Η Μεγάλη Συγκέντρωση: Πώς η Τεχνητή Νοημοσύνη Συνδέει Κάθε Σύνορο

Η Τεχνητή Νοημοσύνη (AI) έχει ανάψει τον κόσμο με το δυναμικό της να αυξάνει την αποδοτικότητα, να μειώνει τα κόστη και να ενισχύει την παραγωγικότητα.

Ενώ για πολλούς η AI σημαίνει chatbot, χάρη στην προσβασιμότητα και τη δημοτικότητα των γεννητικών εργαλείων AI όπως το ChatGPT, η τεχνολογία είναι πολύ πιο εκτεταμένη, με τα οφέλη της να επεκτείνονται στην ιατρική, τη βιομηχανία, τη ρομποτική, την υγειονομική περίθαλψη, την εκπαίδευση, την κλιματική επιστήμη, τα χρηματοοικονομικά, το δίκαιο, την κυβερνοασφάλεια και πέραν αυτών.

Μιμούμενη τις ανθρώπινες γνωστικές λειτουργίες όπως η επίλυση προβλημάτων και η λήψη αποφάσεων, η AI υπόσχεται να μετασχηματίσει τα υποκείμενα συστήματα αυτών των βιομηχανιών, όπου ένας αυξανόμενος αριθμός οργανισμών εξερευνά ενεργά τις δυνατότητες της AI.

Μια πρόσφατη έρευνα της McKinsey αποκάλυψε αύξηση στη χρήση AI, όχι μόνο στον τεχνολογικό τομέα, όπου έχει ήδη ξεπεράσει το 90 %, αλλά σχεδόν σε κάθε βιομηχανία.

Εννιά από δέκα ερωτηθέντες δήλωσαν ότι οι οργανισμοί τους χρησιμοποιούν τακτικά AI, αν και βρίσκεται ακόμη στη φάση πειραματισμού. Παρά το στάδιο πιλοτικής δοκιμής, οι ερωτηθέντες ανέφεραν οφέλη σε κόστος και έσοδα, με το 64 % να λέει ότι η AI τους επιτρέπει να καινοτομούν.

Αυτή η αυξανόμενη υιοθέτηση δείχνει ότι ακόμη και σε τόσο πρώιμο στάδιο, η AI γίνεται βασικός παράγοντας της ψηφιακής μετασχηματισμού.

Στο σημερινό παγκοσμίως διασυνδεδεμένο και ανταγωνιστικό τοπίο, η AI επιτρέπει στις επιχειρήσεις να αξιοποιούν τη δύναμη διαφόρων ψηφιακών τεχνολογιών, όπως τα μεγάλα δεδομένα, το cloud computing και το Internet of Things. Στην ουσία, λειτουργεί ως τεχνολογία σύγκλισης, επιταχύνοντας την ανάπτυξη και ενσωμάτωση άλλων τεχνολογιών ώστε η συνδυαστική τους επίδραση να είναι μεγαλύτερη από το άθροισμα των μερών τους.

Με αυτό, ας ρίξουμε μια ματιά σε μερικές συναρπαστικές προόδους της AI σε διαφορετικούς τομείς, με κάθε μία να δείχνει πώς αλλάζει τον κόσμο.

Παρακάτω είναι μια γρήγορη επισκόπηση τριών τομέων όπου η σύγκλιση της AI είναι ήδη μετρήσιμη.

Σύρετε για κύλιση →

Η AI Χαρτογραφεί το Εντερικό Μικροβίωμα στην Ανθρώπινη Υγεία (και τον Κίνδυνο CAD)

Με τη βοήθεια της AI, οι επιστήμονες έχουν αποκρυπτογραφήσει το πολύπλοκο οικοσύστημα των εντερικών βακτηρίων και των χημικών τους σημάτων, επιτρέποντας την αποκάλυψη κρυφών συνδέσεων μεταξύ των βακτηρίων και της ανθρώπινης υγείας. Επιπλέον, το νέο προηγμένο σύστημα AI αποδεικνύεται καλύτερο σε μελέτες καρκίνου, παχυσαρκίας και διαταραχών ύπνου από τα συμβατικά μοντέλα, και παρουσιάζει τεράστιο δυναμικό στην προσαρμογή θεραπειών βάσει του μικροβιακού προφίλ κάθε ατόμου, μετασχηματίζοντας την εξατομικευμένη ιατρική.

