Επανάσταση στην Μηχανική: Ο Νέος Ρόλος της Τεχνητής Νοημοσύνης στην Επίλυση Πολύπλοκων Εξισώσεων Πιο Γρήγορα από τους Υπερυπολογιστές

Οι υπερυπολογιστές είναι γνωστοί για την υψηλή τους απόδοση, η οποία τους επιτρέπει να λύνουν πολύπλοκα υπολογιστικά προβλήματα. Οι πιο γρήγοροι υπολογιστές στον κόσμο, αυτά τα μηχανήματα μπορούν να επεξεργάζονται τεράστιες βάσεις δεδομένων και να εκτελούν σύνθετους υπολογισμούς με ταχύτητα, ικανοί να πραγματοποιούν έως και ένα κουδράκι υπολογισμών ανά δευτερόλεπτο.

Αξιόλογα, μόλις αυτήν την εβδομάδα, ο τεχνολογικός γίγαντας Google αποκάλυψε το επόμενης γενιάς τσιπ του με την ονομασία ‘Willow’, το οποίο λειτουργεί με υπεραγωγούς κβαντικούς bit και μπορεί να λύσει ένα πολύπλοκο μαθηματικό πρόβλημα σε μόλις πέντε λεπτά, μειώνοντας τα σφάλματα εκθετικά. 

Παρά την εντυπωσιακή του απόδοση, το κβαντικό τσιπ είναι μακριά από το να σπάσει τη σύγχρονη κρυπτογραφία.

Στο μεταξύ, μια νέα τεχνητή νοημοσύνη (AI) έρχεται με τη δυνατότητα να λύνει πολύπλοκα προβλήματα μηχανικής ακόμη πιο γρήγορα από τους υπερυπολογιστές. Η νέα τεχνολογική λύση προέρχεται από ερευνητές του Johns Hopkins, οι οποίοι μπορούν να φέρουν επανάσταση στον χώρο της μηχανικής.

Η Νέα Εποχή της Τεχνητής Νοημοσύνης 

Αφού ήταν θέμα συζήτησης για χρόνια, η AI τελικά άρχισε να χρησιμοποιείται ουσιαστικά σε βασικούς κλάδους. Η τεράστια της δυνατότητα να ενισχύσει την αποδοτικότητα και την παραγωγικότητα έχει την αγορά να αυξηθεί πέρα από 184 δισεκατομμύρια δολάρια φέτος και είναι προβλεπόμενη να αυξήσει τα έσοδα κατά περισσότερο από 15 τρισεκατομμύρια δολάρια μέχρι το τέλος της δεκαετίας. 

Μια πρόσφατη αναφορά διαπίστωσε ότι το 68% των οργανισμών είτε χρησιμοποιούν ενεργά τη Γενική AI είτε έχουν αναπτύξει οδικούς χάρτες μετά από επιτυχημένες πιλοτικές υλοποιήσεις. 

Καθώς η AI συνεχίζει να μετασχηματίζει διάφορους κλάδους, ιδιαίτερα το τοπίο της μηχανικής, οι άνθρωποι αντιμετωπίζουν τώρα την πρόκληση του να γίνουν παρωχημένοι. Εκτιμήσεις υποδεικνύουν ότι την επόμενη δεκαετία, έως και το 40% των εργασιών μηχανικής μπορεί να αυτοματοποιηθεί.

Για να κατανοήσουμε την επίδραση της AI στον κόσμο, πρέπει πρώτα να καταλάβουμε ότι η AI είναι απλώς μια τεχνολογία που επιτρέπει σε μηχανές και υπολογιστές να προσομοιώνουν την ανθρώπινη σκέψη, μάθηση, κατανόηση, επίλυση προβλημάτων, λήψη αποφάσεων και δημιουργικότητα. 

Κάτω από την AI βρίσκεται η μηχανική μάθηση, η οποία περιλαμβάνει την εκπαίδευση ενός αλγορίθμου για τη δημιουργία μοντέλων που χρησιμοποιούν δεδομένα ώστε να λαμβάνουν αποφάσεις και προβλέψεις. 

Υπάρχουν διάφοροι τύποι αλγορίθμων ή τεχνικών μηχανικής μάθησης, με τα τεχνητά νευρωνικά δίκτυα να είναι ένας από τους πιο δημοφιλείς τύπους. Αυτά τα δίκτυα είναι μοντελοποιημένα με βάση τη δομή και τη λειτουργία του ανθρώπινου εγκεφάλου. 

