Den Zeitplan für Entdeckungen durch den Einsatz von Künstlicher Intelligenz (KI) verändern

Von manueller Forschung zur Automatisierung mit KI

Für eine gewisse Zeit beruhte der wissenschaftliche Fortschritt ausschließlich auf dem Einfallsreichtum brillanter Wissenschaftler und nicht auf Künstlicher Intelligenz (KI). Sie mussten dann ihre Hypothesen manuell durch maßgeschneiderte Experimente entwerfen und testen. Dies war meist ein mühsam langsamer Prozess, der Jahre von den ersten Ideen bis zu den tatsächlichen Ergebnissen in Anspruch nahm.

Kürzlich haben höhere Automatisierungsgrade eine Reduzierung der manuellen Arbeit in der Grundlagenforschung ermöglicht. Zum Beispiel hat Next-Generation Sequencing (NGS) die Genomsequenzierung in nur wenigen Tagen und zu geringeren Kosten ermöglicht, während die erste menschliche Genomsequenzierung im Jahr 2003 3 Milliarden $ kostete und ein Jahrzehnt dauerte.

NGS Sequencer- Quelle: Illumina

Automatisierung hat es ermöglicht, die physischen Schritte in der Forschung in massivem Umfang und zu geringeren Kosten durchzuführen. Aber der intellektuelle Aufwand, zum Beispiel die Analyse der Daten aus der Genomsequenzierung, beruhte weiterhin ausschließlich auf dem menschlichen Gehirn und computergestützten mathematischen Modellen. Das änderte sich, als KI zu einem neuen Wendepunkt wurde.

Unterstützung des menschlichen Gehirns

Je weiter die Wissenschaft voranschritt, desto komplexer wurden die Daten. Die Suche nach neuem Material beruht auf einem relativ einfachen Prozess, wie dem Mischen von Elementen, die zuvor noch nicht zusammen getestet wurden.

Aber fortgeschrittene Materialwissenschaften, zum Beispiel in der Batterietechnologie oder bei Halbleitern, erfordern die Manipulation von Komponenten auf Nanometer‑Ebene und manchmal sogar auf Einzelatom‑Ebene. Das macht die Modellierung und das Verständnis des Prozesses zu komplex, als dass das menschliche Gehirn alle verfügbaren Daten vollständig erfassen könnte.

Zum Beispiel kann die Suche nach dem richtigen Material für ein neues Batteriedesign die Entscheidung beinhalten, welches von 32 Millionen potenziellen anorganischen Materialien ausgewählt werden soll. Das war die Aufgabe, der Vijay Murugesan, Gruppenleiter der Materialwissenschaften bei PNNL (Pacific Northwest National Laboratory), gegenüberstand.

Zuvor wären fundierte Vermutungen, grobe Computermodelle und manuelle Tests erforderlich gewesen, um die Möglichkeiten einzugrenzen, was Jahre gedauert hätte. Stattdessen hat PNNL eine Zusammenarbeit mit Microsoft aufgebaut, um das Fachwissen des Technologieriesen im Bereich KI zu nutzen.

Mehrere KIs in der Chemie schulen

Microsoft arbeitet schon seit langem an solchen Anwendungen, über sein AI4Science‑Programm. Zum Beispiel ermöglicht die generative KI MatterGen „eine breit angelegte, eigenschaftsgeführte Materialgestaltung“.

Quelle: Microsoft

In Zusammenarbeit mit PNNL hat Microsoft speziell mehrere verschiedene KIs entwickelt, um alle nutzbaren Elemente und deren Kombinationen zu bewerten.

Sie verfügt außerdem über eine KI, die darauf spezialisiert ist, stabile Materialien zu finden. Und eine KI, die Moleküle anhand ihrer Reaktivität bewertet. Und eine weitere KI, die die Fähigkeit der Moleküle, Energie zu leiten, beurteilt.

Diese Kombination von KIs ist nicht darauf ausgelegt, jede mögliche Lösung für ein gegebenes Problem zu finden. Stattdessen betrachtet sie den riesigen Heuhaufen an Möglichkeiten (in den Zehntausenden von Millionen) und versucht, ihn auf einige wenige gute Kandidaten zu reduzieren.

Dieser Ansatz reduzierte 32 Millionen potenzielle Materialien auf 500 000 Kandidaten und anschließend auf 800.

Es unterscheidet sich grundlegend von einem rein computerbasierten mathematischen Modellansatz, der stattdessen versucht, die chemischen Eigenschaften eines Materials mit „Brute‑Force“ zu berechnen, oft indem es Atom für Atom simuliert. Stattdessen gibt die KI eine fundierte „Vermutung“ ab, was funktionieren sollte, indem sie Analogien nutzt, ganz ähnlich wie ein Mensch. Nur das KI‑Team konnte 32 Millionen Ideen in weniger als 80 Stunden prüfen.

