Den Store Konvergens: Hvordan AI forbinder hver front

Kunstig intelligens (AI) har sat verden i brand med sit potentiale til at forbedre effektiviteten, reducere omkostningerne og øge produktiviteten.

Mens AI for mange mennesker betyder chatbots, takket være tilgængeligheden og populariteten af generative AI‑værktøjer som ChatGPT, er teknologien langt mere omfattende, med fordele der strækker sig ind i medicin, fremstilling, robotteknik, sundhedspleje, uddannelse, klimavidenskab, finans, jura, cybersikkerhed og videre.

Ved at efterligne menneskelige kognitive funktioner som problemløsning og beslutningstagning lover AI at transformere de underliggende systemer i disse industrier, hvor et stigende antal organisationer aktivt udforsker AI’s kapaciteter.

En seneste McKinsey‑undersøgelse afslørede en stigning i AI‑brug, ikke kun i teknologisektoren, hvor den allerede har oversteget 90 %, men i næsten alle brancher.

Ni ud af ti respondenter sagde, at deres organisationer regelmæssigt bruger AI, selvom den stadig er i eksperimentfasen. På trods af at være i pilotstadiet rapporterede respondenterne om omkostnings‑ og indtægtsfordele, hvor 64 % sagde, at AI gør dem i stand til at innovere.

Denne voksende adoption viser, at selv på et så tidligt stadium bliver AI en nøglefaktor for digital transformation.

I dagens globalt sammenkoblede og konkurrencedygtige landskab gør AI det muligt for virksomheder at udnytte kraften i forskellige digitale teknologier, såsom big data, cloud computing og Internet of Things. I praksis fungerer den som en konvergerende teknologi, der accelererer udviklingen og integrationen af andre teknologier, så deres samlede påvirkning er større end summen af deres dele.

Med det i tankerne, lad os nu se på nogle fascinerende AI‑fremskridt på tværs af forskellige sektorer, hvor hver enkelt viser, hvordan den forandrer verden.

Herunder er et hurtigt overblik over tre domæner, hvor AI‑konvergens allerede er målbar.

Swipe for at rulle →

AI kortlægger tarmmikrobiomet til menneskers sundhed (og risiko for koronararteriesygdom)

Med hjælp fra AI har forskere nu afkodet det indviklede økosystem af tarmbakterier og deres kemiske signaler, hvilket gør det muligt at afdække skjulte sammenhænge mellem bakterierne og menneskers sundhed. Endnu bedre er, at det nye avancerede AI‑system faktisk klarer sig bedre i studier af kræft, fedme og søvnforstyrrelser end konventionelle modeller, og viser enormt potentiale for at tilpasse behandlinger til hver enkelt persons mikrobielle sammensætning for at transformere præcisionsmedicin.

AI’s evne til at afsløre skjulte mønstre er særligt bemærkelsesværdig, som i en undersøgelse fra University of Waterloo¹, hvor AI‑drevet analyse af rutinemæssige blodprøver opdagede mønstre, der kan gøre livreddende forudsigelser både overkommelige og tilgængelige.

Tilbage til tarmbakterierne: de spiller en central rolle for vores sundhed, påvirker ikke kun fordøjelse og sygdomsforebyggelse, men også immunforsvar og endda humør. Ny forskning har vist, at vores tarmmikrobiom² også kan påvirke udviklingen af koronararteriesygdom, som dræber næsten 20 millioner mennesker hvert år.

Den menneskelige tarm er tydeligvis fascinerende, men den er også et komplekst økosystem af billioner af mikroorganismer. Ud over det enorme antal bakteriearter i vores tarm gør deres interaktioner med menneskelig kemi det udfordrende for forskere at forstå deres virkninger.

Men i et banebrydende skridt vendte forskere fra University of Tokyo sig mod AI for at tackle dette problem.

De skabte et AI‑system for bedre at forstå, hvilke bakterier der producerer hvilke metabolitter – små molekyler, der fungerer som kemiske budbringere og cirkulerer gennem vores krop, påvirker stofskifte, immunforsvar og hjernefunktion, og hvordan forholdet mellem bakterier og metabolitter ændrer sig i forskellige sygdomme.

