Επένδυση στα Επιτεύγματα του Βραβείου Νόμπελ – Τεχνητά Νευρωνικά Δίκτυα, Η Βάση της ΤΝ

Ιστορία Βραβείου Νόμπελ

Το Βραβείο Νόμπελ είναι το πιο αξιόλογο βραβείο στον επιστημονικό κόσμο. Δημιουργήθηκε σύμφωνα με τη διαθήκη του κ. Alfred Nobel για να απονέμει ένα βραβείο “σε εκείνους που, κατά το προηγούμενο έτος, έφεραν το μεγαλύτερο όφελος στην ανθρωπότητα” στη φυσική, τη χημεία, τη φυσιολογία ή ιατρική, τη λογοτεχνία και την ειρήνη.

Ένα έκτο βραβείο δημιουργήθηκε αργότερα για τις οικονομικές επιστήμες από την Σουηδική κεντρική τράπεζα, επίσημα ονομαζόμενο Βραβείο στις Οικονομικές Επιστήμες, συχνά γνωστότερο ως Βραβείο Νόμπελ στην Οικονομία.

Η απόφαση για το ποιος θα λάβει το βραβείο ανήκει σε πολλαπλά σουηδικά ακαδημαϊκά ιδρύματα.

Ανησυχίες για την Κληρονομιά

Η απόφαση να δημιουργηθεί το Βραβείο Νόμπελ ήρθε στον Alfred Nobel μετά την ανάγνωση του δικού του νεκρολογίου, μετά από ένα λάθος μιας γαλλικής εφημερίδας που παρεξήγησε τα νέα για τον θάνατο του αδερφού του. Τίτλος «Ο Έμπορος του Θανάτου Πέθανε», το γαλλικό άρθρο χλευάζει τον Nobel για την εφεύρεση των αεροαποστειρωμένων εκρηκτικών, από τα οποία η δυναμίτη ήταν η πιο διάσημη.

Οι εφευρέσεις του είχαν τεράστια επιρροή στη διαμόρφωση του σύγχρονου πολέμου, και ο Nobel αγόρασε ένα τεράστιο εργοστάσιο σιδήρου και χάλυβα για να το μετατρέψει σε σημαντικό κατασκευαστή όπλων. Ως πρώτα χημικός, μηχανικός και εφευρέτης, ο Nobel συνειδητοποίησε ότι δεν ήθελε η κληρονομιά του να είναι αυτή ενός ανθρώπου που θυμούνται για το ότι κέρδισε μια περιουσία από τον πόλεμο και το θάνατο των άλλων.

Βραβείο Νόμπελ

Σήμερα, η περιουσία του Nobel φυλάσσεται σε ένα ταμείο που επενδύεται για να παράγει εισόδημα που χρηματοδοτεί το Ίδρυμα Νόμπελ και το χρυσό μετάλλιο με πράσινη χρυσή επικάλυψη, το δίπλωμα και το χρηματικό βραβείο των 11 εκατομμυρίων SEK (περίπου 1 εκατομμύριο δολάρια) που απονέμεται στους νικητές.

Πηγή: Britannica

Συχνά, τα χρήματα του Βραβείου Νόμπελ διαιρούνται μεταξύ πολλών νικητών, ειδικά σε επιστημονικούς τομείς όπου είναι σύνηθες για 2 ή 3 κορυφαίες προσωπικότητες να συμβάλλουν μαζί ή παράλληλα σε μια επαναστατική ανακάλυψη.

Βραβείο Νόμπελ στην Πληροφορική;

Συνήθως, τα Βραβεία Νόμπελ στη Φυσική απονέμονται για ανακαλύψεις σχετικά με τη θεμελιώδη φύση του Σύμπαντος, όπως μαύρες τρύπες (2020) ή εξωπλανήτες (2019). Μπορούν επίσης να κερδηθούν σημαντικές προόδους στις υλικές επιστήμες, όπως κβαντικά κουκκίδες (2023), λαζέρες (2018), ή LED (2014).

Αλλά οι νικητές αυτού του έτους είναι λίγο πιο ασυνήθιστοι, με έμφαση στην ανάλυση δεδομένων. Πιο συγκεκριμένα, απονεμήθηκε στον Geoffrey Hinton και τον John Hopfield για τη συνεισφορά τους στη δημιουργία τεχνητών νευρωνικών δικτύων.

Πηγή: Nobel Prize

Αυτό είναι ένα πολύ σύγχρονο Βραβείο Νόμπελ, με τα νευρωνικά δίκτυα ως την κεντρική τεχνολογία που ευθύνεται για τις περισσότερες πρόσφατες προόδους στην ΤΝ, συμπεριλαμβανομένων των LLM, αλλά και της μηχανικής όρασης (συμπεριλαμβανομένων των αυτόνομων οχημάτων) και των τεχνικών ΤΝ που χρησιμοποιούνται σε νέες ανακαλύψεις φαρμάκων, υλικές επιστήμες κ.λπ.

