Ændring af tidslinjen for opdagelser gennem brug af kunstig intelligens (AI)

Fra manuel forskning til automatisering med AI

I en periode var videnskabelige fremskridt udelukkende afhængige af indsigten fra brillante forskere og ikke kunstig intelligens (AI). De måtte derefter designe og teste deres hypoteser manuelt gennem skræddersyede eksperimenter. Dette var ofte en omstændelig langsom proces, der tog år fra de indledende idéer til de faktiske resultater.

For nylig har højere niveauer af automatisering gjort det muligt at reducere manuelt arbejde i grundforskning. For eksempel har Next-Generation Sequencing (NGS) gjort det muligt at sekventere genomer på blot få dage og til en lavere pris, mens den første sekventering af det menneskelige genom i 2003 kostede 3 mia. dollars og tog et årti at gennemføre.

NGS Sequencer- Kilde: Illumina

Automatisering har gjort det muligt at udføre de fysiske trin i forskningen i massiv skala og til lavere omkostninger. Men den intellektuelle indsats, for eksempel analyse af data fra genomssekventering, var stadig udelukkende afhængig af den menneskelige hjerne og computerassisterede matematiske modeller. Det var indtil AI blev en ny spilskifter.

Støtte til den menneskelige hjerne

Jo mere videnskaben avancerede, desto mere komplekse blev dataene. At finde nye materialer bygger på en relativt simpel proces, som at blande elementer, der ikke tidligere er blevet testet sammen.

Men avanceret materialvidenskab, for eksempel inden for batteriteknologi eller halvledere, kræver manipulation af komponenter på nanometerniveau og nogle gange på enkeltatomniveau. Dette gør modelleringen og forståelsen af processen for kompleks for den menneskelige hjerne til fuldt ud at forstå alle de tilgængelige data.

For eksempel kan det at finde det rette materiale til et nyt batteridesign indebære at vælge blandt 32 millioner potentielle uorganiske materialer. Dette var opgaven, som Vijay Murugesan, gruppelederen for materialvidenskab ved PNNL (Pacific Northwest National Laboratory), stod over for.

Tidligere ville uddannede gæt, grove computermodeller og manuel testning have været nødvendige for at indsnævre mulighederne, og det ville have taget år. I stedet etablerede PNNL et samarbejde med Microsoft (MSFT ) for at udnytte teknologigigantens ekspertise inden for AI.

Undervisning af flere AI’er i kemi

Microsoft har i lang tid arbejdet på sådanne anvendelser gennem sit AI4Science-program. For eksempel gør deres generative AI MatterGen det muligt at udføre bred egenskabsstyret materialdesign.

Kilde: Microsoft

I samarbejde med PNNL har Microsoft specifikt udviklet flere forskellige AI’er til at evaluere alle de anvendelige elementer og deres kombinationer.

Den har også en AI dedikeret til at finde ud af, hvilke materialer der er stabile. Derefter en AI, der evaluerer molekyler baseret på deres reaktivitet. Og endnu en AI, der vurderer molekylernes evne til at lede energi.

Denne kombination af AI er ikke designet til at finde enhver mulig løsning på et givet problem. I stedet ser den på den enorme høstak af muligheder (i titusinder) og forsøger at indsnævre den til nogle få gode kandidater.

Denne tilgang reducerede 32 millioner potentielle materialer til 500.000 kandidater og derefter til 800.

Den adskiller sig grundlæggende fra en ren computerbaseret matematisk modeltilgang, som i stedet vil forsøge at beregne de kemiske egenskaber af et materiale med “brute force”, ofte ved at simulere det atom for atom. I stedet laver AI’en et velovervejet “gæt” på, hvad skal fungere ved at bruge analogier, næsten på samme måde som et menneske ville gøre. Undtagen at AI‑teamet kunne screene 32 millioner idéer på mindre end 80 timer.

At reducere måneder eller år af arbejde til få dage eller uger er en komplet revolution i hastigheden af videnskabelig fremgang.

Hvis det anvendes bredere, kunne dette fuldstændigt ændre tempoet for teknologisk fremgang i menneskelige samfund.

Sparende af værdifulde ressourcer

Når listen var indsnævret til kun 800 kandidater, kunne forskerne derefter anvende den mere standardiserede metode med High-Performance Computing (HPC). Det tillod beregning af alle mulige energitilstande for de 800 kandidater. Derefter blev en kombination af dedikeret AI og HPC brugt til at simulere bevægelserne af hver atom og hvert molekyle inden i hvert materiale.

Ved kun at bruge HPC på et par hundrede kandidater sparede dette PNNL for meget tid og penge, da metoden er meget krævende på computerkraft. Dette reducerede kandidatlisten til kun 150.

Derfra reducerede en evaluering af omkostninger, tilgængelighed og andre praktiske overvejelser den oprindelige liste på 32 millioner kandidater til kun 23. Interessant nok var 5 af de 23 allerede kendte, hvilket demonstrerer metodens relevans, da den “genopdagede” disse 5 materialer uafhængigt.

