Αλλαγή του Χρονοδιαγράμματος για τις Ανακαλύψεις μέσω της Χρήσης της Τεχνητής Νοημοσύνης (AI)

Από την Χειροκίνητη Έρευνα στην Αυτοματοποίηση με AI

Για κάποιο χρονικό διάστημα, οι επιστημονικές προόδους βασίζονταν αποκλειστικά στην διορατικότητα των λαμπρών επιστημόνων και όχι στην Τεχνητή Νοημοσύνη (AI). Έπρεπε τότε να σχεδιάζουν και να δοκιμάζουν τις υποθέσεις τους χειροκίνητα μέσω προσαρμοσμένων πειραμάτων. Αυτό ήταν συνήθως μια εξαντλητικά αργή διαδικασία, που απαιτούσε χρόνια από τις αρχικές ιδέες μέχρι τα πραγματικά αποτελέσματα.

Πρόσφατα, υψηλότερα επίπεδα αυτοματοποίησης επέτρεψαν τη μείωση της χειροκίνητης εργασίας στην βασική έρευνα. Για παράδειγμα, η Επόμενης Γενιάς Αλληλούχηση (NGS) έχει επιτρέψει την αλληλούχηση γονιδιώματος σε λίγες μόνο ημέρες και με χαμηλότερο κόστος, ενώ η πρώτη αλληλούχηση ανθρώπινου γονιδιώματος το 2003 κόστισε 3 δισεκατομμύρια δολάρια και χρειάστηκε μια δεκαετία για να ολοκληρωθεί.

NGS Sequencer- Πηγή: Illumina

Η αυτοματοποίηση επέτρεψε τα φυσικά βήματα στην έρευνα να γίνονται σε τεράστιο κλίμακα και με χαμηλότερο κόστος. Ωστόσο, η διανοητική προσπάθεια, για παράδειγμα η ανάλυση των δεδομένων που προκύπτουν από την αλληλούχηση γονιδιώματος, εξακολουθούσε να βασίζεται αποκλειστικά στον ανθρώπινο εγκέφαλο και στα υποβοηθούμενα από υπολογιστή μαθηματικά μοντέλα. Μέχρι που η AI έγινε ένας νέος παράγοντας αλλαγής.

Βοηθώντας τον Ανθρώπινο Εγκέφαλο

Όσο πιο προχωρούσε η επιστήμη, τόσο πιο πολύπλοκα γίνονταν τα δεδομένα. Η εύρεση νέου υλικού βασίζεται σε μια σχετικά απλή διαδικασία, όπως η ανάμειξη στοιχείων που δεν είχαν δοκιμαστεί μαζί προηγουμένως.

Ωστόσο, οι προηγμένες επιστήμες υλικών, για παράδειγμα στην τεχνολογία μπαταριών ή στα ημιαγωγούς, απαιτούν χειρισμό των συστατικών σε επίπεδο νανομέτρου, και μερικές φορές σε επίπεδο ατομικού ατόμου. Αυτό καθιστά τη μοντελοποίηση και την κατανόηση της διαδικασίας πολύπλοκη για τον ανθρώπινο εγκέφαλο ώστε να κατανοήσει πλήρως όλα τα διαθέσιμα δεδομένα.

Για παράδειγμα, η εύρεση του κατάλληλου υλικού για ένα νέο σχεδιασμό μπαταρίας μπορεί να περιλαμβάνει την απόφαση ποιο από τα 32 εκατομμύρια πιθανά ανόργανα υλικά να επιλεγεί. Αυτό ήταν το έργο που αντιμετώπιζε ο Vijay Murugesan, επικεφαλής της ομάδας επιστημών υλικών στο PNNL (Pacific Northwest National Laboratory).

Προηγουμένως, απαιτούνταν εκπαιδευμένες εικασίες, αδρόνα υπολογιστικά μοντέλα και χειροκίνητες δοκιμές για να περιοριστούν οι δυνατότητες και αυτό θα έπαιρνε χρόνια. Αντίθετα, το PNNL δημιούργησε συνεργασία με τη Microsoft (MSFT ) για να αξιοποιήσει την τεχνογνωσία του τεχνολογικού γίγαντα στην AI.

