Investering i nobelprisbelønnede opdagelser – kunstige neurale netværk som grundlag for AI

Historien om Nobelprisen

Nobelprisen er en af verdens mest anerkendte udmærkelser. Den blev oprettet i overensstemmelse med Alfred Nobels testamente for at belønne dem, der har ydet menneskeheden den største nytte, inden for fysik, kemi, fysiologi eller medicin, litteratur og fred.

Sveriges centralbank oprettede senere økonomiprisen til Alfred Nobels minde. Den omtales ofte som Nobelprisen i økonomi, men indgik ikke i Nobels oprindelige testamente.

Priserne uddeles af forskellige svenske institutioner. Fredsprisen tildeles af Den Norske Nobelkomité.

Nobels eftermæle

En ofte fortalt historie forbinder testamentet med en fransk avis, som ved Nobels brors død fejlagtigt skulle have bragt en nekrolog over Alfred. Historiens detaljer og betydning for beslutningen er usikre. Nobel opfandt dynamit og senere det røgsvage krudt ballistit; de var forskellige produkter.

Hans virksomheder og opfindelser havde både civile og militære anvendelser. Testamentet bestemte, at hovedparten af formuen skulle finansiere priserne. Beslutningens motiver kan ikke sikkert reduceres til én begivenhed.

Nobelprisen

Nobelstiftelsen forvalter formuen, som bidrager til priserne og deres administration. Modtagerne får en medalje, et diplom og et pengebeløb. I 2024 var beløbet for hver fuld Nobelpris 11 millioner svenske kroner, som deles mellem flere modtagere.

Kilde: Britannica

En Nobelpris kan deles mellem højst tre personer. Fredsprisen kan også tildeles organisationer. Videnskabelige priser kan anerkende fælles eller uafhængige bidrag til samme opdagelse.

Nobelprisen inden for datalogi?

Fysikprisen har blandt andet anerkendt forskning i sorte huller i 2020 og exoplaneter i 2019. Kvanteprikker blev belønnet med kemiprisen i 2023, mens laserteknologi fik fysikprisen i 2018 og blå lysdioder i 2014.

I 2024 gik Nobelprisen i fysik til John Hopfield og Geoffrey Hinton for grundlæggende opdagelser og opfindelser, der muliggør maskinlæring med kunstige neurale netværk.

Kilde: Nobel Prize

Neurale netværk ligger bag mange nyere fremskridt i sprogmodeller, billedanalyse og videnskabelige værktøjer. Prisen anerkender grundlæggende bidrag, ikke alle moderne AI-systemer som én samlet opfindelse.

Hvad er neurale netværk?

Computerchips og biologiske neuroner

Computere har længe været brugt til beregninger og efterhånden til mønstergenkendelse og sprog. Deres styrker og begrænsninger afhænger af algoritmer, data og hardware; ræsonnement kan ikke beskrives som noget, de generelt er ude af stand til.

Biologiske neuroner kommunikerer gennem elektriske og kemiske processer. Digitale chips behandler repræsenterede data efter andre principper. Kunstige neuroner er matematiske modeller inspireret af visse biologiske egenskaber, ikke kopier af hjernens celler.

Traditionelle programmer følger eksplicitte instruktioner. Maskinlæringsprogrammer følger også algoritmer, men tilpasser modelparametre ud fra data. De kan derfor lære statistiske mønstre uden en håndskrevet regel for hvert tilfælde.

Neurale netværk er nyttige, når det er vanskeligt at opstille alle regler direkte, eksempelvis ved billedgenkendelse. Moderne systemer kan løse mange sådanne opgaver, så gamle CAPTCHA-eksempler viser ikke en varig menneskelig eneret.

Kilde: Google

Hvordan neuroner fungerer

En inspirationskilde er hjernens plasticitet: forbindelsers styrke kan ændres med aktivitet og erfaring. Biologisk læring er dog mere kompleks end en enkelt feedbackregel.

Ideen om, at samtidig aktivitet kan styrke forbindelser, inspirerede modeller med indbyrdes forbundne knuder. Der findes også andre mekanismer for læring og tilpasning.