Η βαθιά μάθηση, ένα υποσύνολο της μηχανικής μάθησης, χρησιμοποιεί πολυεπίπεδα νευρωνικά δίκτυα που είναι ακόμη πιο αποτελεσματικά στην προσομοίωση της πολύπλοκης ικανότητας λήψης αποφάσεων του ανθρώπινου εγκεφάλου. Αυτά τα δίκτυα μαθαίνουν από δεδομένα και χρησιμοποιούνται για την επίλυση διαφόρων προβλημάτων, από την αναγνώριση εικόνας και φωνής μέχρι την επεξεργασία φυσικής γλώσσας. 

Η Βαθιά Μάθηση αλλάζει εντελώς τον τρόπο με τον οποίο οι μηχανές αλληλεπιδρούν με πολύπλοκα δεδομένα, με τη δυνατότητα να ξεπεράσει την ανθρώπινη απόδοση ενώ επιτυγχάνει υψηλή ακρίβεια.

Χρήση της AI για την Επίλυση Πολύπλοκων Προβλημάτων 

Η AI προσφέρει πολυάριθμα οφέλη, όπως αυτοματοποίηση επαναλαμβανόμενων εργασιών, λιγότερα ανθρώπινα σφάλματα, διαθεσιμότητα 24/7 και βελτιωμένη λήψη αποφάσεων, γεγονός που οδήγησε στην εφαρμογή της σε όλα τα είδη επιχειρήσεων σε διάφορους κλάδους.

Η ικανότητα της τεχνολογίας να αναλύει αποδοτικά τεράστιες ποσότητες δεδομένων, να εντοπίζει μοτίβα που μπορεί να έχουν παραβλεφθεί από τους ανθρώπους, και τελικά να εκτελεί γρήγορους υπολογισμούς, καθιστά την AI ένα σπουδαίο εργαλείο για την επίλυση πολύπλοκων προβλημάτων. Όταν αντιμετωπίζονται μεγάλα σύνολα δεδομένων και πολύπλοκα σενάρια λήψης αποφάσεων που θα ήταν χρονοβόρα ή αδύνατη για τους ανθρώπους να τα αντιμετωπίσουν μόνοι τους, η AI μπορεί να είναι εξαιρετικά χρήσιμη.

Έτσι, υπάρχει αυξανόμενη εστίαση στη χρήση της AI για την επίλυση πολύπλοκων ζητημάτων. Πριν από ένα χρόνο, ερευνητές από το MIT και το ETH Zurich χρησιμοποίησαν τη μηχανική μάθηση για την επίλυση του προβλήματος βελτιστοποίησης της αποδοτικής δρομολόγησης των εορταστικών πακέτων για εταιρείες όπως η FedEx.

Αυτές οι εταιρείες χρησιμοποιούν λογισμικό που ονομάζεται λύτης μεικτής ακέραιας γραμμικής προγραμματισμού (MILP), ο οποίος χωρίζει το πρόβλημα σε μικρότερα κομμάτια και χρησιμοποιεί γενικούς αλγορίθμους για να βρει την καλύτερη λύση, κάτι που μπορεί να διαρκέσει ώρες ή ακόμη και ημέρες.

Εδώ, το βασικό στοιχείο που επιβραδύνει όλη τη διαδικασία είναι ότι οι λύτες MILP έχουν πάρα πολλές πιθανές λύσεις. Οι ερευνητές χρησιμοποίησαν έναν μηχανισμό φιλτραρίσματος για να απλοποιήσουν αυτό το βήμα, επιταχύνοντας τους λύτες MILP κατά 30-70% χωρίς να επηρεάσουν την ακρίβεια. Για αυτό, η τεχνική βασίστηκε στην αρχή των φθίνουσων οριακών αποδόσεων και στη συνέχεια χρησιμοποίησε μηχανική μάθηση, εκπαιδευμένη με ένα σύνολο δεδομένων ειδικό για το πρόβλημα, ώστε να βρει τη βέλτιστη λύση από τον μειωμένο αριθμό επιλογών.

