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.

Ifølge en IBM-undersøgelse fra 2023, 42% af virksomheder i enterprise‑skala har allerede integreret AI i deres drift, mens yderligere 40% overvejer teknologien til deres organisationer.

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

Ifølge PWC-estimater vil AI potentielt bidrage med $15.7 trillion til den globale økonomi inden udgangen af dette årti, hvor 45% af de samlede økonomiske gevinster kommer fra AI‑drevne produktforbedringer i form af overkommelighed, attraktivitet, variation og øget personalisering, hvilket stimulerer forbrugerefterspørgslen. Samtidig vil $6.6 trillion af stigningen i BNP i lokale økonomier fra AI sandsynligvis komme fra øget produktivitet, ifølge PWC.

AI er hurtigt ved at blive en central kilde til forstyrrelse og konkurrencemæssig fordel, og fungerer som et knudepunkt for at fremme næsten alle industrier. Dette enorme potentiale og alsidighed af AI kan ses i de seneste fremskridt, der er opnået med hjælp fra denne teknologi. 

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. I deres virtuelle node‑model var forskerne i stand til at opnå Γ‑fononspektre og fuld fonon‑dispersionsforudsigelse kun ud fra atomære koordinater. Ved at kombinere deres tilgang med ML‑interatomare potentialer opnåede teamet meget højere effektivitet med bedre nøjagtighed.

Evnen til hurtigt og præcist at beregne fonon‑båndstrukturer er kritisk, fordi anslået 70 % af den producerede energi globalt ender som spildvarme. Hvis forskere kan forudsige, hvordan varme bevæger sig gennem isolatorer og halvledere, kan mere effektive energiproduktionssystemer designes. 

Problemet med alt dette er, at materialers termiske egenskaber kan være meget svære at modellere. Dette skyldes fononer, en kvante af vibrerende mekanisk energi. 

Disse subatomare partikler transporterer varme, og nogle af et materiales termiske egenskaber afhænger af fonon‑dispersionsrelationen, som er forholdet mellem fononernes energi og deres momentum i krystallstrukturen. Ikke kun er dette svært at indarbejde i et systems design, men også indsamlingen udgør betydelige udfordringer. 

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

“Fononer er årsagen til den termiske tab, men at opnå deres egenskaber er notorisk udfordrende, enten beregningsmæssigt eller eksperimentelt.”

Det skyldes deres ekstremt brede frekvensområde, at varme‑bærende fononer er så svære at forudsige. Desuden bevæger disse partikler sig og interagerer med varierende hastigheder.

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

ML-modellerne, der bruges til at udføre højpræcisionsberegninger for at estimere fonon‑dispersionsrelationer, kaldes graf‑neurale netværk (GNN). Disse netværk konverterer et materiales atomstruktur til en krystallgraf.

The crystal graph comprises multiple nodes connected by edges. The nodes represent atoms, while the edges act as the interatomic bonding between atoms.

GNN’er har fungeret godt til beregning af elektrisk polarisation og magnetisering, blandt andre størrelser. Dog er de simpelthen ikke fleksible nok til at forudsige fonon‑dispersionsrelationen præcist, hvilket er en utrolig høj‑dimensionel størrelse.

Modellering af fononernes momentrum med en fast grafstruktur løser ikke problemet, fordi de bevæger sig omkring atomer på forskellige akser. Dette kræver fleksibilitet, som forskerne indførte gennem virtuelle noder.

Mens grafnoder bruges til at repræsentere atomer, overvejede teamet idéen og nåede frem til “grafnoder kan være hvad som helst. Og virtuelle noder er en meget generisk tilgang, du kan bruge til at forudsige mange høj‑dimensionelle størrelser.”

Ved at tilføje fleksible virtuelle noder til den faste krystallstruktur skabte teamet en ny ramme kaldet et virtuelt node‑graf‑neuralt netværk (VGNN). Ved at gøre VGNN’s output variabel i størrelse, bliver den ikke begrænset af den faste krystallstruktur.