Τι Είναι τα Νευρωνικά Δίκτυα;

Τσιπ έναντι Νευρώνων

Όταν εφευρέθηκαν οι υπολογιστές, η ελπίδα γρήγορα μεγάλωσε ότι θα μπορούσαν να αυξήσουν τη χωρητικότητά τους ώστε να αναπτύξουν ανθρώπινες διανοητικές ικανότητες. Αλλά στην πράξη, ενώ οι υπολογιστές έγιναν όλο και πιο εντυπωσιακοί στον υπολογισμό και στη δημιουργία εικόνων, παρέμειναν «αμαθοί» όταν πρόκειται για πραγματική λογική.

Σε μεγάλο μέρος, αυτό οφείλεται στο ότι ένα τσιπ υπολογιστή διαφέρει πολύ από τα νευρώνια που σχηματίζουν τον εγκέφαλο. Ενώ ένα πυριτίου τσιπ μπορεί να εκτελεί πολύ γρήγορα εκατομμύρια δυαδικούς υπολογισμούς (0 ή 1), τα νευρώνια είναι περισσότερο ένα αναλογικό σήμα, με πολλή πολυπλοκότητα και «θόρυβο» στο σήμα.

Έτσι, οι υπολογιστές χρειάζονται ακριβή προγραμματισμό για να εκτελέσουν έναν υπολογισμό· δεν μπορούν πραγματικά να «μάθουν» τίποτα και ακολουθούν απλώς τις κωδικοποιημένες οδηγίες κατά γράμμα.

Τα νευρωνικά δίκτυα είναι διαφορετικά. Μπορούν να αντιμετωπίζουν προβλήματα που είναι πολύ ασαφή και πολύπλοκα για να διαχειριστούν με βήμα‑βήμα οδηγίες. Ένα παράδειγμα είναι η ερμηνεία μιας εικόνας για την ταυτοποίηση των αντικειμένων σε αυτήν, κάτι που οι υπολογιστές είναι φημισμένα ότι αποτυγχάνουν, γι’ αυτό το τεστ «Είστε άνθρωπος» σε ορισμένες ιστοσελίδες.

Πηγή: Google

Πώς Λειτουργούν τα Νευρώνια

Τα νευρώνια δεν ακολουθούν αυστηρό προπρογραμματισμένο μοτίβο για το μεγαλύτερο μέρος. Αντίθετα, λειτουργούν μέσω ενός βρόχου ανάδρασης ενίσχυσης των προτύπων σύνδεσης.

Η λειτουργία είναι ότι τα νευρώνια ενδυναμώνουν τη σύνδεση με άλλα νευρώνια όταν συνεργάζονται. Αυτό δημιούργησε την ιδέα να προσομοιωθεί σε υπολογιστή πώς λειτουργούν τα νευρώνια, με πολλαπλούς διασυνδεδεμένους κόμβους.

Οι συνδέσεις μεταξύ αυτών των κόμβων μπορούν να ενισχυθούν ή να αδυνατίσουν, σχηματίζοντας μια διαδικασία που ονομάζεται «εκπαίδευση», η οποία παραμένει σήμερα στον πυρήνα της δημιουργίας των πιο πρόσφατων ΤΝ.

Πηγή: Nobel Prize

Η ιδέα φαινόταν υποσχόμενη, αλλά για κάποιο διάστημα η απαιτούμενη υπολογιστική ισχύς φαινόταν απαγορευτικά υψηλή, ειδικά για τους σχετικά πρωτόγονους υπολογιστές της δεκαετίας του 1960 και του 1970.

Πώς Λειτουργεί η Ανθρώπινη Μνήμη

Όταν θυμόμαστε ή αναγνωρίζουμε κάτι, δεν κάνουμε έναν μαθηματικά τέλειο υπολογισμό του χρώματος κάθε pixel μιας εικόνας. Αντίθετα, επαναλαμβάνουμε από μερικά δεδομένα, προσπαθούμε να δημιουργήσουμε μια σύνδεση με κάτι ήδη γνωστό και εντοπίζουμε ένα αναγνωρίσιμο μοτίβο.

Ο φυσικός John Hopfield εφηύρε το 1982 το δίκτυο Hopfield, μια μέθοδο αποθήκευσης και αναδημιουργίας μοτίβων.

Ξεκινώντας με τη Φυσική

Άρχισε παρατηρώντας ότι οι συλλογικές ιδιότητες σε πολλά φυσικά συστήματα είναι ανθεκτικές σε αλλαγές στις λεπτομέρειες του μοντέλου. Ιδιαίτερα τα μαγνητικά υλικά αποκτούν τις ειδικές τους χαρακτηριστικές ιδιότητες χάρη στο ατομικό τους σπιν – μια ιδιότητα που κάνει κάθε άτομο μικρό μαγνήτη.

