Et knudepunkt for evolution – Kunstig intelligens alsidighed på display med seneste resultater

Innovationer inden for kunstig intelligens former fremtiden for virksomheder på tværs af næsten alle sektorer. Fra sundhedspleje, fremstilling, finans, uddannelse, underholdning og jura til medier, kundeservice, transport og mere, har praktisk talt ingen større industri undgået påvirkning fra AI.

I IBM’s undersøgelse fra 2023 oplyste 42% af de adspurgte i større virksomheder, at deres virksomhed havde taget AI i brug, mens yderligere 40% undersøgte mulighederne. Tallene beskriver undersøgelsens stikprøve, ikke alle virksomheder i verden.

Dette giver mening, da AI har potentialet til at transformere produktiviteten og dermed et lands BNP-potentiale. 

PwC anslog i en tidligere modelanalyse, at AI potentielt kunne bidrage med op til 15,7 billioner amerikanske dollar til verdensøkonomien i 2030. Omkring 45% af gevinsten blev knyttet til produktforbedringer og øget efterspørgsel, mens 6,6 billioner dollar blev knyttet til produktivitet. Det er scenarier og estimater, ikke allerede realiseret vækst.

AI kan ændre arbejdsgange og konkurrencevilkår. Eksempler på mulige anvendelser ses i forskningen nedenfor, men laboratorieresultater er ikke det samme som bred kommerciel anvendelse.

Forudsigelse af termiske egenskaber

En interessant anvendelse af AI er at forudsige materialers termiske egenskaber. Dette kan hjælpe ingeniører med at designe hurtigere mikroelektroniske enheder og mere effektive energikonverteringssystemer, samtidig med at spildvarme reduceres.

Forståelse af forholdet mellem struktur og egenskab er vigtigt, når man designer materialer med specifikke egenskaber. Allerede er der gjort betydelige fremskridt inden for maskinlæringsmetoder på dette område. Dog er der stadig udfordringer med modellernes generaliserbarhed og forudsigelse af egenskaber.

Den seneste forskning præsenterede et virtuelt node‑graf‑neuralt netværk (VGNN) for at tackle disse problemer. Forskerne udviklede modeller til at forudsige fononspektre ved Γ-punktet og fulde fonondispersionsrelationer ud fra atomernes koordinater. Kombineret med maskinlæringsbaserede interatomare potentialer kunne tilgangen reducere beregningsarbejdet i de undersøgte tilfælde.

Det er vigtigt at forstå, hvordan materialer transporterer varme. En stor del af den energi, der bruges globalt, ender som spildvarme, men andelen afhænger af opgørelsen. Modeller for isolatorer og halvledere kan hjælpe med at undersøge muligheder for bedre varmehåndtering.

Materialers termiske egenskaber kan være svære at beregne. En vigtig årsag er den kollektive bevægelse af atomerne i et krystalgitter, som beskrives ved fononer.

Fononer er kvasipartikler, der beskriver kvantiserede gittervibrationer, ikke selvstændige elementarpartikler. Dispersionsrelationen forbinder vibrationernes frekvens eller energi med bølgevektoren og er vigtig for materialets varmeegenskaber.

Ifølge seniorforfatter Mingda Li, som er lektor i nuklear videnskab og ingeniørkunst:

Li fremhævede, at fononernes egenskaber er afgørende for varmehåndtering, men vanskelige at bestemme både ved beregninger og forsøg.

Mange vibrationsfrekvenser og samspillet mellem vibrationstilstandene gør beregningerne krævende.

Forskere har i årevis forsøgt at estimere fonon‑dispersionsrelationer gennem ML, men modellerne sidder fast, fordi de involverer mange højpræcisionsberegninger. 

“Hvis du har 100 CPU’er og et par uger, kan du sandsynligvis beregne fonon‑dispersionsrelationen for ét materiale. Hele fællesskabet ønsker virkelig en mere effektiv måde at gøre dette på.”

– Medforfatter Ryotaro Okabe, en kemi‑ph.d.-studerende

Grafneurale netværk (GNN) er en type maskinlæringsmodel, der kan repræsentere et materiales atomstruktur som en graf. De er ikke betegnelsen for alle højpræcisionsberegninger af fononer.

Grafens noder kan repræsentere atomer, mens kanterne beskriver deres indbyrdes forbindelser eller naborelationer. Det behøver ikke være individuelle kemiske bindinger i alle modeller.

Sådanne modeller har været nyttige til flere materialegenskaber. En udfordring ved fononspektre er, at størrelsen og strukturen af det ønskede output varierer med antallet af atomer og vibrationstilstande.

En graf med et fast outputformat kan derfor være begrænsende. Denne udfordring søgte forskerne at håndtere med virtuelle noder.

