Investering i kunstig intelligens (AI) – Alt, du behøver at vide

Artificial Intelligence (AI) er et felt, der ikke behøver introduktion. AI har fulgt Moore’s lov, som angiver, at hastigheden og kapaciteten af computere kan forventes at fordobles hver anden år. Siden 2012 er mængden af beregning, der bruges i de største AI‑træningskørsler, steget eksponentielt med en fordobling hver 3 til 4 måned, med resultatet at de beregningsressourcer, der er tildelt AI, er vokset med 300.000‑fold siden 2012. Ingen anden industri kan sammenlignes med disse vækststatistikker.

Vi vil undersøge, hvilke AI‑områder der driver denne acceleration, hvilke virksomheder der er bedst positioneret til at udnytte denne vækst, og hvorfor det betyder noget.

Typer af maskinlæring

Maskinlæring er et underområde af AI, som i bund og grund handler om at programmere maskiner til at lære. Der findes flere typer af maskinlæringsalgoritmer, den langt mest populære er dyb læring, hvilket indebærer at fodre data ind i et kunstig neuralt netværk (ANN). Et ANN er et meget beregningsintensivt netværk af matematiske funktioner, der er forbundet i et format inspireret af de neurale netværk, der findes i den menneskelige hjerne.

Jo mere store data der fodres ind i et ANN, desto mere præcis bliver ANN’et. For eksempel, hvis du forsøger at træne et ANN til at lære at identificere kattebilleder, og du fodrer netværket med 1000 kattebilleder, vil netværket have en lav nøjagtighed på måske 70 %, hvis du øger det til 10.000 billeder, kan nøjagtigheden stige til 80 %, hvis du øger det med 100.000 billeder, så har du netop øget nøjagtigheden til 90 % og videre.

Her ligger en af mulighederne; virksomheder, der dominerer feltet inden for AI‑chipudvikling, er naturligt klar til vækst.

Der findes mange andre typer af maskinlæring, der viser lovende resultater, såsom forstærkningslæring, hvilket er træning af en agent gennem gentagelse af handlinger og tilhørende belønninger. Ved at bruge forstærkningslæring kan et AI‑system konkurrere mod sig selv med det formål at forbedre sin præstation. For eksempel vil et program, der spiller skak, spille mod sig selv gentagne gange, hvor hver spilinstans forbedrer præstationen i den næste spil.

I øjeblikket bruger de bedste AI‑typer en kombination af både dyb læring og forstærkningslæring i det, der almindeligvis kaldes dyb forstærkningslæring. Alle de førende AI‑virksomheder i verden, såsom Tesla (TSLA ), bruger en form for dyb forstærkningslæring.

Selvom der findes andre vigtige maskinlæringssystemer, der i øjeblikket udvikles, såsom meta‑læring, er det for enkelhedens skyld dyb læring og dens mere avancerede fætter dyb forstærkningslæring, som investorer bør være mest bekendt med. De virksomheder, der er i frontlinjen af denne teknologiske udvikling, vil være bedst positioneret til at udnytte den enorme eksponentielle vækst, vi er vidne til inden for AI.

Data Science & Store Data

Hvis der er én differentierende faktor mellem virksomheder, der vil lykkes og blive markedsledere, og virksomheder, der vil fejle, så er det store data. Alle typer af maskinlæring er stærkt afhængige af data science, hvilket bedst kan beskrives som en proces, hvor man forstår verden ud fra mønstre i data. I dette tilfælde lærer AI fra data, og jo mere data, desto mere præcise bliver resultaterne. Der er nogle undtagelser fra denne regel på grund af det, der kaldes overfitting, men dette er en bekymring, som AI‑udviklere er opmærksomme på og tager forholdsregler for at kompensere for.

Vigtigheden af store data er grunden til, at virksomheder som Tesla har en klar markedsfordel inden for autonom køretøjsteknologi. Hver eneste Tesla, der er i bevægelse og bruger autopilot, fodrer data ind i skyen. Dette gør det muligt for Tesla at bruge dyb forstærkningslæring og andre algoritmejusteringer for at forbedre det samlede autonome køretøjssystem.

Dette er også grunden til, at virksomheder som Google vil være så svære for udfordrere at afsætte. Hver dag, der går, er en dag, hvor Google indsamler data fra sine utallige produkter og tjenester, herunder søgeresultater, Google Adsense, Android‑mobilenheder, Chrome‑webbrowseren og endda Nest‑termostaten. Google drukner i flere data end nogen anden virksomhed i verden. Dette tæller ikke engang alle de store projekter, de er involveret i.

Ved at forstå, hvorfor dyb læring og data science er vigtige, kan vi derefter udlede, hvorfor virksomhederne nedenfor er så magtfulde.

AI‑virksomheder at investere i

Der er tre nuværende markedsledere, som vil være meget svære at udfordre.