Μόλις νωρίτερα αυτό το μήνα, μια startup με έδρα το Λονδίνο, η PhysicsX, παρουσίασε ένα μεγάλο γεωμετρικό μοντέλο που ονομάζεται LGM-Aero για τη μηχανική αεροδιαστημικής. Το γεωμετρικό και φυσικό μοντέλο αναμένεται να βοηθήσει στην επίτευξη σημαντικών μειώσεων του χρόνου ανάπτυξης εννοιών αεροσκαφών. Η εταιρεία έχει καταστήσει δημόσια προσβάσιμη μια εφαρμογή αναφοράς (‘Ai.rplane’) που βασίζεται στο LGM-Aero, για να δείξει τις δυνατότητες του μοντέλου της στην παραγωγή σχεδίων αεροσκαφών και στην πρόβλεψη της φυσικής που σχετίζεται με την απόδοση των αεροσκαφών. 

Το μοντέλο εκπαιδεύεται στο σύννεφο υπολογιστών Amazon Web Services (AWS) χρησιμοποιώντας πάνω από 25 εκατομμύρια διαφορετικά σχήματα, που αντιπροσωπεύουν πάνω από 10 δισεκατομμύρια κορυφές. Τα δεδομένα εκπαίδευσής του περιλαμβάνουν επίσης μια συλλογή προσομοιώσεων υπολογιστικής ρευστοδυναμικής (CFD) και ανάλυσης πεπερασμένων στοιχείων (FEA) που δημιουργήθηκαν σε συνεργασία με τη Siemens.

Παρόμοια με το πώς τα LLM κατανοούν το κείμενο, το LGM διαθέτει εκτενή γνώση των σχημάτων και των δομών που είναι σημαντικές για τη μηχανική αεροδιαστημικής και, ως εκ τούτου, “μπορεί να βελτιστοποιήσει πολλαπλούς τύπους φυσικής σε δευτερόλεπτα, πολλές τάξεις μεγέθους πιο γρήγορα από αριθμητικές προσομοιώσεις, και στο ίδιο επίπεδο ακρίβειας,” δήλωσε ο Διευθύνων Σύμβουλος Jacomo Corbo.

Φέτος, η OpenAI, η εταιρεία έρευνας AI με υποστήριξη της Microsoft πίσω από το ChatGPT, παρουσίασε επίσης τα τελευταία της μοντέλα, o1-preview και o1-mini, ισχυριζόμενη μια σημαντική άνοδο στις ικανότητες λογικής των μεγάλων γλωσσικών μοντέλων (LLMs). 

Το μοντέλο διαθέτει τη δυνατότητα χρήσης “αλυσίδας σκέψης” (chain-of-thought reasoning), παρόμοια με ό,τι κάνουν οι άνθρωποι όταν λύνουν ένα πρόβλημα, που περιλαμβάνει τη διαίρεση πολύπλοκων πραγμάτων σε μικρές, διαχειρίσιμες εργασίες. Η εφαρμογή λογικής παρόμοιας με αυτήν του ανθρώπου στα LLMs έχει παρατηρηθεί προηγουμένως από την Google Research και άλλους επίσης. 

Ένα Νέο Μοντέλο AI για την Επίλυση PDEs

Καθώς η χρήση και η δημοτικότητα της AI συνεχίζουν να αυξάνονται, αυξάνονται επίσης οι δυνατότητές της, με ερευνητές και εταιρείες να εργάζονται για τη βελτίωση και την ακρίβεια της τεχνολογίας.

Το τελευταίο πλαίσιο AI από ερευνητές του Johns Hopkins υιοθετεί μια γενική προσέγγιση για την πρόβλεψη λύσεων σε χρονοβόρες και διαδεδομένες μαθηματικές εξισώσεις. Οι μερικές διαφορικές εξισώσεις (PDEs) αποτελούν ένα ευρέως διαδεδομένο έργο στον τομέα της μηχανικής και της ιατρικής έρευνας. 

Ωστόσο, το υπολογιστικό κόστος που απαιτείται για την επίλυση αυτών των εξισώσεων μπορεί να είναι εξαιρετικά υψηλό. Επιπλέον, η επίλυση αυτών των τεράστιων μαθηματικών προβλημάτων απαιτούσε γενικά υπερυπολογιστές, αλλά πλέον όχι.

Το νέο πλαίσιο AI επιτρέπει ακόμη και σε προσωπικούς υπολογιστές να αντιμετωπίζουν αυτές τις μερικές διαφορικές εξισώσεις που οι επιστήμονες χρησιμοποιούν για να μετατρέπουν πραγματικές διαδικασίες ή συστήματα σε μαθηματικές αναπαραστάσεις του πώς τα αντικείμενα αλλάζουν στο χρόνο και το χώρο.