Η ικανότητα της AI να αποκαλύπτει κρυφά μοτίβα είναι ιδιαίτερα αξιοσημείωτη, όπως σε μια μελέτη του Πανεπιστημίου Waterloo¹, όπου η ανάλυση AI τυπικών εξετάσεων αίματος ανίχνευσε μοτίβα που μπορούν να κάνουν προβλέψεις που σώζουν ζωές, καθιστώντας τις προσιτές και προσβάσιμες.

Επιστρέφοντας στα εντερικά βακτήρια, αυτά παίζουν κεντρικό ρόλο στην υγεία μας, επηρεάζοντας όχι μόνο την πέψη και την πρόληψη ασθενειών, αλλά και την ανοσία και ακόμη τη διάθεσή μας. Νέα έρευνα διαπίστωσε ότι το εντερικό μας μικροβίωμα² μπορεί επίσης να επηρεάσει την ανάπτυξη στεφανιαίας νόσου, η οποία σκοτώνει σχεδόν 20 εκατομμύρια ανθρώπους ετησίως.

Το ανθρώπινο έντερο είναι σαφώς συναρπαστικό, αλλά είναι επίσης ένα πολύπλοκο οικοσύστημα τρισεκατομμυρίων μικροοργανισμών. Εκτός από τον τεράστιο αριθμό βακτηριακών ειδών που υπάρχουν στο έντερο μας, οι αλληλεπιδράσεις τους με τη χημεία του ανθρώπινου σώματος καθιστούν δύσκολη την κατανόηση των επιδράσεών τους.

Ωστόσο, σε ένα πρωτοποριακό βήμα, ερευνητές του Πανεπιστημίου του Τόκιο στράφηκαν στην AI για να αντιμετωπίσουν αυτό το ζήτημα.

Δημιούργησαν ένα σύστημα AI για να κατανοήσουν καλύτερα ποια βακτήρια παράγουν ποιους μεταβολίτες, μικρά μόρια που λειτουργούν ως χημικοί αγγελιοφόροι και κυκλοφορούν στο σώμα μας, επηρεάζοντας το μεταβολισμό, την ανοσία και τη λειτουργία του εγκεφάλου, και πώς η σχέση μεταξύ βακτηρίων και μεταβολιτών μεταβάλλεται σε διαφορετικές ασθένειες.

“Ακριβώς χαρτογραφώντας αυτές τις σχέσεις βακτηρίων‑χημικών, θα μπορούσαμε ενδεχομένως να αναπτύξουμε εξατομικευμένες θεραπείες. Φανταστείτε να καλλιεργείτε ένα συγκεκριμένο βακτήριο για να παράγει ωφέλιμους ανθρώπινους μεταβολίτες ή να σχεδιάζετε στοχευμένες θεραπείες που τροποποιούν αυτούς τους μεταβολίτες για τη θεραπεία ασθενειών.”

– Ερευνητής του Έργου Tung Dang από το εργαστήριο Tsunoda στο Τμήμα Βιολογικών Επιστημών

Το μοντέλο που ανάπτυξαν είναι ένα Bayesian νευρωνικό δίκτυο που ονομάζεται VBayesMM³, το οποίο αντιμετωπίζει την πρόκληση της ταυτοποίησης ουσιαστικών μοτίβων από την πολύπλοκη αλληλεπίδραση τρισεκατομμυρίων βακτηρίων και μεταβολιτών.

Χρησιμοποιεί μια Bayesian προσέγγιση για να εντοπίσει ακριβώς ποιες ομάδες βακτηρίων επηρεάζουν περισσότερο συγκεκριμένους μεταβολίτες. Επιπλέον, μετρά την αβεβαιότητα στις προβλέψεις του ώστε να αποφεύγονται λανθασμένα συμπεράσματα, παρέχοντας στους επιστήμονες πιο ακριβείς και αξιόπιστες πληροφορίες.

