Neueste Durchbrüche der KI: Was ist neu und was kommt als Nächstes?

Künstliche Intelligenz (KI) gewinnt weiterhin an Bedeutung, dank ihres hohen Potenzials, Branchen zu revolutionieren.

Diese Simulation menschlicher Intelligenz in Maschinen bringt schließlich Vorteile wie gesteigerte Effizienz und Produktivität, verbesserte Genauigkeit und Entscheidungsfindung, neue Arbeitsmöglichkeiten und ein verbessertes Kundenerlebnis.

Infolgedessen ist KI zu einem entscheidenden Wachstumstreiber für Unternehmen geworden, wobei mehr als 70 % der Unternehmen sie einsetzen. Schätzungen zeigen, dass der globale KI‑Markt bis 2030 Billionen erreichen kann, angetrieben durch steigende Investitionen und technologische Fortschritte.

Allein in diesem Jahr haben wir massive Entwicklungen gesehen: OpenAI stellte einen tiefen Forschungs‑Agenten mit einer Genauigkeitsrate von über 25 % im Humanity’s Last Exam‑Benchmark vor; DeepSeek veröffentlichte DeepSeek‑R1, das Ketten‑der‑Gedanken‑Argumentation nutzt; Baidu brachte Ernie X1 und Ernie 4.5 heraus; und Stability AI präsentierte ein neues Modell, Stable Virtual Camera, das Fotos in 3D‑Szenen verwandeln kann.

Unterdessen arbeitet Google mit Taiwans MediaTek zusammen, um die nächste Generation von Tensor‑Processing‑Units (TPUs) zu entwickeln, um Produktionskosten und die Abhängigkeit von aktuellen Partnern zu reduzieren. Gleichzeitig kündigte ein Konsortium aus OpenAI, Oracle (ORCL ), SoftBank und MGX das Stargate‑Projekt in Zusammenarbeit mit der US‑Regierung an.

Letzte Woche kündigte Nvidia (NVDA ) eine neue Reihe von „KI‑persönlichen Supercomputern“ an, die von seiner Grace‑Blackwell‑Chip‑Plattform betrieben werden. CEO Jensen Huang stellte DGX Spark und DGX Station auf GTC 2025 vor, um Nutzern zu ermöglichen, KI‑Modelle verschiedener Größen am Edge zu prototypisieren, feinzujustieren und auszuführen.

Also, lassen Sie uns nun einen Blick auf einige der jüngsten Schlüssel‑Durchbrüche werfen, die Forscher mithilfe von KI in verschiedenen Sektoren erzielt haben.

Klicken Sie hier, um zu erfahren, ob KI nur ein Hype ist oder ob ihr Wachstum Substanz hat.

KI löst ihre eigenen Lernherausforderungen

KI überträgt nicht nur andere Sektoren, sondern trägt sogar zu sich selbst bei, indem sie die Entwicklung anspruchsvollerer KI‑Systeme durch Fortschritte in der Datenanalyse, dem maschinellen Lernen und der Automatisierung ermöglicht, was zu schnelleren Verarbeitungen, genaueren Vorhersagen und besseren Entscheidungen führt. 

In diesem Monat stellten Forscher neuartige memristive Bauelemente vor, die deutlich robuster sind, sowohl im analogen als auch im digitalen Modus arbeiten können und über einen breiteren Spannungsbereich funktionieren.

Diese Eigenschaften können helfen, das „katastrophale Vergessen“ zu adressieren, das auftritt, wenn künstliche neuronale Netze das zuvor Gelernte vergessen. Dies geschieht typischerweise, wenn tiefe neuronale Netze (DNNs), die das menschliche Gehirn nachahmen sollen, für eine neue Aufgabe trainiert werden und die neue Optimierung das zuvor Gelernte überschreibt.

Unser Gehirn hat dieses Problem nicht, dank seiner Fähigkeit, den Grad der synaptischen Veränderung anzupassen. Außerdem wird vermutet, dass die unterschiedlichen Grade der Plastizität es unserem Gehirn ermöglichen, dauerhaft Neues zu lernen, ohne Altes zu vergessen. Forscher haben mit ihrem neuen Memristor etwas Ähnliches erreicht.

Memristoren verhalten sich ähnlich wie Gehirnzellen und verbrauchen extrem wenig Energie. Als eine Art von Widerstands‑Switch‑Speichergerät können Memristoren ihren Widerstand basierend auf der angelegten Spannung ändern. Selbst wenn die Spannung ausgeschaltet ist, bleibt ihr Widerstandswert erhalten, da sie strukturelle Veränderungen durchlaufen können.