Αυτή δεν είναι η πρώτη φορά που προτείνεται ένα μοντέλο AI για την επίλυση PDEs· στην πραγματικότητα, η ιδέα του μοιράστηκε πριν από μερικές δεκαετίες. Στον αναδυόμενο τομέα της επιστημονικής μηχανικής μάθησης, η επίλυση μερικών διαφορικών εξισώσεων με νευρωνικά δίκτυα έχει κερδίσει πολύ προσοχή την τελευταία δεκαετία, χάρη σε όλες τις προόδους στην υπολογιστική ικανότητα για την εκπαίδευση βαθιών νευρωνικών δικτύων.

Παρά την επιτυχία του νευρωνικού τελεστή, που χρησιμοποιεί AI για να μάθει τον τελεστή λύσης PDE, η τελευταία έρευνα σημείωσε ότι εξακολουθούν να υπάρχουν περιορισμοί υπολογιστικής φύσης κατά την εκτέλεση εργασιών βελτιστοποίησης και πρόγνωσης. Αυτό οφείλεται στην αδυναμία των νευρωνικών τελεστών να αξιολογήσουν λύσεις PDE που εξαρτώνται από τη γεωμετρία.

Προς το παρόν, η πλειονότητα των πλαισίων νευρωνικών τελεστών, όπως σημειώθηκε στη μελέτη, αναπτύσσεται σε ένα πεδίο με σταθερά όρια. Επιπλέον, οι παραλλαγές σχήματος απαιτούν επανεκπαίδευση του νευρωνικού δικτύου.

Έτσι, με στόχο την αντιμετώπιση αυτών των υπολογιστικών προκλήσεων, οι ερευνητές πρότειναν το DIMON — Diffeomorphic Mapping Operator Learning. Για αυτό, συνδύασαν νευρωνικούς τελεστές με διαφορικές απεικονίσεις μεταξύ πεδίων και σχημάτων.

Το μοντέλο εξαλείφει την ανάγκη επανυπολογισμού των πλεγμάτων (grids) με κάθε αλλαγή μορφής. Με αυτόν τον τρόπο, το DIMON μπορεί να επιταχύνει τις προσομοιώσεις και να βελτιστοποιήσει τα σχέδια προβλέποντας πώς φυσικά στοιχεία όπως η κίνηση, η τάση και η θερμότητα συμπεριφέρονται σε διαφορετικά σχήματα, αντί να διασπείρει πολύπλοκα σχήματα σε μικρά στοιχεία.

Γενικά, η επίλυση αυτών των εξισώσεων περιλαμβάνει τη διάσπαση πολύπλοκων σχημάτων, όπως ανθρώπινα όργανα ή φτερά αεροπλάνων, σε πλέγματα ή δίκτυα από μικρά στοιχεία. Το πρόβλημα λύνεται στη συνέχεια σε κάθε απλό κομμάτι πριν επανασυνδυαστεί.

Ωστόσο, εάν αυτά τα σχήματα αλλάξουν λόγω σύγκρουσης ή παραμόρφωσης, τα πλέγματα πρέπει να ενημερωθούν. Αυτό σημαίνει ότι και οι λύσεις πρέπει να επαναϋπολογιστούν, κάτι που καθιστά ολόκληρη τη διαδικασία υπολογισμού όχι μόνο δαπανηρή αλλά και αργή.

Το DIMON εδώ χρησιμοποιεί AI για να κατανοήσει τον τρόπο λειτουργίας των φυσικών συστημάτων με διάφορα σχήματα. Έτσι, οι ερευνητές δεν χρειάζεται να διαιρούν τα σχήματα σε πλέγματα και να λύνουν τις εξισώσεις ξανά και ξανά· αντίθετα, η AI αξιοποιεί τα μοτίβα που έχει μάθει για να προβλέψει πώς διαφορετικοί παράγοντες θα συμπεριφερθούν, καθιστώντας πιο αποδοτική και γρήγορη τη μοντελοποίηση σεναρίων συγκεκριμένων σχημάτων και τη βελτιστοποίηση σχεδίων.

“Ενώ η κίνητρο για την ανάπτυξή του προήλθε από τη δική μας εργασία, αυτή είναι μια λύση που πιστεύουμε ότι θα έχει γενικά τεράστια επίδραση σε διάφορους τομείς της μηχανικής επειδή είναι πολύ γενική και κλιμακώσιμη.”