Under træning justeres forbindelsernes vægte efter en valgt algoritme. Dette er et centralt princip i mange moderne neurale netværk.

Kilde: Nobel Prize

Tidlige systemer var begrænset af datidens regnekraft, datamængder og træningsmetoder. Senere fremskridt ændrede mulighederne.

Associativ hukommelse

Mennesker kan genkende mønstre ud fra ufuldstændige oplysninger. Kunstig associativ hukommelse forsøger at modellere bestemte aspekter af denne evne, ikke hele menneskets hukommelse.

I 1982 beskrev fysikeren John Hopfield Hopfield-netværket, en model, der kan lagre mønstre og genskabe dem ud fra forstyrrede udgaver.

Start med fysik

Hopfield brugte ideer fra fysikken om kollektive egenskaber. I magnetiske materialer kan vekselvirkninger mellem atomare magnetiske momenter skabe ordnede tilstande.

Modellen bruger knuder, der påvirker hinanden gennem vægtede forbindelser. Under passende betingelser bevæger netværket sig mod lokale minima i en energifunktion.

Et enkelt binært billede kan repræsenteres af knuder med to mulige tilstande, eksempelvis sort og hvid.

Når et forstyrret mønster gives til netværket, kan tilstandene opdateres, så energien falder. Det kan føre til et lagret mønster, men også til uønskede lokale minima.

Modellen gav en konkret mekanisme til mønsterfuldendelse og fejlkorrektion. Den viste en anden beregningsform, ikke at almindelige computere principielt mangler sådanne evner.

Kilde: Nobel Prize

Der findes også kontinuerte varianter, hvor knuder kan repræsentere mere end to tilstande. Repræsentation og kapacitet afhænger af modellens udformning.

Associativ hukommelse kan anvendes på andre datatyper end billeder.

Genkendelse gennem mønstre

Mennesker og dyr kan ofte generalisere ud fra begrænset erfaring. Moderne billedmodeller kan til gengæld præstere meget godt på bestemte opgaver. Sammenligningen afhænger af opgave og testbetingelser.

Effektiv læring fra få eksempler er fortsat et vigtigt forskningsmål. En stor træningssamling er ikke den eneste mulige tilgang.

Binære og kontinuerte modeller

Nogle netværk behandler kontinuerte værdier eller tidsserier, mens andre bruger diskrete tilstande. Det gør ikke automatisk den fysiske computer analog.

Statistiske modeller kan være nyttige for komplekse sammenhænge. Energiforbrug og regnebehov afhænger af model, træning og hardware; neurale netværk er ikke generelt mere energieffektive end alle alternativer.

Flere knuder og forbindelser kan øge modellens kapacitet, men også gøre træning vanskeligere og dyrere.

Boltzmann-maskinen

Geoffrey Hinton, Terrence Sejnowski og kolleger udviklede videre på ideer om energibaserede netværk og statistisk læring.

Statistisk fysik beskriver systemer med mange dele gennem sandsynligheder og kollektive egenskaber. Det inspirerede modeller, der lærer sandsynlighedsfordelinger frem for kun at genskabe enkelte mønstre.

Boltzmann-maskinen bruger stokastiske knuder og kan have skjulte knuder, som bidrager til modellens repræsentation. De er skjulte i forhold til de observerede data, ikke usynlige fysiske komponenter.

Kilde: Nobel Prize

Modellen er opkaldt efter Ludwig Boltzmann, en central skikkelse i statistisk mekanik fra det 19. århundrede.

Kilde: Wikipedia

Begrænset Boltzmann-maskine

Træning af en generel Boltzmann-maskine er beregningskrævende. I en begrænset Boltzmann-maskine er der ingen forbindelser mellem knuder i samme lag, men forbindelser mellem synlige og skjulte lag.

Kilde: Nobel Prize

Denne struktur gør visse beregninger og træningsmetoder mere håndterlige, selv om modellerne stadig kræver betydelige ressourcer.

Lagvis fortræning med sådanne modeller blev en vigtig historisk metode til at give dybe netværk et bedre udgangspunkt.