Laut Ilia Valov vom Peter‑Grünberg‑Institut (PGI‑7) am Forschungszentrum Jülich, der die Forschung leitete:

“Memristive Elemente gelten als ideale Kandidaten für lernfähige, neuro‑inspirierte Computerkomponenten, die am Gehirn modelliert sind.”

Obwohl erhebliche Fortschritte erzielt wurden, verläuft die Kommerzialisierung der Bauteile aufgrund der hohen Ausfallrate in der Produktion, der kurzen Lebensdauer des Produkts und der Empfindlichkeit gegenüber mechanischen Einflüssen, die während des Betriebs Fehlfunktionen verursachen können, viel langsamer.

Dies erfordere, so Valov, Forschung zur besseren Kontrolle nanoskaliger Prozesse sowie neuer Materialien und Schaltmechanismen, um die Komplexität der Systeme zu reduzieren und deren Funktionsumfang zu erweitern.

Zu diesem Zweck haben deutsche und chinesische Wissenschaftler zusammengearbeitet und „einen grundlegend neuen elektrochemischen memristiven Mechanismus entdeckt, der chemisch und elektrisch stabiler ist“, der den Horizont der neurowissenschaftlichen Anwendungen erweitern wird.

Klicken Sie hier, um zu erfahren, wie KI‑gestützte Gehirnchips den nächsten Sprung in der Evolution der Menschheit einleiten werden.

Durchbruch bei Memristoren für das kontinuierliche Lernen der KI

Veröffentlicht in der journal Nature Communications¹, identifizierte die Studie zwei primäre Mechanismen für die Funktionsweise bipolarer Memristoren:

1. Elektrochemische Metallisierung (ECM)
2. Valenzwechsel‑Mechanismus (VCM)

ECM‑Memristoren bilden einen metallischen Filament zwischen den beiden Elektroden. Diese winzige „leitende Brücke“ ändert den elektrischen Widerstand und löst sich bei umgekehrter Spannung auf. Während sie niedrige Schaltspannungen und schnelle Schaltzeiten ermöglichen, sind die hier erzeugten Zustände variabel und kurzlebig.

VCM‑Memristoren ändern den Widerstand durch die Bewegung von Sauerstoffionen an der Schnittstelle zwischen Elektrode und Elektrolyt, indem sie die Schottky‑Barriere verändern. Obwohl vergleichsweise stabil, erfordert dies hohe Schaltspannungen.

Da jeder Prozess seine eigenen Vor- und Nachteile hat, entwickelte das Team einen Memristor, der die Vorteile beider Typen kombiniert, was zuvor als unmöglich galt.

Der neue Memristor verwendet also ein Filament aus Metalloxiden (statt vollständig metallisch wie ECM), das durch die Bewegung von Sauerstoff‑ und Tantal‑Ionen entsteht. Es ist sehr stabil und löst sich nie vollständig auf.

“Man kann es sich als ein Filament vorstellen, das immer in gewissem Maße existiert und nur chemisch modifiziert wird.”

– Valov

Der neue, robuste Schaltmechanismus wird als Filament‑Leitfähigkeits‑Modifikations‑Mechanismus (FCM) bezeichnet. Komponenten, die auf diesem Mechanismus basieren, sind widerstandsfähiger gegenüber hohen Temperaturen, benötigen niedrigere Spannungen zur Erzeugung, besitzen ein breiteres Spannungsfenster und sind chemisch sowie elektrisch stabiler. Ihre Lebensdauer ist ebenfalls länger, da während der Produktion weniger Bauteile ausbrennen, was zu einer geringeren Ausschussrate führt.

Die unterschiedlichen Oxidationszustände ermöglichen es dem Memristor zudem, sowohl im binären als auch im analogen Modus zu arbeiten, was helfen kann, das Problem des „katastrophalen Vergessens“ zu überwinden.

Valov erklärte, dass die „einzigartigen Eigenschaften“ des neuen zweipoligen ohmschen Memristors „die Nutzung verschiedener Schaltmodi ermöglichen, um die Modulation des Memristors so zu steuern, dass gespeicherte Informationen nicht verloren gehen.“

Forscher haben das neue memristive Bauelement bereits in einem künstlichen neuronalen Netzwerkmodell in einer Simulation implementiert und dabei hohe Mustererkennungsgenauigkeiten in mehreren Bilddatensätzen erzielt.