Χρησιμοποιώντας την προσέγγιση variational Bayesian microbiome multiomics (VBayesMM), η ομάδα κατάφερε να εντοπίσει βασικά μικροβιακά είδη γρήγορα και με ακρίβεια, οδηγώντας σε πιο ακριβείς εκτιμήσεις. Η υλοποίηση της μεταβλητής επαγωγής, μεταξύ άλλων, αντιμετώπισε υπολογιστικά εμπόδια, επιτρέποντας κλιμακώσιμη ανάλυση τεράστιων συνόλων δεδομένων.

Η ομάδα θα εργαστεί επόμενα με πιο ολοκληρωμένα χημικά σύνολα δεδομένων για να συλλάβει το πλήρες φάσμα των βακτηριακών προϊόντων, ώστε να ξεπεραστεί το πρόβλημα της μείωσης της ακρίβειας όταν τα δεδομένα μεταβολιτών είναι πιο εκτενή από τα δεδομένα βακτηρίων.

«Σκοπεύουμε επίσης να κάνουμε το VBayesMM πιο ανθεκτικό κατά την ανάλυση διαφορετικών πληθυσμών ασθενών, ενσωμαρώνοντας σχέσεις «οικογενειακού δέντρου» των βακτηρίων για καλύτερες προβλέψεις, και να μειώσουμε περαιτέρω τον χρόνο υπολογισμού», δήλωσε ο Dang. «Για κλινικές εφαρμογές, ο τελικός στόχος είναι η ταυτοποίηση συγκεκριμένων βακτηριακών στόχων για θεραπείες ή διατροφικές παρεμβάσεις που θα μπορούσαν πραγματικά να βοηθήσουν τους ασθενείς, μεταβαίνοντας από τη βασική έρευνα στην πρακτική ιατρική.»

Επενδυτική Προοπτική: Προσωπική Ιατρική με Tempus AI

Σε αυτόν τον συναρπαστικό και πολύπλοκο κόσμο των βιοεπιστημών, η Tempus AI (TEM ) ξεχωρίζει προσφέροντας λύσεις AI‑ενισχυμένης προσωπικής ιατρικής για εξατομικευμένη φροντίδα ασθενών.

Η Tempus είναι μια τεχνολογική εταιρεία που προωθεί την προσωπική ιατρική καθώς και τη διερεύνηση και ανάπτυξη βέλτιστων θεραπειών. Διαθέτει τρεις γραμμές προϊόντων:

• Γενετική: Παρέχει διαγνωστικά επόμενης γενιάς (NGS), προφίλ, μοριακό γονότυπο και άλλες δοκιμές.
• Δεδομένα: Ασχολείται με τη δομή και την ανωνυμοποίηση των δεδομένων που παράγονται στο εργαστήριό της πριν την εμπορευματοποίηση.
• Εφαρμογές AI: Παρέχει διαγνωστικά, υλοποιεί νέο λογισμικό ως ιατρική συσκευή και αναπτύσσει εργαλεία κλινικής λήψης αποφάσεων.

Φέτος, η Tempus πέτυχε ορισμένα σημαντικά ρυθμιστικά ορόσημα, συμπεριλαμβανομένης της έγκρισης FDA για τη συσκευή Tempus xR IVD, η οποία υποστηρίζει την ανάπτυξη φαρμάκων μέσω προχωρημένης αλληλούχισης RNA. Ως αποτέλεσμα, οι συνεργάτες της Tempus μπορούν να χρησιμοποιήσουν την ανάλυση RNA για «να εντοπίζουν πιο ακριβώς ποιοι ασθενείς είναι πιο πιθανό να ανταποκριθούν σε συγκεκριμένες θεραπείες και να σχεδιάζουν πιο αποδοτικές κλινικές δοκιμές».

Η ενημερωμένη πλατφόρμα ανάλυσης καρδιακών εικόνων με AI, Tempus Pixel, και το λογισμικό AI Tempus ECG‑Low EF έλαβαν επίσης εγκρίσεις FDA 510(k), ενισχύοντας τη θέση της εταιρείας στη διάγνωση με AI.