Διδάσκοντας Χημεία σε Πολλαπλές AI

Η Microsoft εργάζεται εδώ και πολύ καιρό σε τέτοιες εφαρμογές, μέσω του προγράμματος AI4Science. Για παράδειγμα, η γενετική AI MatterGen της επιτρέπει «ευρύ σχεδιασμό υλικών καθοδηγούμενο από ιδιότητες».

Πηγή: Microsoft

Σε συνεργασία με το PNNL, η Microsoft έχει αναπτύξει συγκεκριμένα αρκετές διαφορετικές AI για την αξιολόγηση όλων των λειτουργικών στοιχείων και των συνδυασμών τους.

Διαθέτει επίσης μια AI αφιερωμένη στην εύρεση των σταθερών υλικών. Στη συνέχεια μια AI που αξιολογεί τα μόρια βάσει της αντιδρεστικότητάς τους. Και μια άλλη AI που κρίνει την ικανότητα των μορίων να μεταδίδουν ενέργεια.

Αυτός ο συνδυασμός AI δεν έχει σχεδιαστεί για να βρει κάθε πιθανή λύση σε ένα δεδομένο πρόβλημα. Αντίθετα, εξετάζει το τεράστιο σωρό των δυνατοτήτων (σε δεκάδες εκατομμύρια) και προσπαθεί να τον περιορίσει σε λίγους καλούς υποψήφιους.

Αυτή η προσέγγιση μείωσε τα 32 εκατομμύρια πιθανά υλικά σε 500.000 υποψήφιους, και στη συνέχεια σε 800.

Διαφέρει θεμελιωδώς από μια καθαρά υπολογιστική μαθηματική προσέγγιση, η οποία προσπαθεί να υπολογίσει με «βίαιη δύναμη» τις χημικές ιδιότητες ενός υλικού, συχνά προσομοιώνοντάς το άτομο προς άτομο. Αντίθετα, η AI κάνει μια εκπαιδευμένη «εικασία» του τι πρέπει να λειτουργήσει χρησιμοποιώντας αναλογίες, σχεδόν με τον ίδιο τρόπο που θα έκανε ένας άνθρωπος. Εκτός από αυτό, η ομάδα AI μπορούσε να φιλτράρει 32 εκατομμύρια ιδέες σε λιγότερο από 80 ώρες.

Η μείωση μηνών ή ετών εργασίας σε λίγες ημέρες ή εβδομάδες αποτελεί μια πλήρη επανάσταση στον ρυθμό της επιστημονικής προόδου.

Αν εφαρμοστεί πιο ευρέως, αυτό θα μπορούσε να αλλάξει εντελώς τον ρυθμό της τεχνολογικής προόδου στις ανθρώπινες κοινωνίες.

Εξοικονομώντας Πολύτιμους Πόρους

Μόλις η λίστα περιορίστηκε σε μόλις 800 υποψήφιους, οι ερευνητές μπορούσαν να εφαρμόσουν τη πιο τυπική μέθοδο Υψηλής Απόδοσης Υπολογιστών (HPC). Αυτό επέτρεψε τον υπολογισμό όλων των πιθανών ενεργειακών καταστάσεων των 800 υποψήφιων. Στη συνέχεια, ένας συνδυασμός αφιερωμένης AI και HPC χρησιμοποιήθηκε για να προσομοιώσει τις κινήσεις κάθε ατόμου και μορίου μέσα σε κάθε υλικό.

Χρησιμοποιώντας HPC μόνο σε μερικές εκατοντάδες υποψήφιους, αυτό εξοικονόμησε στο PNNL πολύ χρόνο και χρήμα, καθώς αυτή η μέθοδος απαιτεί τεράστια υπολογιστική ισχύ. Αυτό μείωσε τη λίστα υποψήφιων σε μόλις 150.

Από εκεί, μια αξιολόγηση του κόστους, της διαθεσιμότητας και άλλων πρακτικών παραγόντων μείωσε την αρχική λίστα των 32 εκατομμυρίων υποψήφιων σε μόλις 23. Ενδιαφέρον είναι ότι από τα 23, 5 ήταν ήδη γνωστά, δείχνοντας τη συνάφεια της μεθόδου, καθώς «ανακάλυψε ξανά» αυτά τα 5 υλικά ανεξάρτητα.

