AI’s seneste gennembrud: Hvad er nyt, og hvad er næste?

Kunstig intelligens (AI) fortsætter med at vokse i betydning, takket være dens store potentiale til at revolutionere industrier.

Denne simulering af menneskelig intelligens i maskiner giver fordele såsom øget effektivitet og produktivitet, forbedret nøjagtighed og beslutningstagning, nye jobmuligheder og forbedret kundeoplevelse.

Som følge heraf er AI blevet en nøglefaktor for virksomhedsvækst, med mere end 70 % af virksomhederne, der tager den i brug. Skøn viser, at det globale AI-marked kan nå trillioner inden 2030, drevet af øgede investeringer og teknologiske fremskridt.

Kun i år har vi set enorme udviklinger: OpenAI introducerede en dyb forskningsagent med en nøjagtighed på over 25 % på benchmarket Humanity’s Last Exam; DeepSeek udgav DeepSeek-R1, som bruger kæde‑af‑tanke‑resonnement; Baidu lancerede Ernie X1 og Ernie 4.5; og Stability AI præsenterede en ny model, Stable Virtual Camera, der gør det muligt at omdanne fotos til 3D‑scener.

Samtidig samarbejder Google med Taiwans MediaTek om at udvikle næste generation af Tensor Processing Units (TPU’er) for at reducere produktionsomkostninger og afhængighed af nuværende partnere. På samme tid annoncerede et konsortium bestående af OpenAI, Oracle (ORCL ), SoftBank og MGX The Stargate Project i samarbejde med den amerikanske regering.

I sidste uge annoncerede Nvidia (NVDA ) en ny serie af “AI-personlige supercomputere” drevet af deres Grace Blackwell chip‑platform. CEO Jensen Huang præsenterede DGX Spark og DGX Station på GTC 2025 for at give brugerne mulighed for at prototype, finjustere og køre AI‑modeller i forskellige størrelser på kanten.

Så lad os nu se på nogle af de seneste vigtige gennembrud, som forskere har opnået med AI på tværs af forskellige sektorer.

Klik her for at finde ud af, om AI kun er hype, eller om der er substans bag dens vækst.

AI løser sine egne læringsudfordringer

AI overfører ikke kun til andre sektorer, men bidrager også til sig selv ved at muliggøre udviklingen af mere sofistikerede AI‑systemer gennem fremskridt inden for dataanalyse, maskinlæring og automatisering, hvilket fører til hurtigere behandling, mere præcise forudsigelser og bedre beslutningstagning.

Denne måned introducerede forskere nye memristive komponenter, som er langt mere robuste, kan fungere i både analoge og digitale tilstande og opererer over et bredere spændingsområde.

Disse egenskaber kan hjælpe med at tackle det såkaldte “katastrofale glemsel”, som opstår, når kunstige neurale netværk glemmer, hvad de tidligere har lært. Dette sker typisk, når dybe neurale netværk (DNN’er), designet til at efterligne den menneskelige hjerne, trænes på en ny opgave, og den nye optimering overskriver den tidligere læring.

Vores hjerne har ikke dette problem, takket være dens evne til at justere graden af synaptisk forandring. Det mistænkes også, at de forskellige grader af plasticitet gør det muligt for vores hjerne at lære nye ting permanent uden at glemme de gamle. Forskere har opnået noget lignende med deres nye memristor.

Memristorer opfører sig meget ligesom hjerneceller og bruger ekstremt lidt strøm. Som en type modstandsskiftende hukommelsesenhed kan memristorer ændre deres modstand baseret på den påførte spænding. Selv når spændingen slukkes, forbliver deres modstandsværdi på grund af deres evne til at gennemgå strukturelle ændringer.

Ifølge Ilia Valov fra Peter Grünberg Institute (PGI-7) ved Forschungszentrum Jülich, som ledede forskningen:

“Memristive elementer betragtes som ideelle kandidater til læringsdygtige, neuro‑inspirerede computerkomponenter modelleret efter hjernen.”

Selvom der er gjort betydelige fremskridt, sker kommercialiseringen af komponenterne i et meget langsommere tempo på grund af den høje fejlrate i produktionen, produktets korte levetid og følsomhed over for mekaniske påvirkninger, som kan forårsage funktionsfejl under drift.

Dette kræver forskning i bedre kontrol af nanoskalaprocesser samt nye materialer og skiftemekanismer for at reducere systemernes kompleksitet og udvide deres funktionalitet, sagde Valov.