Tidligere forskningsmetoder ville have været stærkt afhængige af dyr og langsom HPC. AI‑metoden reducerede i stedet HPC til kun 10 % af den samlede beregningstid. Det faktum, at AI‑beregningen var cloud‑baseret i stedet for at bruge dyre og sjældne forskningsinstitutters supercomputer‑tid, hjalp også med at gøre den mere effektiv.

De næste skridt

Samarbejdet mellem Microsoft og PNNL om batterimaterialer var kun begyndelsen på en flerårig samarbejdsaftale. I sidste ende er idéen at generere nok data, så det at vide, hvilket nyt materiale der skal bruges til at designe et nyt batteri, bliver så enkelt som blot at spørge AI‑systemet om det.

“Visionen, vi arbejder hen imod, er generative materialer, hvor jeg kan bede om en liste over nye batteriforbindelser med de ønskede egenskaber,” – Nathan Baker, Product Leader for Azure Quantum Elements.

Det er også værd at bemærke, at den nuværende metode er afhængig af klassisk computing. Men Microsofts AI‑programmering og software er designet til at blive opgraderet til at bruge kvantecomputing, så snart teknologien er moden nok.

Dette ville give en hidtil uset regnekraft til emner som kemiske og biologiske simuleringer, hvilket øger regnekraften med flere størrelsesordener (x100‑10.000). Så vi er stadig i de meget tidlige faser af AI’s arbejde med at designe nye molekyler og materialer.

Anvendelsesområder

Det første eksperiment fokuserede på batterimaterialer. Men mange andre områder vil sandsynligvis drage fordel af sådan avanceret indsigt i kemi, samt anvendelse af AI på andre videnskaber, som allerede er i Microsofts pipeline:

• Halvledere.
• Kvantcomputing & kryptografi.
• Visuel and lyd
• Molekylær biologi & genomik.
• Biotek & farmaceutika generelt.
• Vedvarende energi & klimaændringer.
• Landbrug & Økologi.
• Økonomi.
• Samfundsvidenskaber.
• Teoretisk matematik.

Hvert af disse felter har oplevet, at forskningen har kæmpet på grund af den enorme mængde data og kompleksiteten af de aktuelle problemstillinger. Ligesom pilotprojektet med batterier, kunne hver af dem drage fordel af indsigt fra AI.

AI-drevne videnskabsaktier

1. Microsoft

MSFT Prisdiagram

Microsoft har været i centrum af teknologibranchen næsten siden sin begyndelse med sit stadig dominerende operativsystem Windows. Det er nu også en leder inden for virksomhedssoftware (Office365, Teams, LinkedIn, Skype, GitHub), gaming (Xbox og flere opkøb af videospilstudier), og i cloud (Azure).

For nylig har det gjort betydelige fremskridt inden for AI. Dette inkluderer forbrugerorienteret AI som Bing Image Creator og dets dybere partnerskab med OpenAI. Det inkluderer også mere forretningsfokuserede initiativer, som Copilot for Microsoft 365 og Microsoft Research. Copilot bliver nu implementeret i detailhandlen og mindre virksomheder også.

Microsoft har opnået et ry som den virksomhedsfokuserede teknologigigant, sammenlignet med mere forbrugerorienterede virksomheder som for eksempel Apple (AAPL ) eller Facebook. Efterhånden som AI bliver stadig vigtigere i forretningsmodeller, bør Microsofts allerede eksisterende tilstedeværelse inden for cloud og virksomhedsservices give dem et forspring i at implementere AI i stor skala og i kundetilegnelse.

Samarbejdet/den quasi-ejerskab med AI-udviklingsledere som OpenAI vil også cementere Microsofts position som en AI-kraftcenter.

2. NVIDIA

NVDA Prisdiagram

NVidia havde oprindeligt en dominerende position på grafikkortmarkedet (GPU), primært brugt til high-end gaming og 3D-modellering. GPU’er kan udføre beregninger parallelt og adskiller sig i den henseende fra processorer (CPU).

Designet af deres hardware viste sig at være meget velegnet til kryptovaluta-mining (især Bitcoin), hvilket skabte en kraftig vækstbølge for virksomheden.

Nu ser det ud til, at det er lige så kraftfuldt til træning af AI’er, hvilket gør Nvidias hardware til rygraden i AI-revolutionen.

NVidia udvikler nu specialtilpassede computersystemer til forskellige AI-anvendelser, fra selvkørende biler, til tal og konverserende AI’er, generative AI’er, eller cybersikkerhed.

Det er sandsynligt, at Nvidia (NVDA ) endnu ikke er færdig med at finde nye anvendelsesområder for deres AI-hardware, som vist af Microsofts forskning med PNNL. For eksempel udvikler NVidia nu et helt udvalg af løsninger til lægemiddelforskning, samt AI-drevne medicinske enheder og AI-assisteret medicinsk billeddannelse.

Kilde: NVidia

Det er sandsynligt, at på lang sigt kan konkurrenter til NVidia begynde at udfordre virksomhedens indledende forspring alvorligt. Men i den overskuelige fremtid, i betragtning af den eksplosive efterspørgsel efter AI-dedikeret regnekraft, vil NVidia forblive den primære leverandør af alle de nye AI-træningsdatacentre, der bygges.