Η προηγούμενη ερευνητική μεθοδολογία θα βασιζόταν έντονα σε ακριβή και αργή HPC. Η μέθοδος AI, αντίθετα, μείωσε το HPC σε μόλις 10% του συνολικού χρόνου υπολογισμού. Το γεγονός ότι η υπολογιστική AI ήταν βασισμένη στο cloud, αντί να χρησιμοποιεί τον πολύτιμο και σπάνιο χρόνο των υπερυπολογιστών ερευνητικών ιδρυμάτων, συνέβαλε επίσης στην αποδοτικότητά της.

Τα Επόμενα Βήματα

Η συνεργασία μεταξύ Microsoft και PNNL σχετικά με τα υλικά μπαταριών ήταν μόνο η αρχή μιας πολυετούς συμφωνίας συνεργασίας. Τελικά, η ιδέα είναι να παραχθούν αρκετά δεδομένα ώστε η γνώση του ποιο νέο υλικό να χρησιμοποιηθεί για τον σχεδιασμό μιας νέας μπαταρίας να είναι τόσο απλή όσο το να ρωτάτε το σύστημα AI.

«Το όραμα που εργαζόμαστε είναι γενετικά υλικά όπου μπορώ να ζητήσω μια λίστα νέων ενώσεων μπαταρίας με τις επιθυμητές μου ιδιότητες», – Nathan Baker, Product Leader for Azure Quantum Elements.

Αξίζει επίσης να σημειωθεί ότι η τρέχουσα μέθοδος βασίζεται στην κλασική υπολογιστική. Ωστόσο, ο προγραμματισμός AI της Microsoft και το λογισμικό της έχουν σχεδιαστεί ώστε να αναβαθμιστούν στη χρήση κβαντικής υπολογιστικής μόλις αυτή η τεχνολογία γίνει αρκετά ώριμη.

Αυτό θα προσφέρει άνευ προηγουμένου υπολογιστική ισχύ για θέματα όπως χημικές και βιολογικές προσομοιώσεις, αυξάνοντας την υπολογιστική ισχύ κατά πολλές τάξεις μεγέθους (x100-10.000). Έτσι, βρισκόμαστε ακόμη στα πολύ πρώτα στάδια της AI που εργάζεται στον σχεδιασμό νέων μορίων και υλικών.

Πεδία Εφαρμογών

Το πρώτο πείραμα επικεντρώθηκε στα υλικά μπαταριών. Ωστόσο, πολλοί άλλοι τομείς είναι πιθανό να ωφεληθούν από τέτοια προχωρημένη κατανόηση της χημείας, καθώς και από την εφαρμογή AI σε άλλες επιστήμες, όλα ήδη στο pipeline της Microsoft:

• Ημιαγωγοί.
• Κβαντική υπολογιστική & κρυπτογραφία.
• Οπτικό και ηχητικό
• Μοριακή βιολογία & γονιδιωματική.
• Βιοτεχνολογία & φαρμακευτικά γενικά.
• Ανανεώσιμες πηγές & κλιματική αλλαγή.
• Γεωργία & Οικολογία.
• Οικονομικά.
• Κοινωνικές επιστήμες.
• Θεωρηματικά μαθηματικά.

Κάθε ένας από αυτούς τους τομείς έχει αντιμετωπίσει δυσκολίες στην έρευνα λόγω του τεράστιου όγκου δεδομένων και της πολυπλοκότητας των ζητημάτων. Όπως και στο πιλοτικό έργο για τις μπαταρίες, καθένας θα μπορούσε να ωφεληθεί από την κατανόηση που παρέχουν οι AI.

Μετοχές Επιστήμης με AI

1. Microsoft

MSFT Διάγραμμα τιμής

Η Microsoft βρίσκεται στο κέντρο της τεχνολογικής βιομηχανίας σχεδόν από την ίδρυσή της με το ακόμη κυρίαρχο λειτουργικό σύστημα Windows. Είναι επίσης ηγέτης σε λογισμικό επιχειρήσεων (Office365, Teams, LinkedIn, Skype, GitHub), στον χώρο των παιχνιδιών (Xbox και πολλές εξαγορές στούντιο βιντεοπαιχνιδιών) και στο cloud (Azure).