Η εταιρεία με κεφαλαιοποίηση 12,73 δισεκατομμυρίων δολαρίων, διαπραγματεύεται αυτή τη στιγμή στα 72,52 $, σημειώνοντας άνοδο σχεδόν 112 % φέτος. Μόνο τον περασμένο μήνα, οι μετοχές TEM ξεπέρασαν το όριο των 100 $.

Όσον αφορά τη χρηματοοικονομική της θέση, η Tempus ανακοίνωσε πρόσφατα αύξηση εσόδων 84,7 % ετησίως στο Q3 2025, φτάνοντας τα 334,2 εκατομμύρια $, ενώ το μικτό κέρδος αυξήθηκε κατά 98,4 % στα 209,9 εκατομμύρια $. Η καθαρή ζημιά για το τρίμηνο ήταν 80 εκατομμύρια $. Έκλεισε το τρίμηνο με 764,3 εκατομμύρια $ μετρητών και διαπραγματεύσιμων τίτλων.

“Δεν μόνο αναπτύσσουμε με απίστευτο ρυθμό, η επίτευξη θετικού προσαρμοσμένου EBITDA αποτελεί σημαντικό ορόσημο και αντικατοπτρίζει τη δύναμη της υποκείμενης μας επιχείρησης,” δήλωσε ο ιδρυτής και CEO της Tempus, Eric Lefkofsky. “Ένα από τα πιο δύσκολα πράγματα είναι η δυνατότητα να μειώσουμε τον ρυθμό επανεπένδυσης στην επιχείρηση και ταυτόχρονα να διατηρήσουμε την ανάπτυξη, κάτι που πετύχαμε ακριβώς αυτό το τρίμηνο.”

Κάντε κλικ εδώ για λίστα κορυφαίων εταιρειών βιοτεχνολογικών μεγάλων δεδομένων.

Η AI Προβλέπει Ηλιακές Καταιγίδες Μέρες Μπροστά — Προστατεύοντας Δίκτυα Ηλεκτρικής Ενέργειας & Δορυφόρους

Ένα μοντέλο AI έχει αναπτυχθεί για να προβλέπει τον ηλιακό άνεμο πολύ νωρίτερα με μεγαλύτερη ακρίβεια από τις υπάρχουσες μεθόδους, βοηθώντας στην προστασία των δικτύων ηλεκτρικής ενέργειας, των δορυφόρων και των συστημάτων πλοήγησης από διαταραγτικές διαστημικές εκδηλώσεις και ενισχύοντας την ανθεκτικότητα της κρίσιμης υποδομής μας.

Ο ηλιακός άνεμος είναι η συνεχής ροή φορτισμένων σωματιδίων που εκτοξεύεται από τον Ήλιο. Συμβαίνει όταν τα στριφογυρισμένα μαγνητικά πεδία του Ήλιου παραμορφώνονται και τεντώνονται, οδηγώντας σε ρήξη πριν επανασυνδεθούν, κατά τη διάρκεια της οποίας απελευθερώνονται μεγάλες ποσότητες ενέργειας.

Όταν αυτά τα σωματίδια επιταχύνουν, μπορούν να διαταράξουν την ατμόσφαιρα της Γης. Μπορούν όχι μόνο να επηρεάσουν τα δίκτυα ηλεκτρικής ενέργειας, αλλά και να απομακρύνουν δορυφόρους από την τροχιά τους, όπως συνέβη σε 2022, όταν η SpaceX έχασε έως και 40 δορυφόρους Starlink (SPCX ).

Οι ηλιακές καταιγίδες, από την άλλη, είναι ακόμη πιο ισχυρά φαινόμενα, όπου ο Ήλιος εκτοξεύει ενέργεια, σωματίδια και μαγνητικά πεδία στο γαλαξία. Όταν κατευθύνονται προς τη Γη, μπορούν να δημιουργήσουν σημαντική διαταραχή στο μαγνητικό πεδίο της, που ονομάζεται γεωμαγνητική καταιγίδα. Αυτό είναι το φαινόμενο που δημιουργεί τα όμορφα σόου του βόρειου σέλας, αλλά και προκαλεί διακοπές ρεύματος.