Das Team wird nun weitere Materialien untersuchen, die möglicherweise noch besser und stabiler sind. Valov ist zuversichtlich, dass ihre „Ergebnisse die Entwicklung von Elektronik für ‚Computation‑in‑Memory‘‑Anwendungen weiter vorantreiben werden.“

Jetzt ist eines der führenden Unternehmen im KI‑Bereich Microsoft (MSFT ), das 12 Milliarden $ in den ChatGPT‑Hersteller OpenAI investiert hat und KI‑Produkte wie Copilot, Azure AI Studio und KI‑gestützte Werkzeuge innerhalb von Microsoft 365, Dynamics 365 und Power Platform anbietet. Die Aktien des 2,9 Billionen‑$‑Marktkapitalisierung‑Technologieriesen werden derzeit bei $394.58 gehandelt, ein Rückgang von 7,17 % im Jahresverlauf. Für das Quartal zum 31. Dezember 2024 meldete das Unternehmen einen Umsatzanstieg von 12 % auf 69,6 Mrd. $ und ein verwässertes EPS von 3,23 $.

Laut Microsoft‑CEO Satya Nadella:

“Wir innovieren über unseren gesamten Technologiestack hinweg und helfen Kunden, das volle ROI von KI freizuschalten, um die massive Chance, die vor uns liegt, zu nutzen. Bereits hat unser KI‑Geschäft eine jährliche Umsatzrate von 13 Milliarden $ überschritten, ein Anstieg von 175 % gegenüber dem Vorjahr.”

Neueste Entwicklungen bei Microsoft

KI im Gesundheitswesen, Verbesserung der Parkinson‑Diagnose

Im Gesundheitssektor hilft KI, Kosten zu senken und bessere Patientenergebnisse zu erzielen, indem sie Diagnostik, Behandlung und Patientenversorgung durch Krankheitsdetektion, personalisierte Medizin und verbesserte Effizienz bei administrativen Aufgaben verbessert.

Jetzt wird KI Ärzten helfen, Parkinson‑Krankheit und verwandte Erkrankungen schneller und genauer differenziert zu diagnostizieren.

Die Diagnose der Parkinson‑Krankheit liegt derzeit in den ersten fünf Jahren der Bewertung zwischen 55 % und 78 %, zum Teil weil verwandte Bewegungsstörungen Ähnlichkeiten aufweisen, was eine eindeutige Diagnose zu Beginn erschwert.

Ein neues KI‑Modell, das von Forschern der University of Florida und des UF Health Norman Fixel Institute for Neurological Diseases entwickelt wurde, weist jedoch eine Präzisionsrate von über 96 % auf.

Wie die Studie feststellte, war die Anwendung eines bildbasierten Ansatzes zur Diagnose und Unterscheidung zwischen Parkinson‑Krankheit (PD), progressiver supranukleärer Lähmung (PSP) und multipler Systematrophie (MSA) Parkinson‑Varianten besonders herausfordernd. Neuere Daten zeigen jedoch, dass dies mit diffusionsgewichteter MRT in Kombination mit krankheitsspezifischen Machine‑Learning‑Algorithmen (ML) möglich ist.

Die von den National Institutes of Health geförderte Studie, die in JAMA Neurology² veröffentlicht wurde, beschrieb die Automated Imaging Differentiation for Parkinsonism (AIDP), eine automatisierte MRT‑Verarbeitung und ML‑Software mit einer nicht‑invasiven Biomarker‑Technik.

MRI‑Hersteller, David Vaillancourt, Professor im UF Department of Applied Physiology and Kinesiology, bemerkte, dass sie aufgrund des Wettbewerbs auf dem Markt nicht miteinander kommunizieren und ihre eigene Software und Sequenzen verwenden.

Daher haben die Forscher „neue Software entwickelt, die auf allen funktioniert.“ Das Werkzeug wird Ärzten helfen, ihre diagnostische Wirksamkeit zwischen verschiedenen Störungen zu steigern, sagte Vaillancourt.

Während diffusionsgewichtete MRT in AIDP hilft, den Ort der Neurodegeneration zu identifizieren, indem sie misst, wie sich Wassermoleküle im Gehirn ausbreiten, analysiert der Algorithmus das Gehirnscan, um die Ergebnisse zu liefern.

Der Algorithmus wurde rigoros gegen Diagnosen in Kliniken vor Ort getestet und an 21 Standorten durchgeführt, darunter zwei in Kanada und 19 in den USA.