Til dette formål gik tyske og kinesiske forskere sammen og “opdagede en grundlæggende ny elektro‑kemisk memristiv mekanisme, som er kemisk og elektrisk mere stabil”, som vil udvide horisonten for anvendelser inden for neurovidenskab.

Klik her for at lære, hvordan AI‑aktiverede hjernechips vil bane vejen for det næste spring i menneskehedens evolution.

Memristor‑gennembrud for AI’s kontinuerlige læring

Udgivet i tidsskriftet Nature Communications¹, identificerede undersøgelsen to primære mekanismer for funktionen af bipolare memristorer:

1. Elektrokemisk metallisering (ECM)
2. Valensændringsmekanisme (VCM)

ECM‑memristorer danner en metallisk filament mellem de to elektroder. Denne lille “ledende bro” ændrer den elektriske modstand og opløses ved omvendt spænding. Selvom den tillader lave skiftespændinger og hurtige skiftetider, er de genererede tilstande her variable og kortvarige.

VCM‑memristorer ændrer modstanden gennem bevægelse af oxygenioner ved grænsefladen mellem elektroden og elektrolytten ved at ændre Schottky‑barrieren. Selvom de er relativt stabile, kræver dette høje skiftespændinger.

Da hver proces har sine egne fordele og ulemper, designede holdet en memristor ved at kombinere fordelene ved begge typer, hvilket man ikke troede var muligt.

Den nye memristor bruger en filament lavet af metaloxider (i stedet for at være helt metallisk som ECM), som dannes af bevægelse af oxygen‑ og tantalum‑ioner. Den er meget stabil og opløses aldrig fuldstændigt.

“Du kan tænke på det som en filament, der altid eksisterer i en vis grad og kun er kemisk modificeret.”

– Valov

Den nye, robuste skiftemekanisme kaldes en filament‑ledningsmodifikationsmekanisme (FCM). Komponenter baseret på denne mekanisme er mere modstandsdygtige over for høje temperaturer, kræver lavere spændinger for at producere, har et bredere spændingsområde og er kemisk og elektrisk mere stabile. Deres levetid er også længere, fordi færre komponenter brænder ud under produktionen, hvilket fører til en lavere afvisningsrate.

De forskellige oxidationsstadier gør det desuden muligt for memristoren at operere i både binære og analoge tilstande, hvilket kan hjælpe med at overvinde problemet med “katastrofalt glemsel”.

Valov forklarede, at den nye to‑terminal‑ohmiske memristors “unikke egenskaber” “muliggør brug af forskellige skiftemetoder til at kontrollere modulationen af memristoren på en måde, så lagret information ikke går tabt.”

Forskere har allerede implementeret den nye memristive komponent i en kunstig neuralt netværksmodel i en simulation, og opnået høj mønstergenkendelsesnøjagtighed på flere billeddatasæt.

Holdet vil nu undersøge andre materialer, som måske er endnu bedre og mere stabile. Valov er sikker på, at deres “resultater vil yderligere fremme udviklingen af elektronik til ‘computation‑in‑memory’-applikationer.”

Nu er en af de førende virksomheder inden for AI‑området Microsoft (MSFT ), som har investeret 12 milliarder dollars i ChatGPT‑producenten OpenAI og tilbyder AI‑produkter som Copilot, Azure AI Studio og AI‑drevne værktøjer i Microsoft 365, Dynamics 365 og Power Platform. Den teknologiske gigant med en markedsværdi på 2,9 billioner dollars handles i øjeblikket til $394.58, ned 7.17 % år‑til‑dato. For kvartalet, der sluttede den 31. december 2024, rapporterede den en stigning på 12 % i omsætning til $69.6 bln og en udvandet EPS på $3.23.

Ifølge Microsoft CEO Satya Nadella:

“Vi innoverer på tværs af vores teknologiske stack og hjælper kunder med at frigøre den fulde ROI af AI for at udnytte den enorme mulighed, der ligger foran os. Allerede har vores AI‑forretning overskredet en årlig omsætningsrate på 13 milliarder dollars, op 175 % år‑over‑år.”

Seneste om Microsoft

AI i sundhedssektoren, forbedring af Parkinsons diagnose

I sundhedssektoren hjælper AI med at reducere omkostninger og opnå bedre patientresultater ved at forbedre diagnostik, behandling og patientpleje gennem sygdomsdetektion, personlig medicin og øget effektivitet i administrative opgaver.