Πρόσφατα, σημείωσε σημαντική πρόοδο στην AI. Αυτό περιλαμβάνει κάποιες AI για καταναλωτές όπως το Bing Image Creator και τη βαθύτερη συνεργασία της με την OpenAI. Περιλαμβάνει επίσης πρωτοβουλίες πιο προσανατολισμένες στις επιχειρήσεις, όπως το Copilot για το Microsoft 365 και το Microsoft Research. Το Copilot τώρα υλοποιείται και σε λιανικές επιχειρήσεις και μικρότερες εταιρείες.

Η Microsoft έχει αποκτήσει φήμη ως τεχνολογικός γίγαντας προσανατολισμένος στις επιχειρήσεις, σε σύγκριση με πιο καταναλωτικά προσανατολισμένες εταιρείες όπως η Apple (AAPL ) ή το Facebook. Καθώς η AI γίνεται όλο και πιο σημαντική στα επιχειρηματικά μοντέλα, η προϋπάρχουσα παρουσία της Microsoft στο cloud και στις επιχειρηματικές υπηρεσίες θα της δώσει προβάδισμα στην υλοποίηση AI σε μεγάλη κλίμακα και στην απόκτηση πελατών.

Η συνεργασία/η ημι-ιδιοκτησία με ηγέτες στην ανάπτυξη AI όπως η OpenAI θα ενισχύσει επίσης τη θέση της Microsoft ως AI δυνάμει.

2. NVIDIA

NVDA Διάγραμμα τιμής

Η NVidia αρχικά κατείχε κυρίαρχη θέση στην αγορά καρτών γραφικών (GPU), κυρίως για υψηλής ποιότητας gaming και 3D μοντελοποίηση. Οι GPU μπορούν να εκτελούν υπολογισμούς παράλληλα και διαφέρουν σε αυτό το σημείο από τους επεξεργαστές (CPU).

Ο σχεδιασμός του υλικού της αποδείχθηκε πολύ κατάλληλος για εξόρυξη κρυπτονομισμάτων (ιδιαίτερα Bitcoin), δημιουργώντας ένα ισχυρό κύμα ανάπτυξης για την εταιρεία.

Τώρα, φαίνεται ότι είναι εξίσου ισχυρή για την εκπαίδευση AI, καθιστώντας το υλικό της Nvidia (NVDA ) τη ραχοκοκαλιά της επανάστασης AI.

Η NVidia αναπτύσσει τώρα προσαρμοσμένα συστήματα υπολογιστών για διαφορετικές εφαρμογές AI, από αυτόνομα οχήματα, μέχρι φωνητικές και συνομιλιακές AI, γενετικές AI ή κυβερνοασφάλεια.

Είναι πιθανό ότι η Nvidia δεν έχει τελειώσει να βρίσκει νέες περιπτώσεις χρήσης για το υλικό AI της, όπως δείχνει η έρευνα της Microsoft με το PNNL. Για παράδειγμα, η NVidia αναπτύσσει τώρα μια πλήρη σειρά λύσεων για την ανακάλυψη φαρμάκων, καθώς και ιατρικές συσκευές με AI και ιατρική απεικόνιση με υποβοήθηση AI.

Πηγή: NVidia

Είναι πιθανό ότι σε πολύ μακράς διάρκειας προοπτική, ανταγωνιστές της NVidia μπορεί να αρχίσουν να αμφισβητούν σοβαρά το αρχικό πλεονέκτημα της εταιρείας. Ωστόσο, για το προσιτό μέλλον, λαμβάνοντας υπόψη την έκρηξη της ζήτησης για υπολογιστική ισχύ αφιερωμένη στην AI, η NVidia θα παραμείνει ο κύριος προμηθευτής όλων των νέων κέντρων εκπαίδευσης AI που κατασκευάζονται.