“Ved præcist at kortlægge disse bakterie‑kemiske relationer kunne vi potentielt udvikle personlige behandlinger. Forestil dig at kunne dyrke en specifik bakterie, der producerer gavnlige menneskelige metabolitter, eller designe målrettede terapier, der modificerer disse metabolitter for at behandle sygdomme.”

– Projektforsker Tung Dang fra Tsunoda‑laboratoriet i Afdelingen for Biologiske Videnskaber

Modellen de udviklede er et Bayesian neuralt netværk kaldet VBayesMM³, som tackler udfordringen med at identificere meningsfulde mønstre i den komplekse interaktion mellem billioner af bakterier og metabolitter.

Den bruger en Bayesian‑tilgang til præcist at identificere, hvilke bakteriegrupper der påvirker specifikke metabolitter mest. Desuden måler den usikkerhed i sine forudsigelser for at undgå fejlagtige konklusioner, hvilket giver forskerne mere nøjagtige og pålidelige indsigter.

Ved at anvende sin variational Bayesian microbiome multiomics (VBayesMM)‑metode har teamet kunnet identificere nøgle‑mikrober både hurtigt og præcist, hvilket har resulteret i mere nøjagtige estimater. Implementeringen af variational inference har samtidig løst beregningsmæssige flaskehalse, så massive datasæt kan analyseres skalerbart.

Teamet vil næste gang arbejde med mere omfattende kemiske datasæt for at indfange hele spektret af bakterieprodukter og overvinde problemet med faldende nøjagtighed, når metabolitdata er mere omfattende end bakteriedata.

“Vi har også til hensigt at gøre VBayesMM mere robust, når vi analyserer forskellige patientpopulationer, ved at inkorporere bakteriers ‘familietræ’-relationer for at lave bedre forudsigelser og yderligere reducere den beregningsmæssige tid, der kræves for analysen,” sagde Dang. “For kliniske anvendelser er det ultimative mål at identificere specifikke bakteriemål for behandlinger eller kostinterventioner, der faktisk kan hjælpe patienter, og bevæge sig fra grundforskning mod praktiske medicinske anvendelser.”

Investeringsvinkel: Præcisionsmedicin med Tempus AI (TEM )

I denne spændende og komplekse verden inden for livsvidenskab skiller Tempus AI sig ud ved at tilbyde AI‑drevet præcisionsmedicin til personlig patientpleje.

Tempus er en teknologivirksomhed, der fremmer præcisionsmedicin samt faciliterer opdagelse og udvikling af optimale terapier. De har tre produktlinjer:

• Genomics: Leverer next‑generation sekventering (NGS) diagnostik, profilering, molekylær genotyping og andre tests.
• Data: Omfatter strukturering og de‑identificering af data genereret i deres laboratorium før kommercialisering.
• AI‑applikationer: Leverer diagnostik, implementerer ny software som medicinsk udstyr og udsender kliniske beslutningsstøtteværktøjer.

Dette år har Tempus opnået flere vigtige regulatoriske milepæle, herunder FDA‑godkendelse af Tempus xR IVD‑enheden til at støtte lægemiddeludvikling gennem avanceret RNA‑sekventering. Som følge heraf kan Tempus‑partnere bruge deres RNA‑assay til at “mere præcist identificere, hvilke patienter der mest sandsynligt vil reagere på specifikke terapier og designe mere effektive kliniske forsøg.”

Deres opdaterede AI‑drevne platform for kardial billedanalyse, Tempus Pixel, og AI‑softwaren Tempus ECG‑Low EF har også opnået FDA 510(k)‑godkendelser, hvilket styrker virksomhedens position inden for AI‑drevet diagnostik.

Tempus’ aktier, med en markedsværdi på $12,73 milliarder, handles i øjeblikket til $72,52, op næsten 112 % i år. Allerede sidste måned overskred TEM‑aktier $100‑grænsen.