Η ιδιότητα του μεγαλύτερου υλικού προέρχεται από το σπιν κάθε ατόμου που τροποποιεί τα γύρω του, οδηγώντας όλα τα σπιν να καταλήξουν στην ίδια κατεύθυνση. Το μοντέλο του περιγράφει το φαινόμενο χρησιμοποιώντας διαφορετικούς κόμβους που επηρεάζουν ο ένας τον άλλο.

Ανάλογα, μια εικόνα μπορεί να καταγραφεί ως ένα πλέγμα κόμβων, καθένας με τιμή 0 ή 1 (μαύρο ή λευκό).

Αν συγκρίνετε μια παραμορφωμένη εικόνα με αυτό το αρχικό πλέγμα, μπορείτε να υπολογίσετε πόσο διαφέρει κάθε κόμβος της παραμορφωμένης εικόνας. Αλλά «σπρώχνοντας» τον παραμορφωμένο κόμβο πιο κοντά σε εκείνο που έχει νόημα, όπως η κλίση σε ένα προ-καθορισμένο τοπίο, μπορείτε συχνά να αναδημιουργήσετε την αρχική εικόνα παρά τις παραμορφώσεις.

Έτσι, ο Hopfield δημιούργησε ένα πρωτόγονο, αλλά λειτουργικό για διόρθωση σφαλμάτων ή ολοκλήρωση μοτίβου, κάτι που οι υπολογιστές συνήθως δεν μπορούν, καθώς είναι δεσμευμένοι από τον αυστηρό προγραμματισμό τους.

Πηγή: Nobel Prize

Με αρκετή υπολογιστική ισχύ, κάθε κόμβος μπορεί να αποθηκεύσει οποιαδήποτε τιμή, όχι μόνο μαύρο & λευκό. Για παράδειγμα, μπορεί να είναι ένας αριθμός που αντανακλά ακριβές χρώμα, όπως δημιουργούνται ψηφιακά οι εικόνες.

Μπορεί επίσης να αντανακλά όλα τα είδη δεδομένων, όχι μόνο εικόνες, δημιουργώντας ένα λειτουργικό μοντέλο για μια τεχνητή συσχετιστική μνήμη.

Χρήση Συσχέτισης για Κατανόηση

Ακόμη και απλά ζώα ή μικρά παιδιά μπορούν να αποδώσουν εξαιρετικά καλύτερα από προχωρημένους υπολογιστές στην αναγνώριση μοτίβων, όπως η ταυτοποίηση εικόνας που περιέχει σκύλο, γάτα ή σκίουρο. Αυτό γίνεται επίσης χωρίς καμία ανώτερη κατανόηση εννοιών όπως ζώα, θηλαστικά ή είδη.

Και ίσως πιο σημαντικό, μπορεί να επιτευχθεί με πολύ περιορισμένα αρχικά δεδομένα και εμπειρία, αντί για έναν κατάλογο δισεκατομμυρίων εικόνων αυτών των ζώων που καλύπτουν κάθε πιθανή στάση, χρώμα, σχήμα ή μορφή.

Αναλογικό αντί για Δυαδικό

Επειδή οι κόμβοι μπορούν να περιέχουν οποιαδήποτε δεδομένα, μπορούν να χρησιμοποιηθούν για συνεχή δεδομένα, όπως φαινόμενα στο χρόνο.

Επιτρέπει επίσης αποτελεσματικό υπολογισμό αλληλεπιδράσεων μεταξύ σύνθετων συστημάτων, όπου η απάντηση σε ένα ερέθισμα είναι πιο στατιστική παρά δυαδική ναι/όχι. Αυτό εξοικονομεί τόσο ενέργεια όσο και υπολογιστική ισχύ σε σύγκριση με την παραδοσιακή υπολογιστική για τέτοιου είδους προβλήματα.

Και προσθέτοντας περισσότερους κόμβους, μπορεί να προστεθεί προοδευτικά περισσότερη πολυπλοκότητα στα μοντέλα.

Η μηχανή Boltzmann

Ο Geoffrey Hinton, μαζί με τον Terrence Sejnowski και άλλους συνεργάτες, εργάστηκε στη βελτίωση και επέκταση του εννοιώματος του μοντέλου Hopfield.

Ο Hinton χρησιμοποίησε ιδέες από τη στατιστική φυσική, έναν κλάδο που περιγράφει πράγματα με πολλά στοιχεία όπως αέρια ή υγρά. Καθώς τα ατομικά συστατικά είναι πάρα πολλά, ο μόνος τρόπος να μοντελοποιηθεί η συμπεριφορά τους είναι μέσω στατιστικών προσδοκιών, αντί για «σκληρό» φυσικό υπολογισμό της θερμοκρασίας, θέσης, ταχύτητας κ.λπ. κάθε μορίου.