Det bidrog til udviklingen af dyb læring, men moderne netværk trænes også med mange andre metoder.

Indvirkning på moderne neurale netværk

Hopfield og Hinton leverede centrale bidrag til neurale netværk. Området er resultatet af mange forskeres arbejde over flere årtier.

I 2010’erne gjorde større datasæt, bedre algoritmer og GPU-beregning dyb læring langt mere udbredt.

Dybe netværk har flere beregningslag, men er ikke alle moderne Boltzmann-maskiner. Hopfields tidlige modeller havde langt færre knuder og forbindelser end nutidens store modeller. Parameterantal alene fortæller ikke hele historien om evnerne.

Store sprogmodeller varierer meget i størrelse. Nogle har milliarder og enkelte omkring en billion parametre, men det er ikke et universelt tal for ChatGPT eller alle LLM’er. Mange arkitekturer bygger på transformere, ikke Boltzmann-maskiner.

Anvendelser

Fundamental fysik

Neurale netværk er værktøjer i mange fysikprojekter og kan hjælpe med at analysere store datamængder.

De anvendes blandt andet i partikelfysik og astronomi. Fysikprisen i 2013 gik til François Englert og Peter Higgs for teorien om mekanismen, der bidrager til partiklernes masse. Den belønnede ikke selve netværksalgoritmerne til dataanalyse.

Anvendt fysik

Materialer og fysiske fænomener kan være vanskelige at beregne i alle detaljer. Approksimationer og datadrevne modeller kan supplere mere direkte fysiske beregninger.

Neurale netværk kan foreslå kandidater eller beregne tilnærmelser. Resultaterne skal fortsat kontrolleres mod fysik, data og eksperimenter.

Eksempler er forudsigelse af proteinstrukturer og søgning efter materialer til solceller eller batterier. En strukturtolkning dokumenterer ikke i sig selv et lægemiddels effekt eller sikkerhed.

LLM’er

Store sprogmodeller blev særligt synlige efter lanceringen af ChatGPT i 2022. De genererer tekst ved hjælp af statistiske mønstre lært under træning.

Menneskelignende samtale er længe blevet diskuteret gennem Turing-testen. Testen er ikke et endeligt mål for intelligens, bevidsthed eller pålidelighed.

Modellernes evner, begrænsninger og betydning diskuteres fortsat. De kan være nyttige uden at være fejlfri eller have menneskelig forståelse.

Mulige anvendelser omfatter følgende opgaver, typisk med behov for kontrol afhængigt af risiko:

• Chatbots og kundeservice.
• Kodeudvikling og verifikation.
• Oversættelse og lokalisering.
• Markedsundersøgelser.
• Søgning og besvarelse af spørgsmål.
• Analyse af store dokumenter og datasæt.
• Undervisning og læringsstøtte.

Billedgenerering har også mange anvendelser, men kan bruges til vildledning og misbrug. Datagrundlag, rettigheder og troværdighed er relevante spørgsmål.

Maskin- og computervision

Billedgenkendelse er en vigtig anvendelse af neurale netværk, fra klassifikation til lokalisering af objekter.

Maskinsyn bruges ofte om industrielle systemer, mens computersyn betegner et bredere forskningsfelt. Begreberne overlapper og er ikke to strengt adskilte teknologier.

Kilde: Solomon

Selvkørende køretøjer

Køretøjer kan bruge billedanalyse til at identificere vejforhold og andre trafikanter. Sikker autonom kørsel kræver også planlægning, styring og håndtering af usikkerhed.

Mange systemer kombinerer kameraer, radar og LiDAR. Tesla (TSLA ) har lagt stor vægt på kameraer i sin Tesla Vision-strategi. Det er ikke ensbetydende med dokumenteret selvkørsel under alle forhold.

Data, træning, hardware og validering er alle vigtige. Et stort datasæt garanterer ikke SAE-niveau 5, og en eventuel markedsværdi er ikke en sikker præmie til én virksomhed.

Medicin

Billeddiagnostik med røntgen, MR, CT og ultralyd kræver specialiseret fortolkning. Den supplerer sygehistorie, undersøgelse og andre prøver.