Monate oder Jahre Arbeit auf wenige Tage oder Wochen zu reduzieren, ist eine komplette Revolution im Tempo des wissenschaftlichen Fortschritts.

Wenn dies breiter angewendet wird, könnte es das Tempo des technologischen Fortschritts in menschlichen Gesellschaften vollständig verändern.

Ressourcen schonen

Nachdem die Liste auf nur 800 Kandidaten eingegrenzt war, konnten die Forschenden die gängigere Methode des High‑Performance‑Computing (HPC) einsetzen. Diese ermöglichte die Berechnung aller möglichen Energiestatus der 800 Kandidaten. Anschließend wurde eine Kombination aus spezialisierter KI und HPC verwendet, um die Bewegungen jedes Atoms und Moleküls in jedem Material zu simulieren.

Durch den Einsatz von HPC nur für einige hundert Kandidaten sparte PNNL viel Zeit und Geld, da diese Methode einen enormen Rechenleistungsbedarf hat. Dadurch wurde die Kandidatenliste auf nur 150 reduziert.

Von dort aus reduzierte eine Bewertung von Kosten, Verfügbarkeit und anderen praktischen Aspekten die ursprüngliche Liste von 32 Millionen Kandidaten auf lediglich 23. Interessanterweise waren von den 23 bereits 5 bekannt, was die Relevanz der Methode zeigt, da sie diese 5 Materialien eigenständig „wiederentdeckte“.

Frühere Forschungsmethoden hätten stark auf teure und langsame HPC gesetzt. Die KI‑Methode reduzierte hingegen den HPC‑Aufwand auf nur 10 % der gesamten Rechenzeit. Die Tatsache, dass die KI‑Berechnung cloudbasiert war, anstatt die kostbare & seltene Supercomputerzeit von Forschungsinstituten zu nutzen, trug ebenfalls zur Effizienzsteigerung bei.

Die nächsten Schritte

Die Zusammenarbeit zwischen Microsoft und PNNL im Bereich Batteriematerialien war nur der Beginn einer mehrjährigen Kooperationsvereinbarung. Letztlich soll genug Daten generiert werden, sodass die Kenntnis, mit welchem neuen Material eine neue Batterie zu entwerfen ist, so einfach wird, wie das KI‑System danach zu fragen.

“Die Vision, an der wir arbeiten, ist generative Materialien, bei denen ich nach einer Liste neuer Batterieverbindungen mit meinen gewünschten Eigenschaften fragen kann,” – Nathan Baker, Produktleiter für Azure Quantum Elements.

Es ist ebenfalls wichtig zu beachten, dass die aktuelle Methode auf klassischem Computing beruht. Doch Microsofts KI‑Programmierung und Software sind darauf ausgelegt, auf Quantencomputing umgestellt zu werden, sobald diese Technologie ausgereift genug ist.

Dies würde beispiellose Rechenleistung für Themen wie chemische und biologische Simulationen bieten und die Rechenleistung um mehrere Größenordnungen (x100‑10.000) erhöhen. Wir befinden uns also noch in einem sehr frühen Stadium, in dem KI an der Gestaltung neuer Moleküle und Materialien arbeitet.

Anwendungsbereiche

Das erste Experiment konzentrierte sich auf Batteriematerialien. Aber viele andere Bereiche werden wahrscheinlich von solch fortschrittlichen Einblicken in die Chemie profitieren, ebenso wie die Anwendung von KIs auf andere Wissenschaften, die bereits in Microsofts Pipeline stehen:

• Halbleiter.
• Quantencomputing & Kryptografie.
• Visuell and Audio
• Molekularbiologie & Genomik.
• Biotechnologie & Pharma im Allgemeinen.
• Erneuerbare Energien & Klimawandel.
• Landwirtschaft & Ökologie.
• Wirtschaft.
• Sozialwissenschaften.
• Theoretische Mathematik.

Jeder dieser Bereiche hat in der Forschung aufgrund der schieren Datenmenge und der Komplexität der jeweiligen Fragestellungen Schwierigkeiten erlebt. Ähnlich wie beim Pilotprojekt zu Batterien könnte jeder von den Erkenntnissen der KIs profitieren.

KI‑gesteuerte Wissenschafts‑Aktien

1. Microsoft

(MSFT )

Microsoft steht seit fast seiner Gründung im Zentrum der Technologiebranche mit seinem nach wie vor dominierenden Betriebssystem Windows. Es ist jetzt auch ein führendes Unternehmen im Bereich Unternehmenssoftware (Office365, Teams, LinkedIn, Skype, GitHub), Gaming (Xbox und mehrere Videospielstudio‑Übernahmen) und Cloud (Azure).