3. CrowdStrike

CRWD Διάγραμμα τιμής

Όσο περισσότερο ο κόσμος βασίζεται στην AI και την ψηφιοποίηση, τόσο πιο σημαντική γίνεται η συνδεδεμένη κυβερνοασφάλεια.

Η CrowdStrike (CRWD ) ιδρύθηκε με προσέγγιση cloud-first στην κυβερνοασφάλεια. Η προσφορά της εταιρείας καλύπτει όλες τις κατηγορίες απειλών κυβερνοασφάλειας, και μεταξύ των πελατών της βρίσκονται 15 από τις 20 μεγαλύτερες τράπεζες των ΗΠΑ, 70 από τις εταιρείες Fortune 100 και 556 από τις Global 2000.

Η ανάπτυξη της CrowdStrike υποστηρίζεται από μια γρήγορα επεκτεινόμενη συνολική διευκρινή αγορά (TAM), η οποία αναμένεται να αυξηθεί κατά 13% CAGR τα επόμενα 2 χρόνια. Με πρόσθετες προσφορές που βρίσκονται ακόμη σε ανάπτυξη, η εταιρεία αναμένει να επεκτείνει το TAM της από τα τρέχοντα 76 δισεκατομμύρια δολάρια σε 158 δισεκατομμύρια δολάρια μέχρι το 2026.

Πηγή: CrowdStrike

Ένας άλλος παράγοντας ανάπτυξης για την CrowdStrike είναι η επέκταση των επιχειρήσεων με υπάρχοντες πελάτες. Όταν ένας πελάτης ξεκινά με τουλάχιστον ένα μοντέλο κυβερνοασφάλειας, συνήθως συνεχίζει να ενσωματώνει περισσότερα μοντέλα, με το 62% των πελατών να χρησιμοποιούν 5 ή περισσότερα μοντέλα και το 23% να χρησιμοποιούν 7 ή περισσότερα μοντέλα.

Αυτή η δυναμική δημιουργεί ένα περιβάλλον που επιτρέπει στην CrowdStrike να αυξάνει τα περιθώρια κέρδους της όταν η σχέση έχει αναπτυχθεί για αρκετό καιρό, με εντυπωσιακό συνολικό μικτό περιθώριο 78% το 2023.

Η μετάβαση στο cloud εξακολουθεί να είναι κυρίως σε εξέλιξη για πολλές μεγάλες εταιρείες. Αυτό δημιουργεί μια μεγάλη ευκαιρία για έναν ηγέτη της αγοράς όπως η CrowdStrike να τους βοηθήσει να μεταβούν τη στρατηγική κυβερνοασφάλειας στο cloud επίσης.

Η εταιρεία θα πρέπει επίσης να δει την διεθνή της δραστηριότητα να αυξάνεται, με ακόμη τρία τέταρτα των εταιρειών Global 2000 να μην έχουν ενταχθεί ακόμη στο οικοσύστημα της CrowdStrike.

Η προσέγγιση cloud-first της CrowdStrike της επέτρεψε να κερδίσει μερίδιο αγοράς γρήγορα και τώρα αντιγράφεται από όλες τις μεγάλες εταιρείες κυβερνοασφάλειας. Έτσι, οι επενδυτές θα θέλουν να δώσουν προσοχή στην ικανότητα της CrowdStrike να διατηρήσει το πλεονέκτημά της παρά τις αυξανόμενες αντιπαραθέσεις από τη βιομηχανία.

4. Adobe

ADBE Διάγραμμα τιμής

Κατά την πρώτη ματιά, η εμφάνιση της γενετικής AI, ειδικά η δημιουργία εικόνων, θα μπορούσε να αποτελεί απειλή για τον κάτοχο σημαντικού λογισμικού γραφικών όπως το Photoshop, InDesign, After Effects, Lightroom ή Illustrator.

Αυτό θα ήταν να ξεχάσουμε ότι η Adobe (ADBE ) ήταν πρωτοπόρος στη βιομηχανία λογισμικού, ως μία από τις πρώτες που μεταπήδησε σε μοντέλο συνδρομής βασισμένο στο cloud, όταν η πρακτική της βιομηχανίας ήταν η πώληση της τελευταίας έκδοσης λογισμικού για χιλιάδες δολάρια.