Το πιο πρόσφατο σενάριο συστημικού κινδύνου της Lloyd’s εκτιμά ότι μια σοβαρή ηλιακή καταιγίδα θα μπορούσε να εκθέσει την παγκόσμια οικονομία σε περίπου 2,4 τρισεκατομμύρια δολάρια ζημιών σε πέντε χρόνια, με αναμενόμενες ζημιές περίπου 17 δισεκατομμύρια δολάρια σήμερα.

Αυτό δείχνει την επείγουσα ανάγκη για καλύτερη πρόβλεψη αυτών των γεγονότων. Έτσι, ερευνητές του NYU Abu Dhabi (NYUAD) ανέλαβαν ακριβώς αυτό, με τη βοήθεια της AI.

Έχουν χτίσει ένα μοντέλο AI που μπορεί να προβλέψει τον ηλιακό άνεμο⁴ έως και τέσσερις ημέρες πριν συμβεί το γεγονός, με μεγαλύτερη ακρίβεια από τις τρέχουσες μεθόδους. Το μοντέλο εκπαιδεύτηκε σε ιστορικά αρχεία ηλιακού ανέμου και υπεριώδεις εικόνες από το Solar Dynamics Observatory (SDO) της NASA.

Αναλύοντας τις εικόνες του Ήλιου για να εντοπίσει μοτίβα που συνδέονται με αλλαγές στον ηλιακό άνεμο, η ομάδα του NYUAD πέτυχε βελτίωση 45 % στην ακρίβεια των προβλέψεών της σε σύγκριση με τα τρέχοντα λειτουργικά μοντέλα. Επιπλέον, πέτυχε βελτίωση 20 % σε σχέση με προηγούμενες προσεγγίσεις AI.

“Αυτό είναι ένα σημαντικό βήμα προς την προστασία των δορυφόρων, των συστημάτων πλοήγησης και της υποδομής ενέργειας που εξαρτώνται από τη σύγχρονη ζωή,” δήλωσε ο κύριος συγγραφέας της μελέτης, Dattaraj Dhuri. “Συνδυάζοντας προηγμένη AI με ηλιακές παρατηρήσεις, μπορούμε να δώσουμε έγκαιρες προειδοποιήσεις που βοηθούν στην προστασία κρίσιμης τεχνολογίας στη Γη και στο διάστημα.”

Επενδυτική Προοπτική: AI Διαστημικού Καιρού με IBM 

Η IBM, με κεφαλαιοποίηση 293,24 δισεκατομμυρίων δολαρίων, είναι παγκόσμιος πάροχος υβριδικού cloud και υπηρεσιών AI για την επίτευξη ψηφιακού μετασχηματισμού σε δεδομένα, εφαρμογές και περιβάλλοντα λειτουργίας.

Πριν από λίγους μήνες, η IBM δημοσίευσε το ανοιχτού κώδικα μοντέλο AI «Surya», σε συνεργασία με τη NASA, για να κατανοήσει καλύτερα τα δεδομένα που συλλέγονται από ηλιακές παρατηρήσεις και να προβλέψει πώς η ηλιακή δραστηριότητα επηρεάζει τις διαστημικές τεχνολογίες και τη Γη. Με το Surya, η εταιρεία εφαρμόζει AI στην έρευνα πρόγνωσης διαστημικού καιρού, παρέχοντας ένα εργαλείο για την προστασία τηλεπικοινωνιών, δικτύων ηλεκτρικής ενέργειας και πλοήγησης GPS από τις διαταραχές που προκαλεί η μεταβαλλόμενη φύση του Ήλιου.

Κατά τη στιγμή της συγγραφής, οι μετοχές της IBM διαπραγματεύονται στα 319 $, με άνοδο 42,7 % ετησίως. Έχει κέρδος ανά μετοχή (TTM) 8,07 και P/E (TTM) 38,87. Η IBM πληρώνει απόδοση μερίσματος 2,14 %.