Nu vil AI hjælpe klinikere med at differentiere diagnosen af Parkinsons sygdom og relaterede tilstande hurtigere og med større nøjagtighed.

Diagnosen af Parkinsons sygdom ligger i øjeblikket mellem 55 % og 78 % i de første fem år af vurderingen, delvist på grund af de beslægtede bevægelsesforstyrrelser, der deler ligheder med den, hvilket kan gøre en entydig diagnose vanskelig i starten.

Dog har en ny AI‑model udviklet af forskere ved University of Florida og UF Health Norman Fixel Institute for Neurological Diseases en præcisionsrate på over 96 %.

Som studiet bemærkede, har anvendelsen af en billedbaseret tilgang til at diagnosticere og differentiere mellem Parkinsons sygdom (PD), progressiv supranuklear palsy (PSP) og multipel systematrofi (MSA) Parkinson‑varianter været særligt udfordrende. Dog har nyere data vist, at det er muligt med diffusion‑vægtet MR kombineret med sygdomsspecifikke maskinlærings‑algoritmer (ML).

Undersøgelsen, finansieret af National Institutes of Health og offentliggjort i JAMA Neurology, beskrev Automated Imaging Differentiation for Parkinsonism (AIDP), en automatiseret MR‑behandlings‑ og ML‑software med en ikke‑invasiv biomarkør‑teknik.

MR‑producenter, David Vaillancourt, professor i UF’s afdeling for anvendt fysiologi og kinesiologi, bemærkede, at de ikke kommunikerer med hinanden på grund af konkurrence på markedet og bruger deres egen software og sekvenser.

Så forskerne “udviklede ny software, der fungerer på tværs af alle dem.” Værktøjet vil hjælpe læger med at øge deres diagnostiske effektivitet mellem forskellige lidelser, sagde Vaillancourt.

Mens diffusion‑vægtet MR i AIDP hjælper med at identificere, hvor neurodegeneration forekommer ved at måle, hvordan vandmolekyler diffunderer i hjernen, analyserer algoritmen hjerne‑scanningen for at give resultaterne.

Algoritmen er blevet grundigt testet mod kliniske diagnoser i person og udført på 21 steder, herunder to i Canada og 19 i USA.

“Dette er et eksempel på, hvordan innovationen mellem teknologi og kunstig intelligens har vist sig at forbedre diagnostisk præcision, hvilket giver os mulighed for yderligere at forbedre behandlingen af patienter med Parkinsons sygdom.”

– Michael Okun, M.D., direktør for Norman Fixel Institute for Neurological Diseases ved UF Health.

Forskere sigter nu på at få godkendelse fra den amerikanske Food and Drug Administration (FDA).

Brug af AI til at forudsige kardiovaskulær risiko gennem mammogrammer

Endnu en dyb læringsmodel viste potentiale i at forudsige kardiovaskulær risiko baseret på mammogram‑billeder, et vigtigt værktøj til kræftscreening. Denne separate undersøgelse, præsenteret ved American College of Cardiology’s (ACC) årlige videnskabelige session, kombinerer AI’s kraft med mammogrammer for at analysere ophobning af calcium i arterierne inden i brystvævet.

Calciumophobning i blodkar er et tegn på kardiovaskulær skade forbundet med aldring eller tidlig hjertesygdom. Kvinder med calciumophobning i arterierne har ifølge tidligere studier en 51 % højere risiko for hjerte‑kar‑sygdomme og slagtilfælde.

Selvom hjerte‑kar‑sygdomme er en førende dødsårsag i USA, er hjerte‑sygdomme hos kvinder faktisk underdiagnostiseret, hvilket kan ændres med AI‑drevne mammogram‑screeningsværktøjer, der udnytter de tests, mange kvinder rutinemæssigt får, bedre.

I USA udføres omkring 40 millioner mammogrammer hvert år. Disse røntgenbilleder bruges til at screene for brystkræft. Selvom billederne viser calcifikationer i brystarterierne, rapporteres informationen ikke til patienterne eller deres klinikere.