“Dies ist ein Beispiel dafür, dass die Innovation zwischen Technologie und künstlicher Intelligenz nachgewiesen hat, die diagnostische Präzision zu verbessern und uns die Möglichkeit zu geben, die Behandlung von Patienten mit Parkinson‑Krankheit weiter zu optimieren.”

– Michael Okun, M.D., Direktor des Norman Fixel Institute for Neurological Diseases am UF Health.

Forscher streben nun an, die Zulassung durch die US Food and Drug Administration (FDA) zu erhalten.

Einsatz von KI zur Vorhersage des kardiovaskulären Risikos mittels Mammographien

Ein weiteres Deep‑Learning‑Modell zeigte Potenzial, das kardiovaskuläre Risiko anhand von Mammographie‑Bildern, einem wichtigen Krebs‑Screening‑Werkzeug, vorherzusagen. Diese separate Studie vorgestellt auf der Jahreswissenschaftlichen Sitzung des American College of Cardiology (ACC) kombiniert die Kraft von KI mit Mammographien, um die Kalziumablagerungen in den Arterien des Brustgewebes zu analysieren.

Kalziumablagerungen in Blutgefäßen sind ein Zeichen für kardiovaskuläre Schäden, die mit dem Altern oder einer Frühstadium‑Herzerkrankung verbunden sind. Frauen mit Kalziumablagerungen in den Arterien haben laut früheren Studien ein um 51 % höheres Risiko für Herzkrankheiten und Schlaganfälle.

Obwohl Herzkrankheiten die führende Todesursache in den USA sind, werden Herzkrankheiten bei Frauen tatsächlich weiterhin unterdiagnostiziert, was sich durch KI‑gestützte Mammographie‑Screening‑Tools ändern kann, die Tests, die viele Frauen routinemäßig erhalten, besser nutzen.

In den USA werden jährlich etwa 40 Millionen Mammographien durchgeführt. Diese Röntgenaufnahmen werden zur Früherkennung von Brustkrebs verwendet. Während diese Bilder Brustarterienverkalkungen zeigen, wird diese Information den Patientinnen oder ihren Ärzten nicht gemeldet.

Die neue Studie nutzte eine KI‑Bildanalyse‑Technik, die zuvor nicht bei Mammographien eingesetzt wurde, um zu zeigen, dass die Technologie diese Lücke schließen kann, indem sie Verkalkungen automatisch bewertet und anschließend ein kardiovaskuläres Risikobewertung liefert. Laut dem Hauptautor der Studie, Theo Dapamede, MD, PhD, und Postdoktorand an der Emory University in Atlanta:

“Wir sehen eine Chance für Frauen, sowohl auf Krebs als auch zusätzlich auf kardiovaskuläre Risiken mittels ihrer Mammographien gescreent zu werden. Unsere Studie zeigte, dass Brustarterienverkalkungen ein guter Prädiktor für kardiovaskuläre Erkrankungen sind, insbesondere bei Patientinnen unter 60 Jahren. Wenn wir diese Patientinnen frühzeitig screenen und identifizieren können, können wir sie an einen Kardiologen zur weiteren Risikobewertung überweisen.”

Um das Werkzeug zu erstellen, trainierten die Forscher ein KI‑Modell, um verkalkte Gefäße in Mammographie‑Bildern zu segmentieren. Das Modell verwendet dann diese hellen Pixel, um das zukünftige Risiko kardiovaskulärer Ereignisse basierend auf den Daten von über 56.000 Patientinnen zu berechnen.

“Fortschritte im Deep Learning und in der KI haben es viel einfacher gemacht, mehr Informationen aus Bildern zu extrahieren und zu nutzen, um opportunistisches Screening zu unterstützen.”

– Dapamede

Die Studienergebnisse zeigten, dass das neue Modell bei der Identifizierung des kardiovaskulären Risikos von Patientinnen mit niedrigem, mittlerem oder hohem Risiko anhand von Mammographie‑Bildern gut abschneidet.

Laut ihrer Aussage steigt die Rate schwerwiegender kardiovaskulärer Ereignisse mit dem Ausmaß der Brustarterienverkalkung bei Frauen unter 60 sowie bei Frauen zwischen 60 und 80, nachdem das Risiko für den Tod durch einen akuten Herzinfarkt, Schlaganfall oder jede Ursache nach zwei bzw. fünf Jahren berechnet wurde.

Dies macht dieses Werkzeug speziell geeignet, um jüngeren Frauen frühzeitig vor dem Risiko von Herzerkrankungen zu warnen und frühzeitige Interventionen zu ermöglichen.