Για το πρόσφατο τρίμηνο, 3Q25, η εταιρεία ανακοίνωσε αύξηση εσόδων 9 % στα 16,3 δισεκατομμύρια δολάρια. Το GAAP περιθώριο μικτού κέρδους ήταν 57,3 % και το μη‑GAAP λειτουργικό κέρδος 58,7 %. Τα καθαρά μετρητά από λειτουργικές δραστηριότητες, εν τω μεταξύ, ανήλθαν σε 9,2 δισεκατομμύρια δολάρια ετησίως, ενώ το ελεύθερο ταμειακό ρεύμα ήταν 7,2 δισεκατομμύρια δολάρια.

“Οι πελάτες παγκοσμίως συνεχίζουν να αξιοποιούν την τεχνολογία και την εξειδίκευσή μας για να αυξήσουν την παραγωγικότητα στις λειτουργίες τους και να προσφέρουν πραγματική επιχειρηματική αξία με AI.”

– Διευθύνων Σύμβουλος Arvind Krishna

Επίσης, σημειώθηκε ότι το AI portfolio της IBM ξεπέρασε τα 9,5 δισεκατομμύρια δολάρια, αυξημένο από 7,5 δισεκατομμύρια δολάρια στο προηγούμενο τρίμηνο.

Όπου η AI Υπερβαίνει τους Ειδικούς: Ιατρική, Νευροεπιστήμη & Εκπαίδευση

Οι ερευνητές διαπιστώνουν ότι η AI συνεχώς υπερβαίνει τους ειδικούς σε διάφορους τομείς.

Ένας τέτοιος τομέας είναι η ιατρική, όπου «το γλαύκωμα παραμένει μία από τις πιο συχνές αιτίες οπτικής απώλειας που δεν μπορεί να επισκευαστεί παγκοσμίως», με τον έλεγχο να είναι πολύ ακριβός. Αλλά η AI θα μπορούσε να είναι η λύση, ελπίζει ο Δρ. Anthony Khawaja, καθηγητής στο University College London Institute of Ophthalmology και κύριος ερευνητής της νέας μελέτης, η οποία ανακοίνωσε ότι ένα εκπαιδευμένο πρόγραμμα AI εντόπισε σωστά ασθενείς με γλαύκωμα περίπου το 90 % των περιπτώσεων, σε σύγκριση με το 81 % για τους ανθρώπινους αξιολογητές.

Για αυτή τη μελέτη, τόσο οι ανθρώπινοι ειδικοί όσο και το πρόγραμμα AI αξιολόγησαν πάνω από 6.300 συμμετέχοντες, εκ των οποίων σχεδόν 700 είχαν γλαύκωμα τουλάχιστον σε ένα μάτι.

Το γλαύκωμα είναι αποτέλεσμα βλάβης του οπτικού νεύρου, συνήθως λόγω πίεσης που συσσωρεύεται μέσα στο μάτι, η οποία μπορεί να οδηγήσει σε πλήρη τύφλωση. Οι ανθρώπινοι ειδικοί και η AI αξιολόγησαν τον κίνδυνο γλαυκώματος των συμμετεχόντων βάσει του κάθετου λόγου κύπελλου‑δίσκου, ενός βασικού μέτρου αυτής της διαταραχής, που παρακολουθεί τις αλλαγές στη δομή του ματιού που προκαλούνται από την πίεση.

Σύμφωνα με τα αποτελέσματα της μελέτης, μόνο το 11 % των ματιών των συμμετεχόντων θεωρήθηκαν ύποπτα για γλαύκωμα, αντιστοιχώντας στο ποσοστό που αναμένεται σε τυπικές εξετάσεις. Η ακρίβεια, σημειώνουν οι ερευνητές, θα μπορούσε να βελτιωθεί περαιτέρω με την ένταξη άλλων παραγόντων κινδύνου, όπως η ενδοφθάλμια πίεση.

