الإضرار بالدقة أو فاعلية النموذج.
“حتى إذا كان بإمكانك تحقيق توقعات عادلة، هل يجب عليك اتخاذ قرارات تخصيص الموارد النادرة أو الفرص بناءً على الدرجات أو التصنيفات فقط؟ مع توسع الاستخدام ورؤية المزيد والمزيد من الفرص التي تُقررها هذه الخوارزميات، يمكن أن تتضخم عدم اليقينات الكامنة في هذه الدرجات.”
– المؤلف الرئيسي شوميك جايان، طالب دراسات عليا في IDSS
هذا البحث الجديد مبني على ورقة سابقة، استكشفت أضرار استخدام الأنظمة الحتمية على نطاق واسع ووجدت أن استخدام نماذج التعلم الآلي لتخصيص الموارد بشكل حتمي يعزز عدم المساواة القائمة ويعزز التحيز. وفقًا للمؤلفة الرئيسية آشا ويلسون، الباحثة الرئيسية في LIDS:
“العشوائية مفهوم مفيد جدًا في الإحصاءات، ولدهشتنا، تلبي متطلبات العدالة من كل من المنظور النظامي والفردي.”
مستكشفين متى يمكن للعشوائية تحسين العدالة، تبنى البحث الأخير مفهوم قيمة اليانصيب في تحقيق العدالة من الفيلسوف جون بروم لتبرير الحاجة إلى العشوائية في بيئات الموارد النادرة من أجل إعطاء كل شخص فرصة. قال جايان:
“عندما تعترف بأن للأشخاص مطالب مختلفة على هذه الموارد النادرة، ستتطلب العدالة أن نحترم جميع مطالب الأفراد. إذا كنا دائمًا نعطي الشخص ذو المطالبة الأقوى المورد، فهل هذا عادل؟”
إن تخصيصًا حتميًا حيث يحصل صاحب المطالبة الأقوى دائمًا على المورد قد يسبب استبعادًا نظاميًا أو يؤدي إلى تفاقم الظلم. يمكن لنماذج التعلم الآلي أيضًا ارتكاب أخطاء، تُكرر عندما يُستخدم نهج حتمي.
تشير الورقة إلى أن العشوائية يمكن أن تساعد في التغلب على هذه المشكلات. ومع ذلك، ليس كل قرار يجب أن يُعَشوَ بنفس الدرجة. يجب أن يحصل القرار الأقل يقينًا على عشوائية أكبر.
على سبيل المثال، تخصيص الكلى يتضمن توقع العمر المتوقع، وهو أمر غير مؤكد للغاية، وعندما يكون هناك مريضان يبعدان خمس سنوات فقط، يصبح القياس أصعب. قالت ويلسون:
“نريد الاستفادة من مستوى عدم اليقين هذا لتخصيص العشوائية.”
لتحديد مدى العشوائية المطلوبة في ظروف مختلفة، استخدم الباحثون أساليب قياس عدم اليقين الإحصائي لإظهار أن العشوائية المعايرة يمكن أن تنتج نتائج أكثر عدلاً دون التأثير بشكل كبير على فاعلية أو فائدة النموذج.
“هناك توازن يجب إجراؤه بين الفائدة العامة واحترام حقوق الأفراد الذين يتلقون موردًا نادرًا، لكن غالبًا ما يكون التنازل صغيرًا.”
– ويلسون
بينما يمكن أن تكون العشوائية مفيدة جدًا في تحسين العدالة في مجالات مثل القبول الجامعي، أشارت الأبحاث أيضًا إلى حالات مثل العدالة الجنائية حيث قد تضر العشوائية بالأفراد بدلاً من تحسين العدالة.
في المستقبل، يخطط الباحثون لدراسة حالات استخدام أخرى والتحقق من تأثير العشوائية على عوامل أخرى، مثل الأسعار والمنافسة، وكيف يمكن ذلك تحسين صلابة نماذج التعلم الآلي. الآن، سنستعرض شركتين يمكن أن تستفيدا بشكل كبير من هذا التطور:
#1. UnitedHealth Group
يمكن لشركة UnitedHealth Group Inc. تعزيز العدالة في إدارة رعاية المرضى وتوزيع الموارد من خلال دمج العشوائية المهيكلة في نماذج الذكاء الاصطناعي. يقلل هذا النهج من التحيزات ويضمن وصولًا عادلًا للعلاجات، متماشيًا مع التزام UnitedHealth بتقديم رعاية عالية الجودة وبأسعار معقولة.