Hvad angår den finansielle position, rapporterede Tempus for nylig en 84,7 % årlig stigning i omsætning i Q3 2025 til $334,2 millioner, mens bruttofortjenesten steg med 98,4 % til $209,9 millioner. Netto‑tabet for kvartalet var $80 millioner. De afsluttede kvartalet med $764,3 millioner i kontanter og omsættelige værdipapirer.

“Ikke kun vokser vi i et utrolig tempo, men at nå positiv justeret EBITDA markerer en vigtig milepæl og afspejler styrken i vores underliggende forretning,” sagde Tempus‑grundlægger og administrerende direktør Eric Lefkofsky. “En af de sværeste ting at gøre, og et tegn på forretningsmodelens udholdenhed, er at kunne bremse reinvesteringen i virksomheden og stadig opretholde vækst – præcis hvad vi opnåede dette kvartal.”

Klik her for en liste over de bedste biotech big data-virksomheder.

AI forudsiger solstorme dage i forvejen — Beskytter elnet og satellitter

En AI‑model er blevet udviklet til at forudsige solvind langt på forhånd med større nøjagtighed end eksisterende metoder, hvilket hjælper med at beskytte elnet, satellitter og navigationssystemer mod forstyrrende rumbegivenheder og styrker robustheden i vores kritiske infrastruktur.

Solvind er den konstante strøm af ladede partikler, der frigives af Solen. Det sker, når Solens snoede magnetfelter bliver forvrænget og strakt, hvilket får dem til at knække før de genforbinder, hvorved de frigiver store mængder energi.

Når disse partikler får hastighed, kan de forstyrre Jordens atmosfære. De kan ikke kun påvirke elnet, men også trække satellitter ud af kredsløb, som en kraftig solvind‑hændelse gjorde i 2022, da SpaceX mistede op til 40 af sine Starlink‑satellitter.

Solstorme er derimod endnu mere kraftfulde begivenheder, hvor Solen sprøjter energi, partikler og magnetfelter ud i galaksen. Når de rettes mod Jorden, kan de skabe en stor forstyrrelse i Jordens magnetfelt, kaldet en geomagnetisk storm. Det er dette fænomen, der skaber smukke nordlys, men som også kan forårsage strømafbrydelser.

Lloyds seneste systemrisikoscenarie anslår, at en alvorlig solstorm kan udsætte den globale økonomi for omkring $2,4 billioner i tab over fem år, med forventede tab på omkring $17 billioner i dag.

Dette viser et akut behov for bedre forudsigelser af disse hændelser. Så forskere ved NYU Abu Dhabi (NYUAD) gik i gang med netop det, med hjælp fra AI.

De har bygget en AI‑model, der kan forudsige solvind⁴ så mange som fire dage før hændelsen indtræffer, mere præcist end nuværende metoder. Modellen er trænet på historiske optegnelser af solvind og ultravioletbilleder fra NASA’s Solar Dynamics Observatory (SDO).

Ved at analysere billeder af Solen for at opdage mønstre knyttet til ændringer i solvind opnåede NYUAD‑teamet en 45 % forbedring i deres forudsigelsesnøjagtighed sammenlignet med nuværende operationelle modeller. Derudover opnåede de en 20 % forbedring i forhold til tidligere AI‑baserede tilgange.

“Dette er et stort skridt fremad i beskyttelsen af satellitter, navigationssystemer og den energiinfrastruktur, som det moderne liv er afhængigt af,” sagde studiets hovedforfatter, Dattaraj Dhuri. “Ved at kombinere avanceret AI med solobservationer kan vi give tidlige advarsler, der hjælper med at beskytte kritisk teknologi på Jorden og i rummet.”

Investeringsvinkel: Rummeteorologi AI med IBM (IBM )

Det $293,24 milliarder store IBM er en global leverandør af hybrid‑cloud‑ og AI‑tjenester, der hjælper med at opnå digital transformation på tværs af data, applikationer og de miljøer, de opererer i.