Για να προσθέσει τέτοια ικανότητα στο μοντέλο Hopfield, πρόσθεσε ένα επιπλέον «κρυφό» στρώμα κόμβων μεταξύ του ορατού που προηγουμένως εκτελούσε μόνο τον υπολογισμό. Ενώ είναι αόρατο, οι κρυφοί κόμβοι συμβάλλουν στα επίπεδα ενέργειας των άλλων κόμβων και του συστήματος συνολικά.

Πηγή: Nobel Prize

Ονομάσαν αυτή την έννοια μηχανή Boltzmann, προς τιμήν του Ludwig Boltzmann, φυσικού του 19^ου αιώνα που ανέπτυξε τη στατιστική μηχανική, τη βάση της στατιστικής φυσικής.

Πηγή: Wikipedia

Περιορισμένη Μηχανή Boltzmann

Στο αρχικό της σχέδιο, η μηχανή Boltzmann ήταν πολύπλοκη ώστε να μην είναι πρακτικά χρήσιμη. Αναπτύχθηκε μια απλοποιημένη έκδοση, όπου δεν υπάρχουν συνδέσεις μεταξύ κόμβων του ίδιου στρώματος.

Πηγή: Nobel Prize

Αυτό έκανε τη μηχανή πολύ πιο αποδοτική, ενώ παρέμενε ικανή να εκτελεί σύνθετη αναγνώριση μοτίβων.

Μια επιπλέον βελτίωση ήταν η διαδικασία «προ‑εκπαίδευσης» του νευρωνικού δικτύου, με μια σειρά μηχανών Boltzmann σε στρώματα, ένα πάνω από το άλλο.

Αυτό βελτίωσε το αρχικό σημείο του νευρωνικού δικτύου, ενισχύοντας τις ικανότητές του στην αναγνώριση μοτίβων.

Επίδραση στα Σύγχρονα Νευρωνικά Δίκτυα

Τanto ο Hopfield όσο και ο Hinton έχουν χτίσει τις θεμελιώδεις ιδέες πίσω από τα νευρωνικά δίκτυα, καθώς και τα μαθηματικά και τα εργαλεία για τη χρήση τους.

Ωστόσο, θα χρειαστούν μέχρι τη δεκαετία του 2010 για να αυξηθεί η υπολογιστική ισχύς ώστε τα νευρωνικά δίκτυα να γίνουν μεγάλης σημασίας στη γενική συνείδηση.

Επειδή η σύγχρονη έκδοση της μηχανής Boltzmann χρησιμοποιεί τόσα πολλά διασυνδεδεμένα στρώματα, ονομάζονται «βαθύ» νευρωνικά δίκτυα. Για να δώσουμε μια προοπτική στην εξέλιξη του πεδίου, ο Hopfield χρησιμοποίησε μοντέλο 30 κόμβων στη δημοσίευσή του του 1982, δημιουργώντας 435 πιθανές συνδέσεις. Αυτό οδήγησε σε περίπου 500 παραμέτρους που έπρεπε να παρακολουθούνται.

Τότε, οι υπολογιστές δεν μπορούσαν να χειριστούν ένα υποθετικό μοντέλο 100 κόμβων. Σήμερα, τα LLM (Μεγάλα Γλωσσικά Μοντέλα), η βάση εργαλείων όπως το ChatGPT, χρησιμοποιούν τρισεκατομμύριο παραμέτρους και αυξάνουν συνεχώς τις ανάγκες υπολογιστικής ισχύος.

Εφαρμογές

Βασική Φυσική

Όπως πολλά άλλα Βραβεία Νόμπελ στη Φυσική, τα νευρωνικά δίκτυα είναι μια ανακάλυψη που ενισχύει άλλες νέες ανακαλύψεις.

Για παράδειγμα, έχουν χρησιμοποιηθεί για να φιλτράρουν και να επεξεργαστούν τα τεράστια σύνολα δεδομένων που απαιτούνται για την ανακάλυψη του σωματιδίου Higgs (ο Peter Higgs έλαβε το Βραβείο Νόμπελ στη Φυσική το 2013). Έχουν επίσης χρησιμοποιηθεί από άλλους νικητές του Νόμπελ, όπως στις μετρήσεις των κυματισμών της βαρύτητας από συγκρουόμενες μαύρες τρύπες ή στην αναζήτηση εξωπλανητών.

Εφαρμοσμένη Φυσική

Τα πραγματικά υλικά και φαινόμενα είναι συχνά πολύπλοκα για να μοντελοποιηθούν μόνο με ένα μοντέλο αιτίας‑αποτελέσματος σε ατομικό επίπεδο.

Σε σύγκριση, οι βάσεις νευρωνικών δικτύων στη στατιστική φυσική τους επιτρέπουν να είναι πολύ πιο ευέλικτες, και είτε να δίνουν άμεσα τη σωστή απάντηση είτε να «δείχνουν» στους επιστήμονες τη σωστή κατεύθυνση.