Den nye undersøgelse brugte en AI‑billedanalyse‑teknik, der tidligere ikke var anvendt på mammogrammer, for at vise, at teknologien kan hjælpe med at udfylde dette hul ved automatisk at vurdere calcifikation og derefter give en kardiovaskulær risikovurdering. Ifølge studiets hovedforfatter, Theo Dapamede, MD, PhD, og en postdoc‑stipendiat ved Emory University i Atlanta:

“Vi ser en mulighed for, at kvinder kan blive screenet for kræft og samtidig få en kardiovaskulær screen fra deres mammogrammer. Vores studie viste, at calcifikation i brystarterier er en god indikator for kardiovaskulær sygdom, især hos patienter under 60 år. Hvis vi kan screene og identificere disse patienter tidligt, kan vi henvise dem til en kardiolog for yderligere risikovurdering.”

For at bygge værktøjet trænede forskerne en AI‑model til at segmentere calcificerede kar i mammogram‑billeder. Modellen bruger derefter disse lyse pixels til at beregne risikoen for kardiovaskulære hændelser i fremtiden baseret på data fra over 56.000 patienter.

“Fremskridt inden for dyb læring og AI har gjort det meget mere gennemførligt at udtrække og bruge mere information fra billeder til at informere opportunistisk screening.”

– Dapamede

Studiets resultater viste, at den nye model præsterede godt i at identificere kardiovaskulær risiko hos patienter med lav, moderat eller høj risiko baseret på mammogram‑billeder.

Ifølge dem stiger forekomsten af alvorlige kardiovaskulære hændelser med niveauet af calcifikation i brystarterier hos kvinder under 60 og dem mellem 60 og 80 år efter beregning af risikoen for død af et akut hjerteanfald, slagtilfælde eller enhver årsag ved to og fem år.

Dette gør værktøjet specifikt egnet til at give tidlig advarsel om risiko for hjertesygdom hos yngre kvinder, hvilket muliggør tidlige indgreb.

Studiets resultater viser også, at dem med det højeste niveau af calcifikation i brystarterier, over 40 mm², havde en betydeligt lavere femårige overlevelsesrate uden hændelser end dem med det laveste niveau, under 10 mm².

Forskernes næste skridt er at opnå godkendelse fra FDA og gøre den tilgængelig for bredere brug. I fremtiden er planen også at undersøge brugen af lignende AI‑modeller til at analysere biomarkører for andre tilstande, såsom nyresygdom, som kan udvindes fra mammogrammer.

Nu, når det kommer til virksomheder, der fremmer AI i sundhedssektoren, GE HealthCare Technologies (GEHC ) er stærkt investeret i teknologien og integrerer den på tværs af sine produkter for at forbedre patientpleje og optimere klinikeres arbejdsprocesser. Den virksomhed med en markedsværdi på 37,26 mia dollars handles i øjeblikket til $81.49, op 4.23 %. I 4Q24 steg dens omsætning med 2 % til $5.3 mia, mens den udvannede EPS var $1.57.

Seneste om GE HealthCare Technologies

AI i materialvidenskab: Optimering af tyndfilm‑vækstprocesser

Materialvidenskab er afgørende for moderne fremskridt, da den muliggør udvikling af nye materialer og forbedring af eksisterende. AI på dette område bidrager ved at accelerere opdagelsen og designet af nye materialer, optimere eksisterende og forbedre fremstillingsprocesser.

Forskere fra Tokyo University of Science (TUS), ledet af professor Masato Kotsugi, har nu anvendt AI til at optimere tyndfilm‑vækstprocesser ved at forudsige dendritisk vækst i dem.

Disse processer spiller en nøglerolle i udviklingen af halvleder‑enheder, kommunikationsteknologier og sensorteknologier.

Nu vokser tyndfilm ved at pålægge små lag af materialer på et substrat. For fuldt ud at udnytte ydeevnen af flerlags‑film‑enheder skal substratet fremstilles præcist, da det har en betydelig indflydelse på den strukturelle konfiguration, som derefter påvirker deres funktion og ydeevne.

Dog påvirkes strukturerne i høj grad af vækstprocesbetingelser såsom sammensætning, atmosfære og overfladefejl. Under vækstprocessen for stor‑areal fremstilling, som er vigtig for kommerciel anvendelse, opstår en væsentlig hindring i form af dendritiske strukturer.

Disse træ‑lignende forgreningsmønstre reducerer tyndfilmens planhed og observeres ofte i materialer som grafen, kobber og borofen, især i den tidlige vækstfase og i flerlags‑film.

Da mikrostrukturen direkte påvirker enhedens ydeevne, er det kritisk at reducere dendritisk dannelse. For at gøre dette skal vi først forstå de betingelser, der forårsager dendritisk forgrening.