For et par måneder siden frigav IBM sin open‑source AI‑model, “Surya” i samarbejde med NASA for bedre at forstå data indsamlet fra solobservationer og forudsige, hvordan solaktivitet påvirker rumteknologi og Jorden. Med Surya anvender virksomheden AI til forskning i rumvejr‑forudsigelser og leverer et værktøj til at beskytte telekommunikation, elnet og GPS‑navigation mod forstyrrelser forårsaget af Solens skiftende natur.

På tidspunktet for skrivning handles IBM‑aktier til $319, op 42,7 % år‑til‑dato. De har en EPS (TTM) på 8,07 og en P/E (TTM) på 38,87. IBM betaler et udbytte på 2,14 %.

For deres seneste kvartal, 3Q25, rapporterede virksomheden en 9 % stigning i omsætning til $16,3 milliarder. Deres GAAP‑bruttomargin var 57,3 % og deres non‑GAAP‑driftsresultat var 58,7 %. Netto‑kontantstrøm fra driftsaktiviteter var $9,2 milliarder år‑til‑dato, og $7,2 milliarder blev rapporteret som fri pengestrøm.

“Kunder globalt fortsætter med at udnytte vores teknologi og domæneekspertise til at drive produktivitet i deres operationer og levere reel forretningsværdi med AI.”

– CEO Arvind Krishna

Han bemærkede også, at IBMs AI‑forretning oversteg $9,5 milliarder, op fra $7,5 milliarder i det foregående kvartal.

Hvor AI overgår eksperter: Medicin, neurovidenskab & uddannelse

Forskere finder, at AI konsekvent overgår eksperter på tværs af forskellige domæner.

Et sådant domæne er medicin, hvor “glaukom forbliver en af de mest almindelige årsager til synstab, der ikke kan repareres globalt,” og screening er for dyrt. Men AI kunne være løsningen på dette, håber Dr. Anthony Khawaja, professor ved University College London Institute of Ophthalmology og hovedforsker i den nye undersøgelse, som rapporterede, at et trænet AI‑program korrekt identificerede patienter med glaukom omkring 90 % af tiden, sammenlignet med 81 % for menneskelige bedømmere.

For denne undersøgelse evaluerede både menneskelige eksperter og et AI‑program over 6.300 deltagere, hvoraf næsten 700 havde glaukom i mindst ét øje.

Glaukom er resultatet af skade på synsnerven, typisk på grund af tryk, der opbygges inde i øjet, hvilket kan føre til total blindhed. Menneskelige eksperter og AI vurderede deltagernes glaukom‑risiko baseret på vertikal cup‑disk‑ratio, et centralt mål for denne lidelse, som sporer ændringer i øjets struktur forårsaget af trykopbygning.

Ifølge undersøgelsesresultaterne blev kun 11 % af deltagernes øjne mistænkt for at have glaukom, hvilket svarer til den andel, der forventes i rutinemæssig screening. Nøjagtigheden kunne ifølge forskerne yderligere forbedres ved at inkludere andre risikofaktorer, såsom intraokulært tryk.

I en anden undersøgelse⁵ forudsagde store sprogmodeller (LLM’er) udfaldet af foreslåede neurovidenskabelige studier mere præcist end menneskelige eksperter, hvilket fremhæver AI’s potentiale til at accelerere forskning.

I stedet for at fokusere på LLM’ers spørgsmål‑svarkapacitet udforskede undersøgelsen, om modellerne kan syntetisere viden for at forudsige fremtidige resultater.

De testede derfor 15 forskellige generelle LLM’er og 171 menneskelige neurovidenskabseksperter og fandt, at alle LLM’er overgik neurovidenskabsfolkene. Mens LLM’er i gennemsnit nåede 81 % nøjagtighed, nåede mennesker i gennemsnit 63 %, hvilket kun steg til 66 % på det højeste ekspertniveau. Samtidig forbedrede træning af en LLM på neurovidenskabelig litteratur dens nøjagtighed til 86 %.

“Vi mistænker, at det ikke vil være længe, før forskere bruger AI‑værktøjer til at designe de mest effektive eksperimenter for deres spørgsmål. Selvom vores studie fokuserede på neurovidenskab, var vores tilgang universel og bør kunne anvendes på tværs af al videnskab.”