Forskerne tilføjede noder, der ikke repræsenterer fysiske atomer, men bruges til at organisere modellens output. Det giver en mere fleksibel repræsentation af størrelser med mange komponenter.

Rammen kaldes et virtuelt node-grafneuralt netværk (VGNN). De virtuelle noder gør det muligt at tilpasse outputtets størrelse til de fononegenskaber, der skal forudsiges.

I den beskrevne model modtager virtuelle noder information fra atomnoderne uden at sende beskeder tilbage til dem. Det begrænser deres påvirkning af atomrepræsentationen, men er ikke en garanti for fejlfrie forudsigelser.

Som medforfatter Abhijatmedhi Chotrattanapituk, som er kandidatstuderende i elektroteknik og datalogi, forklarede, har de reelle noder ingen idé om, at de virtuelle er til stede. Han sagde:

“Måden vi gør dette på er meget effektiv i kodning. Du genererer blot et par ekstra noder i din GNN.”

Ved at bruge virtuelle noder til fononoutput kan modellen reducere behovet for de dyre beregninger, som traditionelle metoder udfører direkte. Den skal stadig trænes og vurderes på relevante data.

MIT’s omtale fra 2024 angav i de undersøgte sammenligninger op til en million gange hurtigere forudsigelser end traditionelle beregninger og omkring tusind gange hurtigere end visse andre AI-metoder. Det er benchmarkresultater, ikke en universel hastighedsgevinst på alt udstyr og alle materialer.

Modellen blev også afprøvet på varmekapacitet, hvor den i nogle sammenligninger gav lavere fejl. Nøjagtigheden afhænger af træningsdata, materialer og det valgte sammenligningsgrundlag.

Forskerne beskrev hurtige forudsigelser for tusindvis af materialer på en almindelig computer. Det vedrører brug af en trænet model, ikke hele processen med at skabe træningsdata og træne den.

Den kan endda bruges til at beregne fonon‑dispersionsrelationer i legeringssystemer, hvilket er særligt udfordrende for traditionelle modeller.

Metoden kan være nyttig i forskning i mikroelektronik og energiteknik. Om den giver bedre færdige produkter, kræver videre design, forsøg og vurdering af faktiske driftsforhold.

Forskere foreslår tre versioner af den nye model, hver i stand til at estimere fononer direkte fra materialets atomære koordinater, men med stigende kompleksitet.

Følgende virksomheder arbejder i brancher, hvor bedre varmehåndtering kan være relevant. Artiklen dokumenterer ikke, at de har indført netop den beskrevne model:

#1. Intel

Som en førende mikroprocessorproducent er varmehåndtering afgørende for Intel (INTC ). Modeller for materialers varmeegenskaber kan være relevante for processorudvikling, men konkrete forbedringer af Intels produkter eller indtjening er ikke påvist her.

Bedre varmehåndtering kan også påvirke energiforbrug og driftsomkostninger. Intel rapporterede for 2023 en omsætning på omkring 54,2 milliarder dollar og et nettoresultat på 1,7 milliarder dollar. Bruttomarginen var omkring 40%. Det er historiske regnskabstal.

#2. NVIDIA

Varmehåndtering er også vigtig for NVIDIAs GPU’er i datacentre, spil og AI. Nye materialemodeller kan være relevante for udviklingsarbejdet, men forskningen beviser ikke en bestemt køleløsning, markedsfordel eller produktforbedring for selskabet.

NVIDIA rapporterede for regnskabsåret 2023 (NVDA ) en omsætning på omkring 27 milliarder dollar og et nettoresultat på 4,4 milliarder dollar. Bruttomarginen efter GAAP var 56,9%, ikke 64,1%. Regnskabsåret sluttede i januar 2023 og er ikke kalenderåret 2023.

Sikring af lighed

Et andet forskningsarbejde undersøgte, hvordan kontrolleret tilfældighed kan forbedre retfærdigheden ved fordeling af knappe ressourcer. Analysen viser mulige afvejninger mellem usikkerhed, nytte og hensynet til personer; den garanterer ikke en gevinst uden omkostninger i alle situationer.

Maskinlæringsmodeller bruges til at støtte blandt andet rekruttering og prioritering. Ved fordeling af eksempelvis sundhedsressourcer skal både prognosernes usikkerhed og de relevante etiske og juridiske krav indgå. Generativ AI’s popularitet er ikke i sig selv årsagen til alle disse anvendelser.

Når man bruger AI-modeller, er målet at opnå retfærdige forudsigelser ved at reducere bias. Dette opnås ofte med teknikker som kalibrering af de genererede scores eller justering af modellens funktioner for at træffe beslutninger. 

Forskerne fra Northeastern University og MIT analyserede situationer, hvor deterministiske beslutninger kan udelukke de samme personer gentagne gange. Tilpasset randomisering kan i nogle tilfælde give flere en reel chance, men er ikke et krav eller en hensigtsmæssig løsning i alle beslutninger.