In jüngerer Zeit hat Microsoft bedeutende Fortschritte im Bereich KI erzielt. Dazu gehören einige KI‑Anwendungen für Verbraucher wie der Bing Image Creator und die Vertiefung der Partnerschaft mit OpenAI. Außerdem gibt es stärker geschäftsorientierte Initiativen, wie Copilot für Microsoft 365 und Microsoft Research. Copilot wird nun auch im Einzelhandel und bei kleineren Unternehmen eingesetzt.

Microsoft hat sich den Ruf erworben, ein auf Unternehmen ausgerichteter Technologieriese zu sein, im Vergleich zu stärker verbraucherorientierten Unternehmen wie zum Beispiel Apple oder Facebook. Da KI in Geschäftsmodellen immer wichtiger wird, sollte die bereits bestehende Präsenz von Microsoft im Cloud‑ und Unternehmensdienstleistungsbereich ihm einen Vorsprung bei der großflächigen Bereitstellung von KI und bei Kundenakquisitionen verschaffen.

Die Zusammenarbeit/Quasi‑Eigentümerschaft mit KI‑Entwicklungsführern wie OpenAI wird Microsofts Position als KI‑Gigant weiter festigen.

2. NVIDIA

(NVDA )

NVidia hatte zunächst eine dominante Position im Markt für Grafikkarten (GPU), die hauptsächlich für High‑End‑Gaming und 3D‑Modellierung verwendet wurden. GPUs können Berechnungen parallel ausführen und unterscheiden sich in dieser Hinsicht von Prozessoren (CPU).

Das Design seiner Hardware erwies sich als sehr gut geeignet für das Mining von Kryptowährungen (insbesondere Bitcoin) und löste ein starkes Wachstum für das Unternehmen aus.

Jetzt scheint es ebenso leistungsstark für das Training von KIs zu sein, wodurch die Hardware von Nvidia das Rückgrat der KI‑Revolution bildet.

NVidia entwickelt jetzt maßgeschneiderte Rechensysteme für verschiedene KI‑Anwendungen, von selbstfahrenden Autos, über Sprach‑und konversationale KI, generative KI bis hin zu Cybersicherheit.

Es ist wahrscheinlich, dass Nvidia noch nicht mit der Suche nach neuen Anwendungsfällen für seine KI‑Hardware fertig ist, wie die Microsoft‑Forschung mit PNNL zeigt. Zum Beispiel entwickelt NVidia jetzt ein komplettes Spektrum an Lösungen für die Medikamentenforschung, sowie KI‑gestützte Medizinprodukte und KI‑unterstützte medizinische Bildgebung.

Quelle: NVidia

Es ist wahrscheinlich, dass langfristig Konkurrenten von NVidia beginnen könnten, den anfänglichen Vorsprung des Unternehmens ernsthaft herauszufordern. Aber für die absehbare Zukunft, angesichts des enormen Anstiegs der Nachfrage nach KI‑dedizierter Rechenleistung, wird NVidia der Hauptlieferant aller neu entstehenden KI‑Trainingsrechenzentren bleiben.

3. CrowdStrike

(CRWD )

Je stärker die Welt auf KI und Digitalisierung setzt, desto wichtiger wird die vernetzte Cybersicherheit.

CrowdStrike wurde mit einem Cloud‑First‑Ansatz für Cybersicherheit gegründet. Das Angebot des Unternehmens deckt alle Kategorien von Cyberbedrohungen ab, und zu seinen Kunden gehören 15 der 20 größten US‑Banken, 70 der Fortune‑100‑Unternehmen und 556 der Global‑2000.

Das Wachstum von CrowdStrike wird durch einen schnell wachsenden adressierbaren Gesamtmarkt (TAM) unterstützt, der in den nächsten 2 Jahren voraussichtlich um 13 % CAGR wachsen wird. Mit zusätzlichen Angeboten, die sich noch in Entwicklung befinden, erwartet das Unternehmen, seinen TAM von derzeit 76 Mrd. $ auf 158 Mrd. $ bis 2026 zu erweitern.

Quelle: CrowdStrike

Ein weiterer Wachstumsfaktor für CrowdStrike ist die Erweiterung des Geschäfts mit bestehenden Kunden. Wenn ein Kunde mit mindestens einem Cybersicherheitsmodul beginnt, integriert er in der Regel weitere Module, wobei 62 % der Kunden 5 oder mehr Module und 23 % 7 oder mehr Module nutzen.