Specialister opbygger erfaring gennem uddannelse og praksis. AI kan støtte udvalgte opgaver i medicinsk billedanalyse. Ensartethed, pris og præcision skal dokumenteres for den konkrete anvendelse.

Forskere undersøger også AI-analyse af hjerneskanninger i relation til blandt andet ADHD. Det er ikke en almindeligt godkendt erstatning for klinisk ADHD-diagnostik.

Navigation kan støtte kirurger. Et eksempel er Pixee Medical, som udvikler optisk 3D-sporing til ortopædisk kirurgi. Det er ikke i sig selv en fuldt autonom AI-kirurg.

Automatiseret registrering og materialetælling kan være relevant ved operationer. Historiske amerikanske estimater om efterladt kirurgisk materiale illustrerer problemet, men omfatter ikke kun instrumenter. Computersyn garanterer ikke, at alle hændelser kan undgås.

Biologisk forskning

Neurale netværk bruges til blandt andet proteinstrukturforudsigelse og søgning efter mulige lægemidler.

Eksempler diskuteres i «Fem AI- og digitale biotekvirksomheder». Automatiske blodcelletællere findes allerede, mens billedanalyse kan støtte mere specifikke mikroskopiske vurderinger.

SigTuples Shonit understøtter digital vurdering af blodudstrygninger. Det er ikke en garanti for fejlfri tælling af alle celletyper i alle prøver.

Kilde: Sigtuple

Industri & Produktion

Computersyn kan støtte kvalitetskontrol, komponentinspektion og automatisering i produktion.

Det kan forbedre visse processer, men besparelser, kvalitet og hastighed afhænger af installation, data og vedligeholdelse.

Robotik

Robotter uden for fabrikker møder mere uforudsigelige omgivelser og har brug for robust perception og styring.

Fra inspektionsrobotter til leveringssystemer kombineres robotik i stigende grad med AI. Praktisk anvendelighed varierer, og generelle humanoide assistenter er fortsat under udvikling.

Landbrug

Landbrugsrobotter bruger billedanalyse til at finde ukrudt eller modne frugter og kan støtte målrettede indgreb. De erstatter ikke nødvendigvis al manuel eller maskinel drift.

Lignende metoder kan undersøges til naturgenopretning, skovrejsning og overvågning af invasive arter. Miljøeffekten afhænger af anvendelsen.

Militær

Militære organisationer undersøger også AI. Det rejser spørgsmål om ansvar, lovlighed og risiko for fejl.

Konkurrence mellem stater kan fremme udviklingen, men gør ikke alle anvendelser nødvendige eller acceptable.

AI er blevet rapporteret anvendt til analyse og måludpegning i konflikter, herunder Ukraine og Gaza. Relaterede virksomheder diskuteres i «Ti drone- og dronekrigsaktier». Omfang og systemernes faktiske autonomi kan være vanskelige at verificere.

Et eksempel er rapporter om AI-baseret målgenkendelse i russiske Lancet-droner. Påstande om automatisk identifikation og angreb skal skelnes fra uafhængigt dokumenterede evner.

Automatisering af beslutninger om dødelig magt skaber alvorlige sikkerheds- og ansvarsspørgsmål, herunder fejlidentifikation og utilstrækkeligt menneskeligt tilsyn.

Internationale regler, kontrol og klare ansvarsforhold er derfor væsentlige. Erfaringer fra andre våbenteknologier kan informere debatten, men er ikke en færdig løsning.

Risici ved neurale netværk

Geoffrey Hinton, der modtog fysikprisen i 2024, har selv advaret om risici ved avanceret AI. Hans vurderinger er en del af en bredere debat om mulige udviklingsforløb.

Hans Turingpris fra 2018 og Nobelpris fra 2024 har givet advarslerne stor opmærksomhed.

“Jeg har pludselig ændret min holdning til, om disse ting vil blive mere intelligente end os.

Jeg tror, de er meget tæt på nu, og de vil blive meget mere intelligente end os i fremtiden. Hvordan overlever vi det?”