Forskerne præsenterede en ramme for at indføre specifik randomisering i modellens beslutninger. Metoden kan tilpasses til bestemte situationer. Retfærdighed og effektivitet skal vurderes efter de valgte kriterier; metoden fjerner ikke automatisk alle fejl eller afvejninger.

“Selv hvis du kunne lave retfærdige forudsigelser, bør du så beslutte disse sociale tildelinger af knappe ressourcer eller muligheder udelukkende ud fra scores eller rangeringer? Når tingene skalerer, og vi ser flere og flere muligheder blive besluttet af disse algoritmer, kan de iboende usikkerheder i disse scores forstørres. Vi viser, at retfærdighed kan kræve en form for randomisering.”

– Hovedforfatteren, Shomik Jain, en kandidatstuderende i IDSS

Denne nye forskning er bygget på tidligere arbejde om deterministisk ressourcefordeling. Det viste, hvordan gentagne beslutninger kan forstærke uligheder under visse betingelser. Medforfatter Ashia Wilson fra MIT beskrev randomisering som et muligt redskab.

“Randomisering er et meget nyttigt koncept i statistik, og til vores glæde opfylder det retfærdighedskravene både fra et systemisk og individuelt perspektiv.”

Analysen inddrog filosoffen John Broomes argument om, at lodtrækning kan respektere flere personers krav på en knap ressource. Det er et etisk perspektiv, som skal afvejes mod andre hensyn i den konkrete anvendelse.

“Når du anerkender, at folk har forskellige krav på disse knappe ressourcer, vil retfærdighed kræve, at vi respekterer alle individers krav. Hvis vi altid giver en person med et stærkere krav ressourcen, er det så retfærdigt?”

En deterministisk tildeling, hvor et stærkere krav altid får ressourcen, kan forårsage systemisk eksklusion eller føre til forstærket uretfærdighed. Maskinlæringsmodeller kan også begå fejl, som gentages ved brug af en deterministisk tilgang.

Forskerne foreslog at knytte graden af randomisering til usikkerheden. Det betyder ikke, at alle beslutninger bør afgøres tilfældigt eller med samme sandsynlighed for hver person.

Ved nyreprioritering kan prognoser for forventet levetid være usikre. Eksemplet handler om forskelle mellem forventede levetider, ikke blot om to patienters alder. Wilson forklarede:

“Vi ønsker at udnytte dette niveau af usikkerhed til at tilpasse randomiseringen.”

Forskerne brugte metoder til at kvantificere usikkerhed og undersøge mulige afvejninger. I deres analyser kunne tilpasset randomisering forbedre bestemte retfærdighedsmål med begrænset tab af nytte, men resultatet er ikke en universel garanti.

“Der er en balance at finde mellem den samlede nytte og respekten for rettighederne for de individer, der modtager en knap ressource, men ofte er kompromiset relativt lille.”

– Wilson

Selvom randomisering kan være meget gavnlig for at forbedre retfærdigheden inden for områder som collegeoptagelse, bemærkede forskningen også situationer som strafferet, hvor randomisering af beslutninger faktisk kan skade individer i stedet for at forbedre retfærdigheden. 

Forskerne ønskede at undersøge flere anvendelser og konsekvenser. De følgende virksomheder er tænkte eksempler på relevante brancher, ikke dokumenterede brugere af den konkrete metode:

#1. UnitedHealth Group 

UnitedHealth (UNH ) Group Inc. arbejder med sundhedsydelser og administration. Ressourcefordeling kan være et relevant forskningsområde, men denne artikel viser ikke, at selskabet anvender metoden, eller at randomisering vil sikre retfærdig adgang til behandling.

UnitedHealth Group rapporterede en omsætning på omkring 98,9 milliarder dollar i andet kvartal 2024, cirka 6 milliarder mere end året før. Det er omsætning, ikke overskud.

#2. Pfizer 

Pfizer Inc. (PFE ) kan have interesse i metodiske spørgsmål om udvælgelse i kliniske forsøg. Randomisering i forsøg har dog særskilte videnskabelige og etiske formål og er ikke automatisk det samme som den foreslåede metode til knappe ressourcer.

Pfizer rapporterede en omsætning på omkring 58,5 milliarder dollar i 2023. Tallet dokumenterer ikke brug af den beskrevne AI-metode.

Personlige sprogindlæringssystemer

Et tredje projekt undersøgte personligt tilpassede historiebøger til børns sprogindlæring. Det kombinerede generativ AI og optagelser fra hjemmemiljøet. Det var et mindre forskningsprojekt, ikke dokumentation for en godkendt klinisk behandling.