Αυτό εφαρμόζεται πλέον ευρέως από κορυφαία ερευνητικά ιδρύματα, για παράδειγμα για υπολογισμό της δομής και λειτουργίας των πρωτεϊνών, ή για την εκτίμηση ποιες νέες εκδόσεις υλικών μπορεί να έχουν τις καλύτερες ιδιότητες για πιο αποδοτικές ηλιακές κυψέλες ή μπαταρίες.

LLM

Φυσικά, καμία συζήτηση για τις εφαρμογές των νευρωνικών δικτύων δεν είναι πλήρης χωρίς να αναφερθούμε στα LLM, τον πυρήνα του τρεμούχου ενθουσιασμού για ΤΝ τα τελευταία χρόνια από την κυκλοφορία του ChatGPT το 2022.

Σε μεγάλο μέρος, αυτό οφείλεται στο ότι η παραγωγή γλώσσας που μοιάζει με ανθρώπινη, η «αίσθηση» ενός πραγματικού ατόμου, θεωρούνταν για πολύ καιρό το τεστ με το οποίο θα μπορούσαμε να κρίνουμε αν μια ΤΝ είναι πραγματικά ευφυής (το Τεστ Turing).

Η πραγματική νοημοσύνη των LLM είναι έντονα αμφιλεγόμενη, από την άποψη των ενθουσιωδών της ΤΝ (ή των προφητών του αποσυμπτώματος) που αναμένουν αληθινή νοημοσύνη και τεχνολογική μοναδικότητα σύντομα, μέχρι εκείνους που τα βλέπουν ως απλό κόλπο που δεν μπορεί να προσφέρει χρήσιμα αποτελέσματα.

Παρόλα αυτά, έχουν ευρύ φάσμα εφαρμογών, ειδικά όπου μπορούν να εκτελούν φθηνές εργασίες που σήμερα ανήκουν σε πολύ πιο ακριβά ανθρώπους. Αυτό ισχύει ιδιαίτερα για κυρίως λεκτικές εργασίες, όπως:

• Chatbots και εξυπηρέτηση πελατών.
• Ανάπτυξη και επαλήθευση κώδικα.
• Μετάφραση και τοπικοποίηση.
• Έρευνα αγοράς.
• Αναζήτηση και απάντηση σε ερωτήσεις.
• Ανάλυση μεγάλων εγγράφων και συνόλων δεδομένων.
• Εκπαίδευση

Δίπλα στα LLM, η δημιουργία εικόνων μπορεί επίσης να δημιουργήσει ένα νέο κύμα εικόνων στην ψηφιακή μας εποχή, τόσο για χρήσιμους όσο και για πιθανώς κακόβουλους σκοπούς (πληροφοριακή παραπληροφόρηση, εκβιασμός κ.λπ.).

Μηχανική & Υπολογιστική Όραση

Καθώς η αρχική εφαρμογή των νευρωνικών δικτύων πίσω στον Hopfield, είναι λογικό ότι η αναγνώριση εικόνας είναι τώρα μια βασική πιθανή εφαρμογή των νευρωνικών δικτύων.

Μερικές φορές, η μηχανική όραση χρησιμοποιείται για να περιγράψει περιορισμένη ταυτοποίηση σε πιο ελεγχόμενο βιομηχανικό περιβάλλον, ενώ η υπολογιστική όραση στοχεύει σε πιο ανθρώπινη όραση.

Πηγή: Solomon

Αυτοοδηγούμενα

Ένα σημαντικό υπο‑τμήμα αυτού του πεδίου είναι τα αυτοοδηγούμενα οχήματα, καθώς τελικά, οι ανθρώπινοι οδηγοί χρησιμοποιούν την οπτική τους αναγνώριση μοτίβων για να οδηγούν με ασφάλεια τα πολυτόνια οχήματά τους.

Προς το παρόν, τα περισσότερα συστήματα αυτοοδήγησης βασίζονται σε συνδυασμό καμερών και άλλων αισθητήρων για να παραμένουν ασφαλή (όπως ραντάρ και LIDAR), με εξαίρεση την Tesla (TSLA ) που εστιάζει αποκλειστικά στην ανθρώπινη‑όπως μηχανική όραση (χάρη σε πολύ μεγαλύτερο σύνολο δεδομένων, που παρέχεται από το στόλο των αυτοκινήτων Tesla).

Αρκετά δεδομένα εκπαίδευσης, χειροκίνητη σήμανση εκατομμυρίων σύνθετων πραγματικών καταστάσεων, και επίσης προσαρμοσμένο υλικό που μειώνει την κατανάλωση και επιταχύνει τους χρόνους αντίδρασης, πιθανότατα θα είναι ο νικητής για την πρώτη εταιρεία που θα κερδίσει το τρισεκατομμυριούχο βραβείο για την ανάπτυξη της πρώτης αληθινής επιπέδου 5 πλήρους αυτοματισμού οδήγησης.