Geoffrey Hinton

Det er usikkert, hvordan fremtidige systemer udvikler sig. Begrænset fortolkelighed, fejl og misbrug gør sikkerhed, test og ansvarlig styring vigtige uden at dokumentere et bestemt science fiction-scenarie.

Investering i neurale netværk

Neurale netværk er centrale i meget moderne AI, men AI omfatter også andre metoder.

Træning af de største modeller kræver store ressourcer. Mindre modeller og specialiserede anvendelser kan også udvikles af mindre virksomheder og forskningsmiljøer.

AI-relaterede aktier kan handles gennem forskellige mæglere. På Securities.io findes sammenligninger for USA, Canada, Australien og Storbritannien samt andre lande. Adgang og omkostninger varierer.

Tematiske fonde omfatter eksempelvis ARK Artificial Intelligence & Robotics UCITS ETF (ARKI), Global X Robotics & Artificial Intelligence ETF (BOTZ) og WisdomTree Artificial Intelligence and Innovation Fund (WTAI). Beholdninger, omkostninger og handelsstatus bør kontrolleres.

Virksomheder inden for neurale netværk

1. Microsoft

Microsoft (MSFT ) har længe haft en stor rolle i pc-software, blandt andet gennem Windows. Virksomheden blev grundlagt i 1975, før Windows blev lanceret.

MSFT Prisdiagram

I 2024 omfattede forretningen Microsoft 365 og andre arbejds- og samarbejdsværktøjer, spil med Xbox og opkøbte spilstudier samt cloudplatformen Azure. LinkedIn, GitHub og det daværende Skype havde forskellige roller og var ikke alle Office-programmer.

AI-tilbud omfattede billedgenerering i Microsofts forbrugerprodukter, Copilot til Microsoft 365 og Microsoft Research. I 2024 blev Copilot også udvidet til flere forbrugere og mindre virksomheder. Produktnavne og tilgængelighed ændrer sig over tid.

Kilde: Constellation Research

Microsofts eksisterende cloud- og virksomhedsrelationer kan hjælpe udbredelsen af AI. Det garanterer ikke markedslederskab eller bedre afkast end Apple (AAPL ) eller andre konkurrenter.

Microsofts investering og partnerskab med OpenAI, virksomheden bag ChatGPT, er også vigtige. Partnerskabet er ikke det samme som, at Microsoft ejer hele OpenAI.

2. NVIDIA

NVIDIA blev kendt for grafikprocessorer til spil og visualisering. GPU’er kan udføre mange operationer parallelt, mens CPU’er er optimeret til andre former for generel beregning; begge kan bruges til AI.

GPU’er blev også brugt til udvinding af visse kryptovalutaer, især tidligere Ethereum. Bitcoin-mining blev derimod domineret af specialiserede ASIC-enheder. Kryptomarkedet har skabt både efterspørgsel og udsving.

NVIDIAs (NVDA ) GPU’er og software er blevet centrale i træning og drift af mange AI-systemer. De er ikke den eneste tilgængelige teknologi.

NVIDIA udvikler løsninger til blandt andet selvkørende køretøjer, tale og dialogsystemer, generativ AI samt cybersikkerhed.

Virksomheden arbejder også med lægemiddelforskning, medicinsk udstyr og medicinsk billedanalyse. Det udvider anvendelsesområderne for virksomhedens hardware og software.

Kilde: NVIDIA

Konkurrenter og alternative chips kan udfordre NVIDIAs position. Udviklingen afhænger af ydelse, software, pris og adgang til produktion.

Efterspørgslen efter AI-beregning giver muligheder, men det er ikke sikkert, at NVIDIA leverer til alle nye datacentre eller bevarer en bestemt markedsandel.

At investere i leverandører af udstyr kan give eksponering mod en ny teknologi. Det beskytter ikke mod høj værdiansættelse, konkurrence, konjunkturer eller teknologiskift.

NVIDIAs chips er et vigtigt eksempel på AI-infrastruktur, som bør vurderes sammen med selskabets øvrige muligheder og risici.