Σημείο Καμπής για τα Σχέδια Μηχανικής

Το νέο πλαίσιο AI παρέχει μια προσέγγιση που επιτρέπει γρήγορη πρόβλεψη λύσεων PDE σε πολλαπλά πεδία. Επιπλέον, διευκολύνει πολλές εφαρμογές κατώτερης αλυσίδας χρησιμοποιώντας AI. 

Συζητώντας τις δυνατότητες του μοντέλου, η Trayanova σημείωσε ότι το DIMON μπορεί βασικά να λειτουργήσει σε οποιοδήποτε πρόβλημα σε οποιονδήποτε τομέα της επιστήμης ή της μηχανικής για την επίλυση PDE σε πολλαπλές γεωμετρίες. 

Αυτό περιλαμβάνει δοκιμές κρούσης, ανάλυση του πώς τα διαστημόπλοια ανταποκρίνονται σε ακραία περιβάλλοντα, αξιολόγηση του πώς οι γέφυρες αντέχουν στο στρες, μελέτη του πώς τα υγρά διαδίδονται μέσω διαφορετικών γεωμετριών, έρευνα ορθοπεδικής, και αντιμετώπιση άλλων πολύπλοκων προβλημάτων όπου τα υλικά και τα σχήματα αλλάζουν. Η μοντελοποίηση όλων αυτών των σεναρίων μπορεί τώρα να γίνει πολύ πιο γρήγορα χάρη στο νέο πλαίσιο AI.

Για να δείξουν την εφαρμοσιμότητα του νέου μοντέλου στην επίλυση άλλων τύπων προβλημάτων μηχανικής, η ομάδα έδωσε δοκιμές στο DIMON σε πάνω από 1.000 «ψηφιακά δίδυμα» καρδιάς. Αυτά τα ψηφιακά δίδυμα είναι εξαιρετικά λεπτομερή υπολογιστικά μοντέλα των καρδιών πραγματικών ασθενών.

Η μελέτη της καρδιακής αρρυθμίας γίνεται με την επίλυση μερικών διαφορικών εξισώσεων. Η κατάσταση προκαλεί ακανόνιστους παλμούς στην καρδιά λόγω λανθασμένης ηλεκτρικής ώσης. Τα ψηφιακά δίδυμα καρδιάς επιτρέπουν στους ερευνητές να καθορίσουν αν οι ασθενείς μπορεί να αναπτύξουν αυτήν την κατάσταση, η οποία είναι συχνά θανατηφόρα, και στη συνέχεια να προτείνουν τρόπους θεραπείας. 

Το νέο πλαίσιο AI βρέθηκε επιτυχές στην πρόβλεψη του πώς τα ηλεκτρικά σήματα μεταδίδονται μέσω κάθε μοναδικού σχήματος καρδιάς με υψηλή ακρίβεια, χωρίς καν να χρειάζεται να πραγματοποιηθούν δαπανηρές αριθμητικές προσομοιώσεις.

Η Trayanova, διευθύντρια του Johns Hopkins Alliance for Cardiovascular Diagnostic and Treatment Innovation, εφαρμόζει προσεγγίσεις βασισμένες σε δεδομένα, υπολογιστική μοντελοποίηση και καινοτομίες στην καρδιακή απεικόνιση για τη διάγνωση και θεραπεία των καρδιαγγειακών παθήσεων. Εισάγουν συνεχώς νέες τεχνολογίες στην κλινική.  

Ωστόσο, σημείωσε ότι οι λύσεις τους είναι ακόμη πολύ αργές, καθώς χρειάζονται περίπου μια εβδομάδα για να σαρώσουν την καρδιά ενός ασθενούς και να λύσουν PDE ώστε να προβλέψουν αν ο ασθενής είναι σε υψηλό κίνδυνο ξαφνικού καρδιακού θανάτου και στη συνέχεια να προσφέρουν το καλύτερο σχέδιο θεραπείας.

Αλλά αυτό βλέπουμε μια τεράστια αλλαγή με το τελευταίο τους μοντέλο.

“Με αυτή τη νέα προσέγγιση AI, η ταχύτητα με την οποία μπορούμε να έχουμε μια λύση είναι απίστευτη.”