Dog kan disse virtuelle noder kun modtage beskeder fra reelle noder. Så selvom de opdateres sammen med de reelle noder under beregning, påvirker de virtuelle noder ikke modellens nøjagtighed.

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 lade virtuelle noder repræsentere fononer, behøver VGNN-modellen ikke udføre mange komplekse beregninger, når den forudsiger fonon‑dispersionsrelationen, hvilket gør den mere effektiv end GNN.

Den nye AML-ramme, skabt af forskere fra MIT og andre steder, har vist sig at forudsige fonon‑dispersionsrelationer op til 1 million gange hurtigere end traditionelle, ikke‑AI‑baserede metoder. Selv sammenlignet med andre AI‑baserede teknikker er denne nye ramme 1.000 gange hurtigere med sammenlignelig eller endda bedre nøjagtighed. 

Når man forudsiger et materiales varmekapacitet, fandt forskerne modellen lidt mere præcis, med forudsigelsesfejl, der i nogle tilfælde var to størrelsesordener lavere med deres teknik.

Ifølge forskerne kan modellen estimere fonon‑dispersionsrelationer for et par tusinde materialer på blot få sekunder ved brug af en personlig computer. Dette muliggør udforskning af flere materialer med specifikke termiske egenskaber. Den kan endda bruges til at beregne fonon‑dispersionsrelationer i legeringssystemer, hvilket er særligt udfordrende for traditionelle modeller.

Inden for mikroelektronik, hvor håndtering af varme er en stor udfordring for at gøre dem hurtigere, kan den nye metode være yderst gavnlig og hjælpe med at udvikle mere effektive mikroelektroniske enheder. Desuden kan metoden hjælpe med design af energigenereringssystemer, der producerer mere kraft og større effektivitet. 

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

Her er to virksomheder, der kan drage fordel af denne AI‑relaterede udvikling inden for forudsigelse af materialers termiske egenskaber:

#1. Intel

Som en førende mikroprocessorproducent er varmehåndtering afgørende for Intel (INTC ). Forbedrede AI-modeller kan hjælpe med at designe hurtigere, mere effektive processorer med bedre varmespredning, hvilket øger produktets ydeevne og levetid og gør Intel mere konkurrencedygtig.

#2. NVIDIA

Effektiv varmehåndtering er afgørende for NVIDIAs højtydende GPU’er, der anvendes i datacentre, gaming og AI‑applikationer. Forbedrede AI-modeller kan føre til bedre køleløsninger, hvilket forbedrer produktets ydeevne og pålidelighed. Dette baner vejen for design af energieffektive AI‑systemer og styrker NVIDIAs markedsposition.

Sikring af lighed

Et separat papir forbedrede imidlertid retfærdighed ved at introducere struktureret tilfældighed i tildeling af knappe ressourcer med AI. Dette gør det muligt for ML‑baserede modelforudsigelser at håndtere iboende usikkerheder uden at gå på kompromis med effektiviteten.

I løbet af det sidste år har populariteten af generativ AI som ChatGPT gjort teknologien til en integreret del af virksomheder. Organisationer har i stigende grad vendt sig mod ML‑modeller for at fordele deres knappe ressourcer, såsom velfærdsydelser. Denne anvendelse kan spænde fra screening af CV’er til udvælgelse af kandidater til jobsamtaler til sundhedsudbydere, der rangerer patienter for den begrænsede forsyning af livredende medicinske ressourcer som respiratorer eller organer baseret på deres overlevelsesrate.

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. 

Selvom det traditionelt antages, at algoritmer er retfærdige, argumenterer et nyt papir af forskere fra Northeastern University og MIT for, at opnå retfærdighed ved brug af ML ofte kræver tilfældighed. Deres analyse fandt, at randomisering er særlig gavnlig, når en models beslutninger involverer usikkerhed. Desuden, når den samme gruppe konsekvent modtager negative beslutninger, skal randomisering anvendes for at forbedre retfærdigheden.