Σε άλλη μελέτη⁵, μεγάλα γλωσσικά μοντέλα (LLMs) πρόβλεψαν τα αποτελέσματα προτεινόμενων νευροεπιστημονικών μελετών με μεγαλύτερη ακρίβεια από τους ανθρώπινους ειδικούς, υπογραμμίζοντας το δυναμικό της AI για την επιτάχυνση της έρευνας.

Αντί να εστιάσουν στις δυνατότητες ερωτήσεων‑απαντήσεων των LLM, η μελέτη εξερεύνησε αν τα μοντέλα μπορούν να συνθέσουν γνώση για να προβλέψουν μελλοντικά αποτελέσματα.

Έτσι, έλεγξαν 15 διαφορετικά γενικού‑σκοπού LLM και 171 ανθρώπινους ειδικούς νευροεπιστήμης και διαπίστωσαν ότι όλα τα LLM υπερέβαιναν τους νευροεπιστήμονες. Ενώ τα LLM είχαν μέση ακρίβεια 81 %, οι άνθρωποι είχαν 63 %, η οποία αυξήθηκε μόνο στο 66 % στο υψηλότερο επίπεδο εμπειρίας. Παράλληλα, η εκπαίδευση ενός LLM στη νευροεπιστημονική βιβλιογραφία βελτίωσε την ακρίβειά του στο 86 %.

“Υποθέτουμε ότι δεν θα πάρει πολύ χρόνο πριν οι επιστήμονες χρησιμοποιούν εργαλεία AI για να σχεδιάσουν το πιο αποτελεσματικό πείραμα για την ερώτησή τους. Ενώ η μελέτη μας εστιάστηκε στη νευροεπιστήμη, η προσέγγισή μας είναι καθολική και θα πρέπει να εφαρμοστεί με επιτυχία σε όλη τη επιστήμη.”

– Κύριος συγγραφέας Bradley Love, καθηγητής στο UCL Psychology & Language Sciences

Η AI, σύμφωνα με ερευνητές του Cambridge, έχει ένα σαφές πλεονέκτημα σε ό,τι αφορά τη προβλεπτική μοντελοποίηση και την ανάλυση δεδομένων. Όταν παρέχονται έγκαιρα δεδομένα σε όρους όγκου, ποικιλίας και αλήθειας, μπορεί να βελτιστοποιήσει το κόστος και τις αλυσίδες εφοδιασμού, να σχεδιάσει υψηλών επιδόσεων προϊόντα γρηγορότερα και να ανταποκριθεί σε διακυμάνσεις της αγοράς σε πραγματικό χρόνο.

«Η αγνόηση της γεννητικής AI στη στρατηγική των επιχειρήσεων δεν είναι πλέον βιώσιμη», δήλωσαν οι συγγραφείς της μελέτης.

Αυτή είναι μόνο η κορυφή του παγόβουνου, ωστόσο, καθώς άλλες μελέτες έχουν διαπιστώσει ότι η AI ξεπερνά ακόμη και σε βασική γλωσσική μηχανική⁶ αλλά υστερεί σε θεματική συνοχή όταν πρόκειται για αξιολόγηση δοκιμών, υπερέχοντας τους ανθρώπινους ειδικούς στην αναγνώριση πόνου σε πρόβατα⁷ χρησιμοποιώντας τις ίδιες οπτικές πληροφορίες, και συμφωνώντας ή ξεπερνώντας τους δερματολόγους⁸ στη διάγνωση δερματικών παθήσεων βάσει εικόνας.

Επενδυτική Προοπτική: Υιοθέτηση Gemini μέσω Alphabet Inc.

Όταν πρόκειται για επένδυση στη δύναμη της AI, η Alphabet (GOOG ) αποτελεί μια αξιόλογη επιλογή, η οποία ηγείται των προόδων AI μέσω του Google DeepMind και του Google Research.

Πρόσφατα, το Google DeepMind και μια εταιρεία εκπαιδευτικής τεχνολογίας με AI, η Eedi, δημοσίευσαν ερευνητική εξερεύνηση⁹ που δείχνει ότι η διδασκαλία AI με ανθρώπινη παρέμβαση υπερβαίνει την υποστήριξη μόνο από ανθρώπους.