Το ίδιο ισχύει και για την AI, με το Adobe Firefly. Αυτό το εργαλείο δημιουργίας εικόνων AI ενσωματώνεται πλέον άψογα με τα άλλα προγράμματα λογισμικού της Adobe, επιτρέποντάς σας να δημιουργείτε εικόνες από απλό κείμενο, να δημιουργείτε πλούσια εικόνα από ένα απλό 3D μοντέλο, ή ακόμη και «γενετική συμπλήρωση», επεκτείνοντας μια υπάρχουσα εικόνα με φωτορεαλιστικό τρόπο.

Πηγή: Adobe

Με την AI να μειώνει το φράγμα δεξιοτήτων που απαιτείται για τη δημιουργία λογοτύπων, περιοδικών ή για την τροποποίηση εικόνων, η προσφορά και η ζήτηση για αυθεντικό περιεχόμενο πιθανότατα θα αυξηθούν.

Αποδεχόμενη την αλλαγή και την AI, η Adobe πιθανότατα θα διατηρήσει τη θέση της ως κορυφαίο πακέτο λογισμικού για όλα τα οπτικά δημιουργικά έργα, και ακόμη θα επεκτείνει περαιτέρω την εμβέλειά της.

5. Upstart

UPST Διάγραμμα τιμής

Η Upstart (UPST ) είναι μια αγορά δανεισμού που λειτουργεί με AI, λανσαρισμένη πολύ πριν η AI γίνει κέντρο της τεχνολογικής συζήτησης το 2023.

Η διαδικασία της Upstart είναι κυρίως αυτοματοποιημένη, με το 87% των χορηγούμενων δανείων να αποφασίζεται πλήρως μέσω αυτοματοποίησης.

Η ιδέα πίσω από την Upstart είναι ότι το υπάρχον σύστημα πιστωτικού σκορ είναι αναποτελεσματικό και ξεπερασμένο. Με πολύ περισσότερα διαθέσιμα δεδομένα, είναι δυνατόν να εντοπιστούν καλύτερα οι κίνδυνοι δανεισμού και, ως αποτέλεσμα, να προσφερθούν φθηνότερα δάνεια σε μεγάλο μέρος του πληθυσμού.

Αυτό σημαίνει ότι η μέθοδος της Upstart μπορεί να εντοπίσει άτομα με υψηλούς FICO δείκτες αλλά που, στην πράξη, έχουν υψηλό κίνδυνο αθέτησης των δανείων τους. Και αντίστροφα, άτομα με χαμηλούς FICO δείκτες δεν είναι τόσο πιθανό να αθετήσουν.

Πηγή: Upstart

Η συνολική διευκρινή αγορά είναι μεγάλη, με ετήσια αξία 4 τρισεκατομμυρίων δολαρίων που προέρχεται από προσωπικά, αυτοκίνητα, στεγαστικά και μικρές επιχειρηματικές δανειώσεις.

Λόγω της αύξησης των επιτοκίων και της μειωμένης ζήτησης για δάνεια, η Upstart παρουσίασε κάποιες πτώσεις στα έσοδα και ζημίες το 2023, μαζί με το υπόλοιπο του κλάδου της.

Αυτή η προσωρινή μείωση του όγκου δανείων δεν έχει επιβραδύνει την επέκταση του δικτύου εταίρων δανεισμού της Upstart, με 100 τράπεζες, αυξημένες από 71 το προηγούμενο έτος και μόνο 10 στο IPO το 2020, και 61 αντιπροσωπείες, από 39 στις αρχές του 2023.

Οι επενδυτές στην Upstart θα πρέπει να ελπίζουν ότι το αυξανόμενο δίκτυο αποτελεί σαφή ένδειξη της αξίας της τεχνολογίας Upstart και του δυναμικού της να γίνει μεγάλος δημιουργός δανείων στην αμερικανική αγορά.

Η συνεχής πρόοδος στους υπολογισμούς AI μπορεί επίσης να της δώσει πλεονέκτημα σε μια πολύ ανταγωνιστική αγορά αξιολόγησης δανείων.