Ιατρική

Πολλές διαγνώσεις στην ιατρική δεν εξαρτώνται από εργαστηριακές εξετάσεις αλλά από την χειροκίνητη ερμηνεία από έναν εκπαιδευμένο ειδικό των εικόνων που παράγονται από ακτινογραφίες, MRI, σαρωτές κ.λπ.

Αυτό μπορεί να πάρει σε έναν ειδικό χρόνια για να γίνει πραγματικά εξειδικευμένος σε αυτήν την εργασία, η οποία είναι τόσο τέχνη όσο και επιστήμη. Αντίθετα, η ΤΝ μπορεί φθηνά και σταθερά να αναλύσει εκατομμύρια ιατρικές εικόνες με προβλέψιμα αποτελέσματα.

Μπορεί ακόμη να χρησιμοποιηθεί για διάγνωση καταστάσεων που προηγουμένως δεν θεωρούνταν δυνατόν να εντοπιστούν με σαρώσεις, όπως ADHD.

Και ίσως λιγότερο προφανές, η ΤΝ με νευρωνικά δίκτυα μπορεί επίσης να βοηθήσει τους χειρουργούς, όπως η γαλλική Pixee Medical, επιτρέποντας 3D παρακολούθηση με smartphone ή έξυπνα γυαλιά για ορθοπεδική χειρουργική.

Η ΤΝ μπορεί επίσης να αυτοματοποιήσει τη σημαντική διαδικασία καταγραφής της χειρουργικής επέμβασης, ειδικά για επαναλαμβανόμενες και επιρρεπείς σε σφάλματα εργασίες. Καθώς οι χειρουργοί ξεχνούν εργαλεία μέσα στον ασθενή σε περίπου 1500 χειρουργικές επεμβάσεις ετησίως στις ΗΠΑ, η υπολογιστική όραση θα μπορούσε εξίσου να βοηθήσει στην πλήρη εξάλειψη αυτού του προβλήματος, παρακολουθώντας αυτόματα όλα όσα χρησιμοποιούνται κατά τη διάρκεια της επέμβασης.

Βιοέρευνα

Από την ανακάλυψη φαρμάκων μέχρι την πρόβλεψη της αναδίπλωσης πρωτεϊνών, τα νευρωνικά δίκτυα είναι ισχυρά εργαλεία για ερευνητές στην ιατρική και τη βιολογία.

Ήδη, αυτό επαναπροσδιορίζει τον τρόπο με τον οποίο αναπτύσσονται νέες θεραπείες, όπως συζητήσαμε στο «Top 5 AI & Digital Biotech Companies». Μπορεί επίσης να συμβάλει σε πιο συνεπή δεδομένα, που είναι συχνά πρόβλημα στις βιολογικές επιστήμες, όπου πολλά δεδομένα δημιουργούνται ακόμη με χειροκίνητη εισαγωγή, όπως η μέτρηση των ερυθροκυττάρων.

Αυτό μπορεί να λυθεί με την ΤΝ υπολογιστική όραση, με προϊόντα όπως το Shonit από τη Sigtuple που τώρα μπορεί να παρέχει αξιόπιστες και τυποποιημένες μετρήσεις όλων των τύπων ερυθροκυττάρων.

Πηγή: Sigtuple

Βιομηχανία & Παραγωγή

Από τον έλεγχο ποιότητας & επιθεωρήσεις εξαρτημάτων, μέχρι πλήρως αυτοματοποιημένη συναρμολόγηση, η μηχανική/υπολογιστική όραση μπορεί να κάνει τη γραμμή παραγωγής πιο ευέλικτη και αντιδραστική σε οποιαδήποτε αλλαγή στη διαδικασία παραγωγής.

Αυτό μπορεί τόσο να μειώσει το κόστος μειώνοντας την ανάγκη ανθρώπινης παρέμβασης, όσο και να βελτιώσει την ποιότητα και την ταχύτητα παραγωγής.

Ρομποτική

Καθώς η ρομποτική έφυγε από το εργοστασιακό πάτωμα για να αλληλεπιδράσει με πιο σύνθετα καθημερινά περιβάλλοντα, χρειάζεται γρήγορα να ενισχύσει τις ικανότητες αναγνώρισης μοτίβων.

Από ρομπότ‑σκύλους μέχρι ρομπότ παράδοσης, και ίσως σύντομα ανθρωποειδή προσωπικούς βοηθούς, τα ρομπότ ενσωματώνουν ολοένα και περισσότερο την ΤΝ με νευρωνικά δίκτυα για να μας βοηθήσουν σε καθημερινές εργασίες.

Γεωργία

Τα ρομπότ στη γεωργία χρησιμοποιούν όλο και περισσότερο τη μηχανική όραση για να εντοπίζουν ζιζάνια ή ώριφα φρούτα και αντικαθιστούν την κουραστική χειροκίνητη εργασία ή τα καταστροφικά μεγάλης κλίμακας μηχανήματα.