(UNH )
سجلت إيرادات الربع الثاني من عام 2024 ما قيمته 98.9 مليار دولار، بزيادة قدرها 6 مليارات دولار مقارنة بالعام السابق.
#2. Pfizer
يمكن لشركة Pfizer Inc. استخدام العشوائية المهيكلة في الذكاء الاصطناعي لضمان اختيار عادل للمرضى في التجارب السريرية وتوزيع عادل للعلاجات التجريبية. سيساهم هذا النهج في دعم مهمة Pfizer لتعزيز المساواة الصحية وفائدة أوسع للسكان.
(PFE )
من الناحية المالية، أبلغت Pfizer عن إيرادات سنوية قدرها 58.5 مليار دولار في عام 2023.
أنظمة تعلم اللغة المخصصة
تطبيق آخر مثير للاهتمام للذكاء الاصطناعي يتم تحقيقه حاليًا في إنشاء كتب قصصية مخصصة لمساعدة الأطفال على تعلم اللغة. باستخدام الذكاء الاصطناعي التوليدي وتقنية إنترنت الأشياء المنزلية، يهدف أحدث دراسة إلى تقديم طريقة فعّالة ومخصصة لمساعدة الأطفال على تحسين معالجة الكلام والاتصال.
تطوير اللغة لدى الأطفال ذو أهمية بالغة، نظرًا لتأثيره على نموهم المعرفي والأكاديمي. وبما أن اللغة تلعب دورًا أساسيًا في التطور الاجتماعي للطفل، يجب تقييم تقدم اللغة بانتظام لتوفير تدخلات لغوية في الوقت المناسب.
تقليديًا، يُستخدم نهج “مقاس واحد يناسب الجميع” عبر قوائم مفردات موحدة ومواد جاهزة لتقييم مهارات اللغة وتقديم التدخلات. وهذا على الرغم من أن الأطفال يتعلمون اللغة من خلال التفاعل مع بيئاتهم، وبما أنهم ينشأون في بيئات متنوعة، فإن ذلك يؤدي إلى تباين في التعرض للمفردات.
لتجاوز أوجه القصور في هذا النهج التقليدي، طور فريق من الباحثين نظامًا تعليميًا مبتكرًا يُفَصَّل لكل طفل وفقًا لبيئته الفريدة.
يسمى نظام تعلم اللغة المخصص هذا “Open Sesame? Open Salami! (OSOS)“. يجمع بين نظرية علم أمراض النطق والخبرة العملية، ويتكيف مع اختلافات تطور اللغة لدى الأطفال من خلال وزن عوامل فردية ومعايير اختيار مفردات مرنة.
بدعم من الذكاء الاصطناعي التوليدي والاستشعار الشامل، يقوم OSOS بإنشاء ملف للبيئة اللغوية للطفل، ويستخرج كلمات أولوية مخصصة، ويُنشئ كتب قصصية مخصصة تشمل تلك الكلمات بشكل طبيعي. يتألف من ثلاثة أقسام رئيسية:
- ملف تعريف اللغة المخصص
- مستخرج المفردات المستهدفة
- مولد مساعدة التدخل المخصص
يُنشر ملف التعريف في المنزل ويُدمج في الأجهزة المنزلية أو مكبرات الصوت الذكية لجمع عينات الكلام. يتحكم الآباء في بدء وإيقاف التسجيل.
لهذا الغرض، استُخدمت أجهزة إنترنت الأشياء المنزلية لالتقاط ومراقبة البيئة اليومية وتعرض الأطفال للغة. ثم تم فحص مفردات الأطفال باستخدام فصل المتحدثين، الذي يحدد ويعزل المتحدثين المختلفين، وتقنيات التحليل الصرفي لتقييم أصغر الوحدات الدلالية للغة.
يقوم المستخرج بتحليل العبارات واستخراج قائمة قابلة للاختيار من الكلمات ذات الأولوية التي يُنصح بها للطفل. يتم تحليل كل كلمة بحساب درجات لها بناءً على عوامل حاسمة متعلقة بأمراض النطق.
من ناحية أخرى، يقدم المولد التدخل على شكل كتب قصصية، وهو ممارسة سريرية شائعة وجزء من روتين معظم الأطفال. لإنشاء مواد مخصصة، استخدم الفريق تقنيات الذكاء الاصطناعي التوليدي المتقدمة، بما في ذلك GPT-4 وStable Diffusion. سمحت هذه الحلول بإنتاج كتب مخصصة تدمج بسلاسة مفردات الطفل المستهدفة.