Eksisterende metoder til at studere dendritter afhænger dog af simpel visuel analyse og subjektiv fortolkning, hvilket kræver betydelig prøving og fejl.

For at tackle disse udfordringer byggede forskerne en AI‑model til at analysere dendritiske strukturer. Den innovative metode integrerer maskinlæring (ML) og persistent homology (PH) med energianalyse for at forbinde struktur og proces i dendritisk vækst.

“Vores tilgang giver nye indsigter i vækstmekanismer og tilbyder en kraftfuld, datadrevet vej til optimering af tyndfilm‑fremstilling.”

– Prof. Kotsugi

Kombination af AI, PH og energianalyse for at studere dendritisk vækst

Udgivet i Science and Technology of Advanced Materials: Methods³, beskriver undersøgelsen modellen, der bruger persistent homology (PH) til at indfange de komplekse topologiske egenskaber af dendritmikrostrukturer, som ofte overses af traditionelle billedbehandlingsteknikker.

Mens PH muliggør multiskala vurdering af huller og forbindelser inden for geometriske strukturer, hjalp ML‑teknikken principal component analysis (PCA) med at reducere de væsentlige dendritmorfologifunktioner, udtrukket via PH, til et 2D‑rum.

Dette hjalp holdet med at kvantificere strukturelle ændringer i dendritter og etablere en sammenhæng mellem disse ændringer og den frie energi i materialet, som påvirker, hvordan dendritter dannes.

Ved at vurdere denne sammenhæng opdagede holdet de specifikke betingelser og skjulte vækstmekanismer, der påvirker dendritisk forgrening.

“Vores ramme kortlægger kvantitativt dendritisk morfologi til Gibbs fri energi‑variationer og afslører energigradienter, der driver forgreningsadfærd.”

– Kotsugi

Holdet studerede derefter dendritvækst i et hexagonalt kobber (Cu) substrat og sammenlignede resultaterne med data fra fase‑felt‑simulationer for at validere deres tilgang. Kotsugi bemærkede:

“Ved at integrere topologi og fri energi tilbyder vores metode en alsidig tilgang til materialeanalyse. Gennem denne integration kan vi etablere en hierarkisk forbindelse mellem mikroskopiske mikrostrukturer og makroskopiske funktionaliteter på tværs af et bredt udvalg af materialer, hvilket baner vejen for fremtidige fremskridt inden for materialvidenskab.”

Ifølge ham kan denne metode føre til udviklingen af højkvalitets‑tyndfilm‑enheder til højhastighedskommunikation ud over 5G samt fremskridt inden for højtydende materialer, ikke‑ligevægt‑fysik og sensorteknologi.

Nu, hvis vi ser på et fremtrædende navn inden for materialvidenskab, der bruger AI til innovation, er Applied Materials (AMAT ) blandt de førende. Det udnytter AI til at forbedre fremstillingen af halvleder‑chips gennem sin AI(x)-platform, ExtractAI og SEMVision™ H20 System. Den virksomhed med en markedsværdi på 123,6 mia dollars handles i øjeblikket til $151, ned 6.5 % år‑til‑dato. For 1Q25 rapporterede den en stigning på 7 % i omsætning til $7.17 mia, mens GAAP‑EPS var $1.45 og non‑GAAP‑EPS var $2.38.

“Industridriften for at accelerere udviklingen af avanceret beregning og mere sofistikeret AI får momentum. Applied Materials muliggør de store enhedsarkitektur‑inflektioner, der er kritiske for energieffektiv AI, og vores fokus på høj‑hastigheds‑samskabelse skaber unikke samarbejdsmuligheder med vores kunder og partnere, hvilket positionerer Applied for fortsat vækst og overpræstation i de kommende år.”

– CEO Gary Dickerson sidste måned

Seneste om Applied Materials

Konklusion

AI har allerede transformeret virksomheder på tværs af industrier. Det hurtige innovationstempo tilbyder nu banebrydende løsninger på sine mangeårige udfordringer. Med disse fremskridt, der spænder fra materialvidenskab, medicinsk diagnostik og personlige supercomputere til endda løsninger på AI’s egne læringsudfordringer, træder vi ind i en æra, der lover en hidtil uset transformation.

Efterhånden som AI fortsætter med at udvikle sig, gør dens evne til at drive produktivitet, forbedre beslutningstagning og åbne nye grænser den til en af de mest magtfulde kræfter, der former fremtiden.

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