Αυτό ίσως να μην επηρεάσει μόνο τη γεωργία και τα συστήματα τροφίμων μας, αλλά και την οικολογική αποκατάσταση, με ισχυρές επιδράσεις στην υγεία του εδάφους, την εμφάνιση νέων γεωργικών πρακτικών, και ίσως καλύτερα εργαλεία για εκδάσωση και διαχείριση εισβολικών ειδών.

Στρατιωτικό

Παρά το γεγονός ότι αυτό εγείρει πολύπλοκες ηθικές ερωτήσεις, είναι κανόνας της ιστορίας ότι κάθε νέα τεχνολογία διερευνάται για το ενδεχόμενο να δώσει στρατιωτικό πλεονέκτημα στον εχθρό.

Και όπως πάντα θα υπάρχει ένα έθνος που το κάνει, τα άλλα πρέπει να το ακολουθήσουν επίσης.

Η ΤΝ χρησιμοποιείται ήδη για την ταυτοποίηση στόχων και την ανάλυση δεδομένων στο πεδίο της μάχης, συμπεριλαμβανομένων των τρεχουσών πραγματικών πολέμων όπως η Ουκρανία και η Γάζα, κάτι που συζητήσαμε στο «Top 10 Drones And Drone Warfare Stocks».

Ανάμεσα στις πιο ανησυχητικές πρόσφατες εξελίξεις, μπορούμε να αναφέρουμε την ανάπτυξη της τελευταίας έκδοσης του ρωσικού Lancet, ενός αυτό-εξοντωτικού drone/πυραυλικού που χρησιμοποιεί ΤΝ μηχανική όραση για να εντοπίζει και να στοχεύει εχθρικά οχήματα στο τελευταίο τμήμα της πορείας του.

Η ανάθεση της απόφασης θανάτου σε ένα αυτοματοποιημένο σύστημα είναι προφανώς ένα πολύ επικίνδυνο βήμα, που φαίνεται σαν υλικό επιστημονικής φαντασίας πριν από μια επανάσταση της ΤΝ εναντίον της ανθρωπότητας.

Έτσι, ελπίζουμε ότι οι στρατιωτικές δυνάμεις παγκοσμίως θα καταλήξουν σε μια κατανόηση του τι τεχνολογία μπορεί ή δεν μπορεί να αναπτυχθεί, παρόμοια με τη διαχείριση των πυρηνικών όπλων.

Κίνδυνοι Νευρωνικών Δικτύων

Αξίζει να σημειωθεί ότι ο Geoffrey Hinton, ο νικητής του φετινού Βραβείου Νόμπελ είναι επίσης πολύ ανήσυχος για την πρόοδο της τεχνολογίας ΤΝ.

Μετά το Βραβείο Turing το 2018 και το Βραβείο Νόμπελ το 2024, είναι πιθανό η προειδοποίησή του να ακουστεί ακόμη πιο δυνατά από ποτέ.

«Αλλάζω ξαφνικά τη θέση μου σχετικά με το αν αυτά τα πράγματα θα είναι πιο έξυπνα από εμάς.

Νομίζω ότι είναι πολύ κοντά σε αυτό τώρα και θα είναι πολύ πιο έξυπνα από εμάς στο μέλλον. Πώς θα το επιβιώσουμε;

Geoffrey Hinton

Θα μας οδηγήσει η ενθουσιασμός για την ΤΝ σε ένα μέλλον όπως στις ταινίες Matrix ή Terminator; Ίσως όχι, αλλά καθώς τα υπερ‑σύνθετα νευρωνικά δίκτυα είναι ουσιαστικά ένα μαύρο κουτί, οι ίδιοι δημιουργοί τους δεν κατανοούν πλήρως ότι πιθανώς χρειάζονται ηθικοί και κανόνες ασφαλείας πριν μια δυσλειτουργική ΤΝ προκαλέσει ανεπανόρθωτη ζημιά.

Επένδυση στα Νευρωνικά Δίκτυα

Τα νευρωνικά δίκτυα γίνονται πλέον σχεδόν συνώνυμα της τεχνολογίας ΤΝ στο σύνολό της, καθώς υπάρχει μια αυξανόμενη συγχώνευση των κλάδων στον τομέα.

Καθώς τα νευρωνικά δίκτυα απαιτούν μεγάλα σύνολα δεδομένων για προ‑εκπαίδευση και εκπαίδευση, τείνουν να είναι σήμερα το πεδίο των πολύ μεγάλων τεχνολογικών εταιρειών ή των πολύ καλά χρηματοδοτημένων νεοσύστατων.