Alphabet Inc (NASDAQ: GOOGL)

Alphabet Inc (GOOG ) er paraplyvirksomheden for alle Googles produkter, herunder Google‑søgemaskinen. En kort historisk gennemgang er nødvendig for at forklare, hvorfor de er så markedsledende inden for AI. I 2010 blev det britiske firma DeepMind lanceret med målet om at anvende forskellige maskinlæringsteknikker til at bygge generelle læringsalgoritmer.

I 2013 tog DeepMind verden med storm med forskellige bedrifter, herunder at blive verdensmester i syv Atari‑spil ved brug af dyb forstærkningslæring.

I 2014 købte Google DeepMind for 500 millioner dollars, kort tid derefter i 2015 blev DeepMinds AlphaGo det første AI‑program, der besejrede en professionel menneskelig Go‑spiller, og det første program, der besejrede en Go‑verdensmester. For dem, der ikke er bekendt med Go, betragtes det af mange som det mest udfordrende spil, der findes.

DeepMind betragtes i øjeblikket som en markedsleder inden for dyb forstærkningslæring og som en førende kandidat til at opnå kunstig generel intelligens (AGI), en futuristisk type AI med målet om på sigt at opnå eller overgå menneskelig intelligens.

Vi skal stadig tage højde for de andre typer af AI, som Google i øjeblikket er involveret i, såsom Waymo, en markedsleder inden for autonom køretøjsteknologi, kun overgået af Tesla, samt de hemmelige AI‑systemer, der i øjeblikket bruges i Googles søgemaskine.

Google er i øjeblikket involveret i så mange niveauer af AI, at det ville kræve et udtømmende papir at dække dem alle.

Tesla (NASDAQ: TSLA)

Som tidligere nævnt udnytter Tesla store data fra sin flåde af køretøjer på vejen til at indsamle data fra sin autopilot. Jo mere data der indsamles, desto mere kan den forbedre sig ved brug af dyb forstærkningslæring; dette er især vigtigt for såkaldte edge‑cases, som er scenarier, der sjældent forekommer i virkeligheden.

For eksempel er det umuligt at forudsige og programmere alle typer scenarier, der kan ske på vejen, såsom en kuffert, der ruller ind i trafikken, eller et fly, der falder fra himlen. I dette tilfælde er der meget lidt specifik data, og systemet skal associere data fra mange forskellige scenarier. Dette er en anden fordel ved at have en enorm mængde data; selvom det kan være første gang, en Tesla i Houston støder på et scenarie, er det muligt, at en Tesla i Dubai har oplevet noget lignende.

Tesla er også en markedsleder inden for batteriteknologi og inden for elektrisk teknologi til køretøjer. Begge dele er afhængige af AI‑systemer for at optimere rækkevidden af et køretøj, før en genopladning er nødvendig. Tesla er kendt for sine hyppige over‑luft opdateringer med AI‑optimeringer, der forbedrer præstationen og rækkevidden af sin køretøjsflåde med nogle få procentpoint.

Som om det ikke var nok, designer Tesla sine egne AI‑chips, hvilket betyder, at de ikke længere er afhængige af tredjeparts‑chips, og de kan optimere chips til at arbejde med deres fulde selvkørende software fra bunden.

NVIDIA (NASDAQ: NVDA)

NVIDIA (NVDA ) er den virksomhed, der er bedst positioneret til at udnytte den aktuelle stigning i efterspørgslen efter GPU‑chips (Graphics Processing Unit), da de i øjeblikket står for 80 % af alle GPU-salg.

Selvom GPU’er oprindeligt blev brugt til videospil, blev de hurtigt adopteret af AI‑industrien specifikt til dyb læring. Årsagen til, at GPU’er er så vigtige, er, at hastigheden af AI‑beregninger øges markant, når beregninger udføres parallelt. Under træning af et dybt lærings‑ANN kræves input, og dette afhænger stærkt af matrixmultiplikationer, hvor parallelisme er vigtigt.

NVIDIA udgiver konstant nye AI‑chips, der er optimeret til forskellige anvendelsestilfælde og krav fra AI‑forskere. Det er dette konstante pres for at innovere, der holder NVIDIA som markedsleder.

Vælg en børsmægler

Det første skridt i din rejse bør være at vælge en børsmægler. En mægler, vi anbefaler, er Firstrade.

Opsummering

Det er umuligt at liste alle de virksomheder, der er involveret i en form for AI; det vigtige er at forstå de maskinlæringsteknologier, der er ansvarlige for størstedelen af den innovation og vækst, som industrien har oplevet. Vi har fremhævet 3 markedsledere, mange flere vil komme. For at holde dig opdateret om AI, bør du følge AI‑nyheder, undgå AI‑hype og forstå, at dette felt konstant udvikler sig. på dansk.