اختبر الفريق نظام تعلم اللغة المخصص مع تسع عائلات على مدار أربعة أسابيع. أظهرت النتائج قابلية تطبيق النظام في البيئات اليومية وأثبتت فعالية تعلم الأطفال للمفردات المستهدفة.
“هدفنا هو الاستفادة من الذكاء الاصطناعي لإنشاء أدلة مخصصة تتناسب مع مستويات واحتياجات الأفراد المختلفة.”
– المؤلف الرئيسي جونغيون لي من POSTECH
الشركتان التاليتان يمكن أن تستفيدا من أنظمة تعلم اللغة المخصصة المدعومة بالذكاء الاصطناعي:
#1. Amazon
يمكن لـ Amazon، بفضل قدراتها الواسعة في الذكاء الاصطناعي وإنترنت الأشياء، دمج أنظمة تعلم اللغة المخصصة في أجهزتها المنزلية الذكية مثل Alexa. سيسمح ذلك للآباء باستخدام Alexa لالتقاط وتحليل تطور لغة أطفالهم في الوقت الفعلي، وتقديم تجارب تعلم مخصصة.
(AMZN
)
في عام 2023، ارتفع إجمالي إيرادات Amazon بنسبة 12٪ لتصل إلى 575 مليار دولار، مع مساهمة أقسام أمريكا الشمالية، الدولية، وAWS بشكل كبير.
ارتفعت إيرادات أمريكا الشمالية بنسبة 12٪ إلى 353 مليار دولار، وزادت إيرادات الدولية بنسبة 11٪ إلى 131 مليار دولار، وارتفعت إيرادات AWS بنسبة 13٪ إلى 91 مليار دولار. ارتفع الدخل التشغيلي من 12.2 مليار دولار في 2022 إلى 36.9 مليار دولار في 2023، بينما تحول التدفق النقدي الحر من سالب 11.6 مليار دولار في 2022 إلى موجب 36.8 مليار دولار.
#2. Alphabet Inc. (Google)
يمكن لـ Google نشر أنظمة تعلم اللغة المخصصة باستخدام أجهزة Google Home وNest. من خلال خبرة Google في الذكاء الاصطناعي، يمكن لهذه الأجهزة تقديم محتوى تعلم مخصص وتتبع تطور اللغة، مما يساعد على تدخلات لغوية أكثر فعالية للأطفال.
(GOOGL
)
في عام 2023، ارتفع إجمالي إيرادات Alphabet Inc. إلى 307.4 مليار دولار، مقارنة بـ 282.8 مليار دولار في 2022. حققت خدمات Google، بما في ذلك إعلانات البحث وYouTube، إيرادات قدرها 272.5 مليار دولار، بينما حققت Google Cloud 33.1 مليار دولار. ارتفع الدخل التشغيلي إلى 84.3 مليار دولار، مع تحول Google Cloud من خسارة قدرها 1.9 مليار دولار في 2022 إلى ربح قدره 1.7 مليار دولار. بلغت إجمالي الأصول 402.4 مليار دولار، بما في ذلك 110.9 مليار دولار نقدًا.
الخاتمة
كما رأينا من خلال هذه الإنجازات الأخيرة، يمتلك الذكاء الاصطناعي حالات استخدام متنوعة تتراوح من مساعدة الأطفال في تطوير اللغة إلى تصميم أنظمة تحويل طاقة أكثر كفاءة وأجهزة ميكروإلكترونية عالية الأداء. هذا يوضح مدى قوة تنوع الذكاء الاصطناعي.
إن قدرة الذكاء الاصطناعي على معالجة كميات كبيرة من البيانات، وأداء المهام المتكررة بكفاءة، والتعلم من البيانات، والتحسن مع مرور الوقت تجعله قوة تحويلية حقيقية لمجموعة واسعة من الصناعات التي تُبتكر، وتحسن كفاءتها وإنتاجيتها، وتقلل التكاليف، وتعزز اتخاذ القرار. في ظل هذا السياق، يُظهر الذكاء الاصطناعي إمكانات هائلة قد تتجاوز تقديراتنا الحالية، لتُحوِّل الصناعات، وبالتالي، حياتنا.
انقر هنا لتتعرف على كل ما يتعلق بالاستثمار في الذكاء الاصطناعي.