3. CrowdStrike

CRWD Prisdiagram

Jo mere verden er afhængig af AI og digitalisering, desto vigtigere bliver sammenkoblet cybersikkerhed.

CrowdStrike (CRWD ) blev grundlagt med en cloud-first tilgang til cybersikkerhed. Virksomhedens tilbud dækker alle kategorier af cybersikkerhedstrusler, og blandt deres kunder er 15 af de 20 største amerikanske banker, 70 af Fortune 100-virksomhederne og 556 af Global 2000.

CrowdStrikes vækst understøttes af et hurtigt voksende total adresserbart marked (TAM), som forventes at vokse med 13 % CAGR i de næste 2 år. Med yderligere tilbud under udvikling forventer virksomheden at udvide sit TAM fra de nuværende 76 mia. dollars til 158 mia. dollars inden 2026.

Kilde: CrowdStrike

En anden vækstfaktor for CrowdStrike er udvidelsen af forretningen med eksisterende kunder. Når en kunde starter med mindst én cybersikkerhedsmodul, fortsætter de typisk med at integrere flere moduler, hvor 62 % af kunderne bruger 5 eller flere moduler, og 23 % bruger 7 eller flere moduler.

Denne dynamik skaber et miljø, der gør det muligt for CrowdStrike at øge sine marginer, når et forhold har udviklet sig længe nok, med en imponerende samlet bruttoavance på 78 % i 2023.

Overgangen til cloud er stadig for det meste i gang for mange store virksomheder. Dette skaber en stor mulighed for en markedsleder som CrowdStrike til at hjælpe dem med at overføre deres cybersikkerhedsstrategi til cloud også.

Virksomheden bør også se sin internationale forretning vokse, da stadig 3/4 af Global 2000-virksomhederne endnu ikke er kommet ind i CrowdStrike-økosystemet.

CrowdStrikes cloud-first tilgang har gjort det muligt at erobre markedsandele hurtigt og er nu efterlignet af alle de store cybersikkerhedsvirksomheder. Så investorer vil gerne holde øje med CrowdStrikes evne til at bevare sin fordel trods stigende modangreb fra branchen.

4. Adobe

ADBE Prisdiagram

Ved første øjekast kan fremkomsten af generativ AI, især billedgenerering, udgøre en trussel mod ejeren af vigtige grafiske programmer som Photoshop, InDesign, After Effects, Lightroom eller Illustrator.

Dette ville glemme, at Adobe (ADBE ) har været en pioner i softwarebranchen og var en af de første til at skifte til en cloud-baseret abonnementsmodel, da branchens praksis var at sælge den nyeste softwareversion for tusinder af dollars.

Det samme gælder for AI med Adobe Firefly. Dette AI-billedgenereringsværktøj integreres nu problemfrit med Adobes andre softwareprogrammer, så du kan generere billeder fra simpel tekst, skabe et rigt billede fra en simpel 3D-model, eller endda “generativ udfyldning”, som udvider et eksisterende billede på en fotorealistisk måde.

Kilde: Adobe

Med AI, der sænker færdighedsbarrieren for at skabe logoer, magasiner eller for at modificere billeder, vil tilbuddet og efterspørgslen efter originalt indhold sandsynligvis vokse.

Ved at omfavne forandring og AI vil Adobe sandsynligvis bevare sin position som en førende softwarepakke for alle visuelle kreative værker og endda udvide sin rækkevidde yderligere.

5. Upstart

UPST Prisdiagram

Upstart (UPST ) er en lånemarkedplads drevet af AI, lanceret længe før AI blev et centralt emne i teknologidiskussionen i 2023.

Upstarts proces er for det meste automatiseret, med 87 % af tildelte lån fuldt besluttet gennem automatisering.

Ideen bag Upstart er, at det eksisterende kreditvurderingssystem er ineffektivt og forældet. Med langt mere data til rådighed er det muligt at identificere lånerisici bedre og som resultat tilbyde billigere lån til en stor del af befolkningen.

Dette betyder, at Upstarts metode kan identificere personer med høje FICO-scores, men som i praksis har en høj risiko for at misligholde deres lån. Omvendt er personer med lave FICO-scores ikke så sandsynlige for at misligholde.

Kilde: Upstart

Det samlede adresserbare marked er stort, med en årlig værdi på 4 billioner dollars fra personlige, bil-, bolig- og småvirksomhedslån.

På grund af stigende renter og reduceret efterspørgsel efter lån har Upstart oplevet et fald i indtægter og tab i 2023, sammen med resten af branchen.

Dette midlertidige fald i lånevolumen har ikke bremset Upstarts udvidelse af deres lånepartnernetværk, som nu omfatter 100 banker, op fra 71 året før og kun 10 ved IPO’en i 2020, samt 61 forhandlere, op fra 39 i begyndelsen af 2023.

Investorer i Upstart skal håbe på, at det voksende netværk er et klart tegn på værdien af Upstart-teknologien og dens potentiale til at blive en stor låneoriginator på det amerikanske marked.

Kontinuerlig fremgang inden for AI-beregning kan også give dem en fordel på et meget konkurrencepræget lånevurderingsmarked.