Forskerne præsenterede en ramme for at indføre specifik randomisering i modellens beslutninger. Metoden kan tilpasses til individuelle situationer for at forbedre retfærdigheden uden at skade nøjagtigheden eller reducere modellens effektivitet.

“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 et tidligere papir, som undersøgte skaderne ved at bruge deterministiske systemer i stor skala og fandt, at brugen af ML-modeller til deterministisk tildeling af ressourcer forstærker eksisterende uligheder og forstærker bias. Ifølge seniorforfatter Ashia Wilson, en hovedforsker i LIDS:

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

Ved at undersøge hvornår randomisering kan forbedre retfærdighed, adopterede det seneste papir værdien af lotterier i opnåelsen af retfærdighed fra filosoffen John Broome for at argumentere for behovet for randomisering i situationer med knappe ressourcer for at ære alle krav ved at give hver person en chance. Jain sagde:

“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.

Papiret bemærkede, at randomisering kan hjælpe med at overvinde disse problemer. Dog bør ikke alle beslutninger randomiseres lige meget. En mindre sikker beslutning bør have mere randomisering.

For eksempel involverer nyreallokering projektion af levetid, hvilket er meget usikkert, og når der er to patienter, der kun er fem år fra hinanden, bliver det endnu sværere at måle. Wilson sagde:

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

For at bestemme omfanget af den nødvendige randomisering under forskellige betingelser brugte forskerne statistiske metoder til kvantificering af usikkerhed for at vise, at kalibreret randomisering kan skabe mere retfærdige resultater uden væsentligt at påvirke modellens effektivitet eller nytte.

“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. 

Fremover planlægger forskerne at undersøge andre anvendelsestilfælde og undersøge effekten af randomisering på andre faktorer, såsom priser og konkurrence, og hvordan dette kan bruges til at forbedre ML-modellernes robusthed. Nu vil vi se på to virksomheder, der kan drage betydelig fordel af denne udvikling:

#1. UnitedHealth Group 

UnitedHealth (UNH ) Group Inc. kan forbedre retfærdigheden i patientplejeadministration og ressourcefordeling ved at indarbejde struktureret tilfældighed i AI-modeller. Denne tilgang reducerer bias og sikrer retfærdig adgang til behandlinger, i overensstemmelse med UnitedHealths forpligtelse til at levere høj kvalitet og overkommelig pleje.

Den rapporterede en omsætning på $98.9 billion i andet kvartal 2024, hvilket afspejler en stigning på $6 billion år-til-år.

#2. Pfizer 

Pfizer Inc. (PFE ) kan bruge struktureret tilfældighed i AI for at sikre retfærdig patientudvælgelse i kliniske forsøg og retfærdig fordeling af eksperimentelle behandlinger. Denne tilgang vil støtte Pfizers mission om at fremme sundhedslighed og gavne en bredere befolkning.

Med hensyn til omsætning rapporterede Pfizer en årlig omsætning på $58.5 billion i 2023.

Personlige sprogindlæringssystemer

En anden interessant anvendelse af AI realiseres i at generere personlige historiebøger for at hjælpe børn med sprogindlæring. Ved at bruge generativ AI og hjemme‑IoT‑teknologi sigter den seneste undersøgelse på at tilbyde en effektiv og tilpasset måde at hjælpe børn med at blive bedre til at behandle tale og kommunikation. 

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. 

Traditionelt anvendes en én‑størrelse‑passer‑alle tilgang via standardiserede ordforrådslister og forudlavet materiale til vurdering af sprogkundskaber og interventioner. Dette på trods af, at børn lærer sprog ved at interagere med deres omgivelser, og fordi de vokser op i forskellige miljøer, fører det til variation i eksponering for ordforråd.

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)“. Det kombinerer talepatologiteori med praktisk ekspertise og imødekommer variationer i børns sprogudvikling gennem individuel vægtning af faktorer og fleksible kriterier for valg af ordforråd. 