– Seniorforfatter Bradley Love, professor ved UCL Psychology & Language Sciences

AI har ifølge Cambridge‑forskere en klar fordel inden for prædiktiv modellering og dataanalyse. Når den får rettidig data i form af volumen, variation og sandfærdighed, kan den optimere omkostninger og forsyningskæder, designe højtydende produkter hurtigere og reagere på markedssvingninger i realtid.

“At ignorere generativ AI i virksomhedens strategi er ikke længere levedygtigt,” sagde studiets medforfattere.

Dette er kun toppen af isbjerget, selvom andre studier fandt, at AI endda udmærker sig i grundlæggende sprogmekanik⁶ men mangler tematisk konsistens, når det gælder assay‑evaluering, overgår menneskelige eksperter i genkendelse af smerte hos får⁷ ved brug af samme visuelle information, og matcher eller overgår dermatologer⁸ i billedbaseret huddiagnostik.

Investeringsvinkel: Gemini‑adoption gennem Alphabet Inc. (GOOG )

Når det kommer til at investere i AI’s kraft, er Alphabet et værdigt valg, som har ledet AI‑gennembrud gennem Google DeepMind og Google Research.

For nylig frigav Google DeepMind og AI‑drevet edtech‑virksomhed Eedi udforskende forskning⁹, der viser, at menneske‑i‑sløjfe AI‑undervisning overgår ren menneskelig støtte.

Forsøget fandt sted i fem britiske gymnasieklasser, hvor kerneundervisning blev leveret af LearnLM, Googles generative AI‑model finjusteret til pædagogik. De fandt, at det menneske‑AI‑team var lige så effektivt (93 %) til at hjælpe elever med straks at rette en fejl, de havde lavet, som en menneskelig tutor alene (91,2 %). Teamet var lige så godt til at hjælpe elever med at løse deres underliggende misforståelser.

Ved måling af “knowledge transfer”, som refererer til hvordan vejledning på ét problem påvirker en elevs evne til at løse et nyt, forbedrede en menneskelig tutor alene læringen med 4,5 procentpoint, mens det menneske‑AI‑team øgede den med 10 procentpoint.

“Disse fund markerer en milepæl for ansvarlig, sikker og effektiv AI i uddannelse. Det næste skridt er at skalere dette fra et udforskende pilotprojekt til en stor‑skala afprøvning.”

– Irina Jurenka, forskningsforsker hos Google DeepMind

Samtidig har tech‑gigantens multimodale AI‑model Gemini gjort flere fremskridt, opnået guldmedaljeniveau ved 2025 International Collegiate Programming Contest (ICPC) World Finals, efter en guldmedalje ved International Mathematical Olympiad. Googles flagskibs‑AI‑app har nu over 650 millioner månedlige aktive brugere.

Så er Google dybt involveret i AI‑innovation, og dette har hjulpet deres aktie med at stige næsten 54 % i år, nu handlet lidt over $293. Det $3,5 billioner store selskab betaler også et udbytte på 0,29 %.

For nylig rapporterede de en omsætning på $102,35 billioner for Q3 2025, drevet af solid fremdrift i deres cloud‑forretning, som har haft gavn af stærk AI‑efterspørgsel. Virksomheden planlægger nu at øge deres kapitaludgifter til mellem $91 milliarder‑$93 milliarder, efter at have hævet forventningerne fra $75 milliarder til $85 milliarder tidligere i år. De fleste udgifter går til infrastruktur som datacentre.

Afsluttende tanker

AI har taget verden med storm, men den er ikke længere en selvstændig innovation. I stedet fungerer den som et bindevæv, der forbinder et stigende antal transformative teknologier. Som nævnt ovenfor hjælper den os med at afkode mysterierne i det menneskelige mikrobiom, forudsige solstorme og endda overgå eksperter inden for videnskab og medicin. Alligevel udgør disse gennembrud kun en lille del af, hvor dybt AI påvirker næsten hver grænse for menneskelig bestræbelse.