– Trayanova

Ο χρόνος που απαιτείται για να γίνει η πρόβλεψη ενός ψηφιακού διδύμου καρδιάς έχει μειωθεί από αρκετές ώρες σε μόλις μισό λεπτό (30 δευτερόλεπτα). Αυτό δεν είναι ακόμη όλο· ο υπολογισμός αυτός δεν απαιτεί καν υπερυπολογιστή. Αντίθετα, γίνεται εξ ολοκλήρου σε έναν επιτραπέζιο υπολογιστή, κάτι που η Trayanova δήλωσε ότι θα τους επιτρέψει “να το ενσωματώσουν στην καθημερινή κλινική ροή εργασίας.”

Η ευελιξία της τεχνολογίας την καθιστά ιδανική για καταστάσεις όπου η επίλυση μερικών διαφορικών εξισώσεων σε νέα σχήματα απαιτείται επανειλημμένα. 

“Για κάθε πρόβλημα, το DIMON πρώτα λύνει τις μερικές διαφορικές εξισώσεις σε ένα μόνο σχήμα και στη συνέχεια μεταφέρει τη λύση σε πολλαπλά νέα σχήματα. Αυτή η ικανότητα αλλαγής σχήματος αναδεικνύει την τεράστια ευελιξία του. Είμαστε πολύ ενθουσιασμένοι που το εφαρμόζουμε σε πολλά προβλήματα καθώς και να το προσφέρουμε στην ευρύτερη κοινότητα για να επιταχύνει τις λύσεις σχεδιασμού μηχανικής τους.”

– Minglang Yin, μεταδιδακτορικός ερευνητής στο Johns Hopkins Biomedical Engineering, ο οποίος ανέπτυξε την πλατφόρμα

Εταιρείες που Προωθούν την AI

Τώρα, ας ρίξουμε μια ματιά στις εταιρείες που βοηθούν να ανεβάσουν την τεχνολογική επανάσταση της AI σε νέα ύψη.

1. NVIDIA Corporation (NVDA )

Μία κορυφαία προμηθευτής GPU, η Nvidia είναι η δεύτερη μεγαλύτερη εταιρεία, με κεφαλαιοποίηση αγοράς 3,28 τρισεκατομμύρια δολάρια. Κατά τη στιγμή της σύνταξης, οι μετοχές της διαπραγματεύονται στα 133,91 δολάρια, με άνοδο 171,9% από την αρχή του έτους (YTD), ενώ έχει EPS (TTM) 2,54, P/E (TTM) 52,90 και ROE (TTM) 127,21% με απόδοση μερίσματος 0,03%.

Οι λύσεις υλικού και λογισμικού της εταιρείας είναι κρίσιμες για εφαρμογές βαθιάς μάθησης και προσομοιώσεις μηχανικής, παίζοντας σημαντικό ρόλο στην προώθηση της επανάστασης AI.

Καθώς η AI κυριαρχεί, η Nvidia ανακοίνωσε έσοδα άνω των 35 δισεκατομμυρίων δολαρίων για το τρίτο τρίμηνο που έληξε στις 27 Οκτωβρίου 2024, κάτι που αντιστοιχεί σε αύξηση 17% σε σχέση με το προηγούμενο τρίμηνο και σε τεράστια αύξηση 94% σε σχέση με το προηγούμενο έτος.

“Η εποχή της AI βρίσκεται σε πλήρη άνθηση, προωθώντας μια παγκόσμια στροφή προς την υπολογιστική τεχνολογία NVIDIA,” δήλωσε ο Διευθύνων Σύμβουλος και ιδρυτής Jensen Huang, ο οποίος πρόσθεσε ότι η AI δεν μεταμορφώνει μόνο εταιρείες και κλάδους, αλλά και χώρες που “ξυπνούν στην σημασία της ανάπτυξης της εθνικής AI και υποδομών”.

2. Microsoft Corporation (MSFT )  

Με κεφαλαιοποίηση αγοράς 3,32 τρισεκατομμυρίων δολαρίων, η Microsoft βρίσκεται ανάμεσα στις τρεις μεγαλύτερες εταιρείες παγκοσμίως κατά κεφαλαιοποίηση. Οι μετοχές της, κατά τη στιγμή της σύνταξης, διαπραγματεύονται στα 447,24 δολάρια, αντιπροσωπεύοντας αύξηση σχεδόν 19% YTD. Αυτό θέτει το EPS (TTM) της εταιρείας στα 12,11, το P/E (TTM) στα 36,92 και το ROE (TTM) στο 35,60%. Η απόδοση μερίσματος που πληρώνει η Microsoft, εν τω μεταξύ, είναι 0,74%.