Μπορείτε να επενδύσετε σε εταιρείες σχετικές με ΤΝ μέσω πολλών μεσιτών, και μπορείτε να βρείτε εδώ, στο securities.io, τις προτάσεις μας για τους καλύτερους μεσίτες στις ΗΠΑ, Καναδά, Αυστραλία, και Ηνωμένο Βασίλειο, καθώς και σε πολλές άλλες χώρες.

Αν δεν ενδιαφέρεστε να επιλέξετε συγκεκριμένες εταιρείες σχετικές με ΤΝ, μπορείτε επίσης να κοιτάξετε ETFs όπως το ARK Artificial Intelligence & Robotics UCITS ETF (ARKI), το Global X Robotics & Artificial Intelligence ETF (BOTZ), ή το WisdomTree Artificial Intelligence and Innovation Fund (WTAI) (WT )  που θα σας προσφέρει πιο διαφοροποιημένη έκθεση για να εκμεταλλευτείτε την ΤΝ.

Εταιρείες Νευρωνικών Δικτύων

1. Microsoft

Η Microsoft (MSFT ) βρίσκεται στο κέντρο της τεχνολογικής βιομηχανίας σχεδόν από την ίδρυσή της με το ακόμη κυρίαρχο λειτουργικό σύστημα Windows.

MSFT Διάγραμμα τιμής

Τώρα είναι επίσης ηγέτης στο λογισμικό επιχειρήσεων (Office365, Teams, LinkedIn, Skype, GitHub), στα βιντεοπαιχνίδια (Xbox και πολλές εξαγορές στούντιο βιντεοπαιχνιδιών), και στο cloud (Azure).

Πρόσφατα, σημείωσε σημαντική πρόοδο στην ΤΝ. Αυτό περιλαμβάνει κάποιες καταναλωτικές εφαρμογές ΤΝ όπως το Bing Image Creator και πιο επιχειρηματικές πρωτοβουλίες, όπως το Copilot για Microsoft 365 και Microsoft Research. Το Copilot τώρα εφαρμόζεται σε λιανική και μικρότερες επιχειρήσεις επίσης.

Πηγή: Constellation Research

Η Microsoft έχει αποκτήσει φήμη ως η τεχνολογική γιγαντιαία εταιρεία προσανατολισμένη στις επιχειρήσεις, σε σύγκριση με πιο καταναλωτικές εταιρείες όπως η Apple (AAPL ) ή το Facebook. Με την ΤΝ να γίνεται όλο και πιο σημαντική στα επιχειρηματικά μοντέλα, η προϋπάρχουσα παρουσία της Microsoft στο cloud και στις επιχειρηματικές υπηρεσίες θα της δώσει ένα προβάδισμα στην υλοποίηση της ΤΝ σε κλίμακα και στην απόκτηση πελατών.

Η συνεργασία/η ημι‑ιδιοκτησία με ηγέτες ανάπτυξης ΤΝ όπως η OpenAI (της φήμης του ChatGPT) θα ενισχύσει επίσης τη θέση της Microsoft ως δύναμη ΤΝ.

2. NVIDIA

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 αυτόν τον τομέα από τους επεξεργαστές (CPU).

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

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

Η NVidia αναπτύσσει τώρα προσαρμοσμένα συστήματα υπολογισμού για διαφορετικές εφαρμογές ΤΝ, από αυτοοδηγούμενα αυτοκίνητα μέχρι ομιλία και συνομιλητικές ΤΝ, γενετικές ΤΝ, ή κυβερνοασφάλεια.

Πιθανότατα η Nvidia δεν έχει βρει νέες περιπτώσεις χρήσης για το υλικό ΤΝ της, όπως δείχνει η έρευνα της Microsoft με το PNNL. Για παράδειγμα, η NVidia αναπτύσσει τώρα μια ολόκληρη σειρά λύσεων για την ανακάλυψη φαρμάκων, καθώς και ιατρικές συσκευές με ενσωματωμένη ΤΝ και ΤΝ‑βοηθούμενη ιατρική απεικόνιση.

Πηγή: NVidia

Πιθανότατα σε πολύ μακρά προοπτική, ανταγωνιστές της NVidia μπορεί να αρχίσουν να προκαλούν σοβαρά την αρχική της προβάδισμα.

Αλλά για το προσεγγιστικό μέλλον, δεδομένης της έκρηξης της ζήτησης για υπολογιστική ισχύ αφιερωμένη στην ΤΝ, η NVidia θα παραμείνει ο κύριος προμηθευτής όλων των νέων κέντρων εκπαίδευσης ΤΝ που κατασκευάζονται.

Και αν η ΤΝ είναι μια νέα τεχνολογική χρυσή κυνηγητική, η σοφία των επενδύσεων είναι να προτιμάτε τους πωλητές σκαριάς και φτυάριων αντί να στοιχηματίζετε στην εύρεση χρυσού.

Στην τρέχουσα ΤΝ‑κίνηση, τα εργαλεία επιλογής είναι για την ώρα τα τσιπ ΤΝ της NVidia.