Efterhånden som den konvergerer med big data, bioteknologi, cloud computing, robotteknik og kvantevidenskab, accelererer AI tempoet for opdagelser og muliggør integrationer, der skaber smartere systemer og en smartere verden.

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

Referencer

1. Mussavi Rizi, M., Fernández, D., Kramer, J. L. K., Saigal, R., DiGiorgio, A. M., Beattie, M. S., Ferguson, A. R., Kyritsis, N., Torres‑Espín, A., & TRACK‑SCI. Modellering af forløb for rutinemæssige blodprøver som dynamiske biomarkører for udfald ved rygmarvsskade. npj Digital Medicine 8:470 (2025). https://doi.org/10.1038/s41746-025-01782-0
2. Lee, S., Raza, S., Lee, E.-J., Chang, Y., Ryu, S., Kim, H.-L., Kang, S.-H., & Kim, H.-N. Metagenom‑samlede genomer afslører mikrobielle signaturer og metaboliske veje forbundet med koronararteriesygdom. mSystems e00954-25 (2025). https://doi.org/10.1128/msystems.00954-25
3. Dang, T., Lysenko, A., Boroevich, K. A., & Tsunoda, T. “VBayesMM: variational Bayesian neuralt netværk til at prioritere vigtige relationer i høj‑dimensionelle mikrobiom‑multiomics‑data.” Briefings in Bioinformatics 26(4), bbaf300 (2025). https://doi.org/10.1093/bib/bbaf300
4. Sinha, A., Dhuri, D., Vasanth, R., Hanasoge, S., et al. “Et multimodalt encoder‑decoder neuralt netværk til forudsigelse af solvindshastighed ved L1.” The Astrophysical Journal Supplement Series 258(2): 1–? (2025). https://doi.org/10.3847/1538-4365/adf436
5. Luo, X., Rechardt, A., Sun, G., Nejad, K. K., Yáñez, F., Yilmaz, B., Lee, K., Cohen, A. O., Borghesani, V., Pashkov, A., Marinazzo, D., Nicholas, J., Salatiello, A., Sucholutsky, I., Minervini, P., Razavi, S., Rocca, R., Yusifov, E., Okalova, T., Gu, N., Ferianc, M., Khona, M., Patil, K. R., Lee, P. S., Mata, R., Myers, N. E., Bizley, J. K., Musslick, S., Bilgin, I. P., Niso, G., Ales, J. M., Gaebler, M., Ratan Murty, N. A., Loued‑Khenissi, L., Behler, A., Hall, C. M., Dafflon, J., Bao, S. D. & Love, B. C. Store sprogmodeller overgår menneskelige eksperter i at forudsige resultater inden for neurovidenskab. Nature Human Behaviour 9, 305–315 (2025). https://doi.org/10.1038/s41562-024-02046-9
6. Bouziane, K. & Bouziane, A. M. AI versus menneskelig effektivitet i essay‑evaluering. Discover Education 3:201 (2024). https://doi.org/10.1007/s44217-024-00320-6
7. Feighelstein M., Luna S.P., Silva N.O., Trindade P.E., Shimshoni I., van der Linden D., & Zamansky A. “Sammenligning mellem AI og menneskelig ekspertpræstation i akut smertevurdering hos får.” Scientific Reports 15(1):626 (2025). https://doi.org/10.1038/s41598-024-83950-y (PubMed)
8. Ma, X., & Li, Z. Kunstig intelligens i dermatologi: en gennemgang. International Journal of Dermatology and Venereology 7, 227–235 (2025). https://doi.org/10.1097/IJD.0000000000000000
9. Gomes, B., McKee, K. R., Veerubhotla, A. S., Modi, A., Rysbek, A., Huber, A., Wiltshire, S., Gillick, D., et al. “AI‑undervisning kan sikkert og effektivt støtte elever: En udforskende RCT i britiske klasseværelser.” arXiv pre‑print (Nov 2025). Available at: https://storage.googleapis.com/deepmind-media/LearnLM/learnLM_nov25.pdf