Diese Dynamik schafft ein Umfeld, das CrowdStrike ermöglicht, seine Margen zu steigern, sobald eine Beziehung lange genug besteht, mit einer beeindruckenden Bruttomarge von 78 % im Jahr 2023.

Der Übergang zur Cloud ist für viele große Unternehmen noch weitgehend im Gange. Das bietet einem Marktführer wie CrowdStrike eine große Chance, ihnen beim Wechsel ihrer Cybersicherheitsstrategie in die Cloud zu helfen.

Das Unternehmen sollte auch sein internationales Geschäft wachsen sehen, da noch drei Viertel der Global‑2000‑Unternehmen das CrowdStrike‑Ökosystem noch nicht betreten haben.

Der Cloud‑First‑Ansatz von CrowdStrike hat es ihm ermöglicht, schnell Marktanteile zu gewinnen, und wird nun von allen großen Cybersicherheitsunternehmen nachgeahmt. Daher sollten Investoren die Fähigkeit von CrowdStrike im Auge behalten, seinen Vorsprung trotz zunehmender Gegenangriffe der Branche zu bewahren.

4. Adobe

(ADBE )

Auf den ersten Blick könnte das Aufkommen generativer KI, insbesondere der Bildgenerierung, eine Bedrohung für den Eigentümer wichtiger Grafiksoftware wie Photoshop, InDesign, After Effects, Lightroom oder Illustrator darstellen.

Das würde übersehen, dass Adobe ein Vorreiter in der Softwarebranche ist und zu den Ersten gehörte, die auf ein cloudbasiertes Abonnementmodell umgestiegen sind, während die Branchenpraxis darin bestand, die neueste Softwareversion für tausende Dollar zu verkaufen.

Das Gleiche gilt für KI mit Adobe Firefly. Dieses KI‑Bildgenerierungstool wird nun nahtlos in die anderen Adobe‑Programme integriert und ermöglicht es, Bilder aus einfachem Text zu erzeugen, ein reichhaltiges Bild aus einem einfachen 3D‑Modell zu erstellen oder sogar „generatives Füllen“ anzuwenden, um ein bestehendes Bild fotorealistisch zu erweitern.

Quelle: Adobe

Da KI die erforderliche Fertigkeitsschwelle für die Erstellung von Logos, Magazinen oder das Bearbeiten von Bildern senkt, werden das Angebot und die Nachfrage nach Originalinhalten voraussichtlich steigen.

Indem Adobe den Wandel und KI annimmt, wird das Unternehmen voraussichtlich seine Position als führendes Softwarepaket für alle visuellen kreativen Arbeiten beibehalten und seine Reichweite weiter ausbauen.

5. Upstart

(UPST )

Upstart ist ein von KI betriebenes Kreditmarktplatz, der bereits lange vor dem Aufkommen von KI als zentrales Gesprächsthema der Technologie im Jahr 2023 gestartet wurde.

Der Prozess von Upstart ist größtenteils automatisiert, wobei 87 % der gewährten Kredite vollständig durch Automatisierung entschieden werden.

Die Idee hinter Upstart ist, dass das bestehende Kreditscore‑System ineffizient und veraltet ist. Mit deutlich mehr verfügbaren Daten ist es möglich, Kreditrisiken besser zu identifizieren und dadurch günstigere Kredite für einen großen Teil der Bevölkerung anzubieten.

Das bedeutet, dass Upstarts Methode Personen mit hohen FICO‑Scores identifizieren kann, die in der Praxis ein hohes Ausfallrisiko haben. Umgekehrt ist das Risiko von Personen mit niedrigen FICO‑Scores, auszufallen, nicht so hoch.

Quelle: Upstart

Der adressierbare Gesamtmarkt ist groß, mit jährlich 4 Billionen $ aus privaten, Auto-, Wohnungs‑ und Kleinunternehmenskrediten.

Aufgrund steigender Zinsen und sinkender Kreditnachfrage hat Upstart im Jahr 2023 zusammen mit seiner Branche einen Rückgang der Einnahmen und Verluste verzeichnet.

Dieser vorübergehende Rückgang des Kreditvolumens hat das Wachstum des Kreditpartnernetzwerks von Upstart nicht verlangsamt, das nun 100 Banken umfasst (gegenüber 71 im Vorjahr und nur 10 beim Börsengang 2020) sowie 61 Händler (gegenüber 39 Anfang 2023).

Investoren in Upstart müssen hoffen, dass das wachsende Netzwerk ein klares Zeichen für den Wert der Upstart‑Technologie und ihr Potenzial ist, ein großer Kreditgeber auf dem US‑Markt zu werden.

Ein kontinuierlicher Fortschritt in KI‑Berechnungen könnte ihr zudem einen Vorsprung in einem stark umkämpften Kreditbewertungsmarkt verschaffen.