Die Studienergebnisse zeigen zudem, dass Personen mit dem höchsten Niveau an Brustarterienverkalkung (über 40 mm²) eine deutlich niedrigere fünfjährige Ereignis‑freie Überlebensrate hatten als jene mit dem niedrigsten Niveau (unter 10 mm²).

Der nächste Schritt der Forscher besteht darin, die FDA‑Zulassung zu erhalten und das Werkzeug für eine breitere Nutzung verfügbar zu machen. In Zukunft ist zudem geplant, ähnliche KI‑Modelle zu nutzen, um Biomarker für andere Erkrankungen, wie Nierenerkrankungen, die aus Mammographien extrahiert werden könnten, zu analysieren.

Wenn es um Unternehmen geht, die KI im Gesundheitswesen vorantreiben, ist GE HealthCare Technologies (GEHC ) stark in die Technologie investiert und integriert sie in seine Produkte, um die Patientenversorgung zu verbessern und die Arbeitsabläufe von Ärzten zu optimieren. Die Aktien des Unternehmens mit einer Marktkapitalisierung von 37,26 Mrd. $ werden derzeit bei 81,49 $ gehandelt, ein Anstieg von 4,23 %. Im 4Q24 stieg der Umsatz um 2 % auf 5,3 Mrd. $ bei einem verwässerten EPS von 1,57 $.

Neueste Entwicklungen bei GE HealthCare Technologies

KI in der Materialwissenschaft: Optimierung von Dünnschicht‑Wachstumsprozessen

Materialwissenschaft ist für moderne Fortschritte entscheidend, da sie die Entwicklung neuer Materialien ermöglicht und bestehende verbessert. KI in diesem Bereich trägt dazu bei, die Entdeckung und das Design neuer Materialien zu beschleunigen, bestehende zu optimieren und Fertigungsprozesse zu verbessern.

Forscher der Tokyo University of Science (TUS) unter der Leitung von Professor Masato Kotsugi haben nun KI eingesetzt, um Dünnschicht‑Wachstumsprozesse zu optimieren, indem sie das dendritische Wachstum darin vorhersagen.

Diese Prozesse spielen eine Schlüsselrolle bei der Entwicklung von Halbleitergeräten, Kommunikationstechnologien und Sensortechnologien.

Dünnschichten werden heute durch Aufbringen kleiner Materialschichten auf ein Substrat erzeugt. Um jedoch die Leistung von Mehrschicht‑Film‑Geräten vollständig zu nutzen, muss das Substrat präzise gefertigt werden, da es einen erheblichen Einfluss auf die strukturelle Konfiguration hat, die wiederum ihre Funktion und Leistung beeinflusst.

Allerdings werden die Strukturen stark von Wachstumsbedingungen wie Zusammensetzung, Atmosphäre und Oberflächendefekten beeinflusst. Während des Wachstumsprozesses bei der großflächigen Fertigung, die für die kommerzielle Anwendung wichtig ist, entsteht ein wesentliches Hindernis in Form dendritischer Strukturen.

Diese baumartigen Verzweigungsmuster verringern die Ebenheit von Dünnschichten und werden häufig in Materialien wie Graphen, Kupfer und Borophen beobachtet, insbesondere in der frühen Wachstumsphase und bei Mehrschicht‑Filmen.

Da die Mikrostruktur die Geräteleistung direkt beeinflusst, ist es entscheidend, die dendritische Bildung zu reduzieren. Dafür müssen wir zunächst die Bedingungen verstehen, die dendritische Verzweigungen verursachen. Bestehende Methoden zur Untersuchung von Dendriten basieren jedoch auf einfacher visueller Analyse und subjektiver Interpretation, was umfangreiche Versuche und Fehler erfordert.

Um diese Probleme anzugehen, entwickelten die Forscher ein KI‑Modell zur Analyse dendritischer Strukturen. Die innovative Methode integriert maschinelles Lernen (ML) und persistente Homologie (PH) mit Energieanalyse, um Struktur und Prozess beim dendritischen Wachstum zu verbinden.

“Unser Ansatz liefert neue Einblicke in Wachstumsmechanismen und bietet einen leistungsstarken, datengetriebenen Weg zur Optimierung der Dünnschicht‑Fertigung.”

– Prof. Kotsugi

Kombination von KI, PH und Energieanalyse zur Untersuchung des dendritischen Wachstums

Veröffentlicht in Science and Technology of Advanced Materials: Methods³, beschreibt die Studie das Modell, das persistente Homologie (PH) nutzt, um die komplexen topologischen Merkmale dendritischer Mikrostrukturen zu erfassen, die von traditionellen Bildverarbeitungsverfahren oft übersehen werden.