Sprogudvikling hos børn er af enorm betydning, da den påvirker deres kognitive og akademiske vækst. I betragtning af den rolle, den spiller i børns samlede sociale udvikling, skal sprogfremskridt regelmæssigt evalueres, så rettidige sproginterventioner kan leveres. 

Nogle materialer til sprogvurdering og træning bruger standardiserede ordlister. Sådanne materialer afspejler ikke nødvendigvis alle forskelle i børns hverdag og ordforråd. Standardiserede vurderinger kan samtidig have en vigtig klinisk funktion.

For at overvinde manglerne ved denne konventionelle tilgang udviklede et forskerteam et innovativt uddannelsessystem, der er skræddersyet til hvert barns unikke miljø. 

Dette personlige sprogindlæringssystem kaldes ”Open Sesame? Open Salami! (OSOS)”. Systemet kombinerer principper fra logopædi med oplysninger om barnets sprogmiljø for at udvælge relevante ord. Det er et forskningssystem, ikke en erstatning for faglig udredning.

OSOS analyserer optaget tale, foreslår målord og genererer historiebøger, hvor ordene indgår. De tre hovedmoduler er:

1. Profilering af barnets sprogmiljø
2. Udvælgelse af målord
3. Generering af personligt træningsmateriale

Profileringsmodulet var tænkt til brug i hjemmet med optagelser, som forældre kunne starte og stoppe. Optagelse af børns tale kræver passende samtykke og beskyttelse af de indsamlede oplysninger.

I projektet blev tale analyseret med metoder til adskillelse af talere og sproglig analyse. Morfologisk analyse vedrører blandt andet ord og deres betydningsbærende dele.

Udvælgelsesmodulet vurderer optagelserne og foreslår en prioriteret ordliste. Hvert ord analyseres ved hjælp af en score baseret på de valgte sprogfaglige faktorer.

Generatoren brugte blandt andet GPT-4 og Stable Diffusion til at skabe tekst og illustrationer til bøger med de valgte ord. Materialet skal vurderes for sproglig kvalitet, relevans og egnethed til barnet.

Systemet blev afprøvet med ni familier i fire uger. Resultaterne tydede på anvendelighed og læring af udvalgte ord, men den lille og korte undersøgelse dokumenterer ikke generel eller varig klinisk effekt.

“Vores mål er at udnytte AI til at skabe tilpassede vejledninger, der er skræddersyet til forskellige individers niveauer og behov.”

– Hovedforfatter Jungeun Lee fra POSTECH

Følgende selskaber har teknologi, som kunne være relevant for lignende systemer. Det er hypotetiske anvendelser, ikke annoncerede OSOS-produkter.

#1. Amazon

Amazon (AMZN ) kunne i princippet anvende AI og forbundne enheder til tilpasset læring. Artiklen viser ikke, at Alexa har fået OSOS, eller at en sådan integration er klinisk valideret eller besluttet.

Amazon rapporterede for 2023 en omsætning på omkring 575 milliarder dollar, 12% mere end året før.

Nordamerikas omsætning var omkring 353 milliarder dollar, den internationale omsætning 131 milliarder og AWS 91 milliarder. Driftsresultatet steg fra 12,2 milliarder dollar i 2022 til 36,9 milliarder i 2023. Det frie cashflow gik fra −11,6 milliarder til +36,8 milliarder dollar.

#2. Alphabet Inc. (Google)

Google har AI og forbundne enheder, som kunne indgå i lignende læringssystemer. Det er en mulig anvendelse, ikke dokumentation for et lanceret produkt eller en målt forbedring af børns sprogudvikling.

Alphabet Inc. (GOOG ) rapporterede for 2023 en samlet omsætning på omkring 307,4 milliarder dollar mod 282,8 milliarder i 2022. Google Services stod for 272,5 milliarder dollar, og Google Cloud for 33,1 milliarder. Koncernens driftsresultat var 84,3 milliarder dollar. Google Cloud havde et driftsoverskud på omkring 1,7 milliarder mod et tab på 1,9 milliarder året før. Aktiverne var 402,4 milliarder dollar; de 110,9 milliarder omfattede kontanter, likvider og omsættelige værdipapirer, ikke kontanter alene.

Konklusion

Som vi har set med disse seneste resultater, har AI forskellige anvendelsesområder, der spænder fra at hjælpe børn med sprogudvikling til at designe mere effektive energikonverteringssystemer og højtydende mikroelektroniske enheder. Dette viser blot, hvor kraftfuld AI’s alsidighed er. 

AI kan hjælpe med dataanalyse, automatisering og udvikling af nye metoder. De konkrete resultater afhænger af datakvalitet, evaluering, menneskelig kontrol og anvendelsesområde. Forskningens muligheder bør derfor skelnes fra dokumenterede gevinster i færdige produkter og organisationer.

Klik her for at lære alt om investering i kunstig intelligens.