Η μεγαλύτερη συμμετοχή της Microsoft στην AI είναι μέσω της OpenAI, στην οποία έχει επενδύσει πάνω από 13 δισεκατομμύρια δολάρια. Εκτός από τη συνεργασία της με την OpenAI, η οποία πρόσφατα εκτιμήθηκε σε 150 δισεκατομμύρια δολάρια, η Microsoft επενδύει επίσης έντονα στην έρευνα AI, σε λύσεις cloud και σε εφαρμογές για μηχανική και επιστημονική υπολογιστική.

Για την περίοδο μεταξύ Ιουλίου και Σεπτεμβρίου, η εταιρεία ανακοίνωσε πωλήσεις 65,6 δισεκατομμυρίων δολαρίων, αύξηση 16% σε σχέση με το προηγούμενο έτος, ενώ τα κέρδη της αυξήθηκαν 11% στα 24,7 δισεκατομμύρια δολάρια. Αυτή η ανάπτυξη προωθήθηκε από τη ζήτηση που συνεχίζει “να είναι υψηλότερη από τη διαθέσιμη χωρητικότητά μας,” σύμφωνα με τον οικονομικό διευθυντή της Microsoft.

3. ANSYS, Inc. (ANSS )

Αυτή η εταιρεία εξειδικεύεται στο λογισμικό προσομοίωσης μηχανικής για την επίλυση πολύπλοκων προβλημάτων. Οι υπηρεσίες της χρησιμοποιούνται από φοιτητές, ερευνητές, σχεδιαστές και μηχανικούς, ενώ ενσωματώνει ολοένα και περισσότερο AI για τη βελτίωση της αποδοτικότητας.

Με κεφαλαιοποίηση αγοράς 29,75 δισεκατομμυρίων δολαρίων, οι μετοχές της Ansys διαπραγματεύονται αυτή τη στιγμή στα 339,51 δολάρια, μειωμένες κατά 6,24% φέτος. Αυτό δίνει στην εταιρεία EPS (TTM) 6,47, P/E (TTM) 52,55 και ROE (TTM) 10,48%.

Για το 3Q24, η Ansys ανακοίνωσε έσοδα 601,9 εκατομμυρίων δολαρίων, αύξηση 31% σε σχέση με το τρίτο τρίμηνο του προηγούμενου έτους, ενώ η ετήσια αξία συμβολαίων (ACV) ήταν 540,5 εκατομμύρια δολάρια. Το περιθώριο λειτουργικού κέρδους GAAP αναφέρθηκε ως 26,8%, ενώ το μη-GAAP περιθώριο λειτουργικού κέρδους ήταν 45,8%. Οι λειτουργικές ταμειακές ροές για την περίοδο ανήλθαν σε 174,2 εκατομμύρια δολάρια, ενώ τα αναβαλλόμενα έσοδα και η εκκρεμότητα ήταν 1.463,8 εκατομμύρια δολάρια.

Συμπέρασμα 

Η AI προοδεύει με γρήγορο ρυθμό, και η εισαγωγή νέων πλαισίων AI όπως το DIMON σηματοδοτεί ένα επαναστατικό βήμα στην επίλυση πολύπλοκων προβλημάτων μηχανικής, μειώνοντας δραστικά το χρόνο και το υπολογιστικό κόστος που σχετίζονται με αυτά. Με αυτόν τον τρόπο, η καινοτομία όχι μόνο επιταχύνει τις διαδικασίες σχεδιασμού μηχανικής, αλλά επίσης επεκτείνει τις εφαρμογές της AI σε διάφορους τομείς.

Καθώς οι ερευνητές, μαζί με εταιρείες όπως η Nvidia, συνεχίζουν να κάνουν μεγάλες ανακαλύψεις, να δημιουργούν ισχυρά μοντέλα και να προωθούν τεχνολογίες, η δυνατότητα ενσωμάτωσης της AI στην καθημερινή ροή εργασίας αυξάνεται εκθετικά, οδηγώντας σε μια νέα εποχή όπου η AI οδηγεί σε πρωτοφανή αποδοτικότητα και καινοτομία!

Κάντε κλικ εδώ για να μάθετε όλα όσα χρειάζεστε για την επένδυση στην τεχνητή νοημοσύνη.