Drevet af generativ AI og udbredt sensorteknologi profilerer OSOS et barns sprogmiljø, udtrækker personligt tilpassede prioriterede ord og skaber tilpassede historiebøger, der naturligt inkluderer disse ord. Det består af tre hovedmoduler:

1. Personlig sprogprofiler
2. Målordforrådsudtrækker
3. Personlig interventionshjælpsgenerator

Profileringsmodulet skal implementeres i hjemmet og indlejres i husholdningsapparater eller smarte højttalere for at indsamle taleksempler. Forældre vil styre, hvornår optagelsen startes og stoppes.

Til dette formål blev hjemme‑IoT‑enheder brugt til at indfange og overvåge børns daglige miljø og sprogeksponering. Børnenes ordforråd blev derefter undersøgt ved hjælp af taleradskillelse, som identificerer og isolerer forskellige talere, samt morfologiske analyseteknikker for at vurdere de mindste semantiske enheder i sproget.

Uddragningsmodulet analyserer udtalelserne og udtrækker en valgfri prioriteret liste over ord, der anbefales til barnet. Hvert ord analyseres ved at beregne scores for dem baseret på væsentlige faktorer relateret til talepatologi.

Generatoren leverer derimod intervention i form af historiebøger, en almindelig klinisk praksis og en del af de fleste børns naturlige rutiner. For at skabe personligt materiale brugte teamet avancerede generative AI‑teknologier, herunder GPT‑4 og Stable Diffusion. Disse løsninger gjorde det muligt at producere skræddersyede bøger, der ubesværet integrerer hvert barns målordforråd. 

Teamet testede det personlige sprogindlæringssystem med ni familier over en fire‑ugers periode. Resultaterne demonstrerede systemets anvendelighed i hverdagsmiljøer og viste effektivt børns indlæring af målordforrådet.

“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

De to virksomheder nedenfor kan drage fordel af AI‑drevne personlige sprogindlæringssystemer:

#1. Amazon

Amazon (AMZN ) kan med sine omfattende AI‑ og IoT‑kapaciteter integrere personlige sprogindlæringssystemer i sine smarte hjemmeenheder som Alexa. Dette vil give forældre mulighed for at bruge Alexa til at indfange og analysere deres børns sprogudvikling i realtid og tilbyde skræddersyede læringsoplevelser.

I 2023 voksede Amazons samlede omsætning med 12 % til $575 billion, hvor Nordamerika, International og AWS‑segmenterne bidrog betydeligt. 

Den nordamerikanske omsætning steg med 12 % til $353 billion, den internationale omsætning steg med 11 % til $131 billion, og AWS‑omsætningen steg med 13 % til $91 billion. Dens driftsresultat steg fra $12.2 billion i 2022 til $36.9 billion i 2023, mens fri cash flow gik fra -$11.6 billion i 2022 til +$36.8 billion.

#2. Alphabet Inc. (Google)

Google kan implementere personlige sprogindlæringssystemer ved hjælp af sine Google Home‑ og Nest‑enheder. Ved at udnytte Googles AI‑ekspertise kan disse enheder levere tilpasset læringsindhold og spore sprogudvikling, hvilket hjælper med mere effektive sproginterventioner for børn.

I 2023 voksede Alphabet Inc. (GOOG ) s samlede omsætning til $307.4 billion, op fra $282.8 billion i 2022. Google Services, herunder Google Search og YouTube‑annoncer, genererede $272.5 billion, mens Google Cloud tjente $33.1 billion. Driftsresultatet steg til $84.3 billion, hvor Google Cloud gik fra et tab på $1.9 billion i 2022 til en profit på $1.7 billion. De samlede aktiver nåede $402.4 billion, inklusive $110.9 billion i kontanter.

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. 

AIs evne til at håndtere store datamængder, udføre gentagne opgaver effektivt, lære af data og forbedre sig over tid gør den til en virkelig forstyrrende kraft for en bred vifte af industrier, der innoverer, forbedrer deres effektivitet og produktivitet, reducerer omkostninger og forbedrer beslutningstagning. På dette baggrund viser AI et enormt potentiale, som meget vel kan overstige vores nuværende estimater, for at transformere industrier og dermed vores liv.

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