Während PH die multiskalige Bewertung von Löchern und Verbindungen innerhalb geometrischer Strukturen ermöglicht, half die ML‑Technik Principal Component Analysis (PCA), die wesentlichen Merkmale der Dendriten‑Morphologie, die über PH extrahiert wurden, auf einen 2‑D‑Raum zu reduzieren.

Dies half dem Team, strukturelle Veränderungen in Dendriten zu quantifizieren und eine Beziehung zwischen diesen Veränderungen und der freien Energie im Material herzustellen, die die Art der Dendritenbildung beeinflusst.

Bei der Bewertung dieser Beziehung entdeckte das Team die spezifischen Bedingungen und verborgenen Wachstumsmechanismen, die die dendritische Verzweigung beeinflussen.

“Unser Rahmenwerk kartiert dendritische Morphologie quantitativ zu Gibbs‑Freie‑Energie‑Variationen und enthüllt Energieggradienten, die das Verzweigungsverhalten steuern.”

– Kotsugi

Das Team untersuchte anschließend das Dendritenwachstum auf einem hexagonalen Kupfer‑(Cu‑)Substrat und verglich die Ergebnisse mit Daten aus Phasen‑Feld‑Simulationen, um ihren Ansatz zu validieren. Kotsugi bemerkte:

“Durch die Integration von Topologie und freier Energie bietet unsere Methode einen vielseitigen Ansatz zur Materialanalyse. Durch diese Integration können wir eine hierarchische Verbindung zwischen atomaren Mikrostrukturen und makroskopischen Funktionalitäten über ein breites Materialspektrum herstellen und damit den Weg für zukünftige Fortschritte in der Materialwissenschaft ebnen.”

Dieser Ansatz, so sieht er, kann zur Entwicklung hochwertiger Dünnschicht‑Geräte für Hochgeschwindigkeitskommunikation jenseits von 5G sowie zu Fortschritten bei Hochleistungs‑Materialien, Nicht‑Gleichgewichts‑Physik und Sensortechnologie führen.

Wenn wir nun einen prominenten Namen im Bereich Materialwissenschaft betrachten, der KI zur Innovation nutzt, ist Applied Materials (AMAT ) unter den Spitzenreitern. Es nutzt KI, um die Fertigung von Halbleiterchips durch seine AI(x)-Plattform, ExtractAI und das SEMVision™ H20‑System zu verbessern. Die Aktien des Unternehmens mit einer Marktkapitalisierung von 123,6 Mrd. $ werden derzeit bei 151 $ gehandelt, ein Rückgang von 6,5 % im Jahresverlauf. Für das 1. Quartal 2025 meldete das Unternehmen einen Umsatzanstieg von 7 % auf 7,17 Mrd. $ bei einem GAAP‑EPS von 1,45 $ und einem Non‑GAAP‑EPS von 2,38 $.

“Der Branchenantrieb, die Entwicklung fortschrittlicher Rechenleistung und anspruchsvollerer KI zu beschleunigen, gewinnt an Schwung. Applied Materials ermöglicht die wesentlichen Geräte‑Architektur‑Wendepunkte, die für energieeffiziente KI entscheidend sind, und unser Fokus auf Hochgeschwindigkeits‑Co‑Innovation schafft einzigartige Kooperationsmöglichkeiten mit unseren Kunden und Partnern, wodurch Applied für kontinuierliches Wachstum und Überperformance in den kommenden Jahren positioniert wird.”

– CEO Gary Dickerson letzten Monat

Neueste Entwicklungen bei Applied Materials

Fazit

KI hat bereits Unternehmen in allen Branchen transformiert. Das rasante Innovationstempo bietet nun bahnbrechende Lösungen für langjährige Herausforderungen. Mit diesen Fortschritten, die von Materialwissenschaft über medizinische Diagnostik und persönliche Supercomputer bis hin zu Lösungen für die eigenen Lernherausforderungen der KI reichen, treten wir in eine Ära ein, die eine beispiellose Transformation verspricht.

Während sich KI weiterentwickelt, macht ihre Fähigkeit, Produktivität zu steigern, Entscheidungen zu verbessern und neue Grenzen zu erschließen, sie zu einer der mächtigsten Kräfte, die die Zukunft gestalten.

Klicken Sie hier, um alles über Investitionen in künstliche Intelligenz (KI) zu erfahren.