Η δοκιμή πραγματοποιήθηκε σε πέντε τάξεις δευτεροβάθμιας εκπαίδευσης στο Ηνωμένο Βασίλειο, όπου η κύρια διδασκαλία παρεδόθηκε από το LearnLM, το γεννητικό μοντέλο AI της Google που έχει βελτιστοποιηθεί για παιδαγωγική. Διαπίστωσαν ότι η ομάδα ανθρώπου‑AI ήταν εξίσου αποτελεσματική (93 %) στην άμεση διόρθωση σφαλμάτων των μαθητών όπως ένας ανθρώπινος δάσκαλος μόνος του (91,2 %). Η ομάδα ήταν εξίσου καλή στο να βοηθήσει τους μαθητές να ξεπεράσουν τις υποκείμενες παρερμηνείες.

Κατά τη μέτρηση της «μεταφοράς γνώσης», που αναφέρεται στο πώς η διδασκαλία σε ένα πρόβλημα επηρεάζει την ικανότητα του μαθητή να λύσει ένα νέο, ένας μόνο ανθρώπινος δάσκαλος βελτίωσε τη μάθηση κατά 4,5 μονάδες ποσοστού, ενώ η ομάδα ανθρώπου‑AI την ενίσχυσε κατά 10 μονάδες ποσοστού.

“Αυτά τα ευρήματα σηματοδοτούν ένα ορόσημο για υπεύθυνη, ασφαλή και αποτελεσματική AI στην εκπαίδευση. Το επόμενο βήμα είναι η κλιμάκωση από ένα εξερευνητικό πιλοτικό πρόγραμμα σε μια μεγάλης κλίμακας δοκιμή.”

– Irina Jurenka, Επιστήμονας Έρευνας στο Google DeepMind

Παράλληλα, το πολυμορφικό μοντέλο AI της Google, Gemini, έχει σημειώσει αρκετές προόδους, κατακτώντας επίπεδο χρυσής μετάλλου στο Διεθνές Πανεπιστημιακό Διαγωνισμό Προγραμματισμού (ICPC) 2025, ακολουθώντας μια νίκη χρυσής μετάλλου στο Διεθνές Μαθηματικό Ολυμπιακό. Η κορυφαία εφαρμογή AI της Google έχει πλέον πάνω από 650 εκατομμύρια ενεργούς χρήστες μηνιαίως.

Έτσι, η Google είναι βαθιά εμπλεκόμενη στην καινοτομία AI, και αυτό έχει βοηθήσει τις μετοχές της να αυξηθούν σχεδόν 54 % φέτος, διαπραγματεύοντας τώρα λίγο πάνω από 293 $. Η εταιρεία με κεφαλαιοποίηση 3,5 τρισεκατομμυρίων δολαρίων πληρώνει επίσης μέρισμα 0,29 %.

Πρόσφατα, ανακοίνωσε έσοδα 102,35 δισεκατομμυρίων δολαρίων για το Q3 2025, ενισχυμένα από τη σταθερή κίνηση στην επιχείρηση cloud, η οποία ωφελήθηκε από τη δυνατή ζήτηση AI. Η εταιρεία σχεδιάζει τώρα να αυξήσει τις κεφαλαιακές της δαπάνες σε 91‑93 δισεκατομμύρια δολάρια, μετά την αύξηση των προβλέψεων από 75 σε 85 δισεκατομμύρια δολάρια νωρίτερα φέτος. Τα περισσότερα έξοδα κατευθύνονται προς υποδομές όπως τα κέντρα δεδομένων.

Τελικές Σκέψεις

Η AI έχει κατακλύσει τον κόσμο, αλλά δεν αποτελεί πλέον μια αυτόνομη καινοτομία. Αντίθετα, λειτουργεί ως συνδετικός ιστός που ενώνει έναν αυξανόμενο αριθμό μετασχηματιστικών τεχνολογιών. Όπως αναφέρθηκε παραπάνω, βοηθά στην αποκρυπτογράφηση των μυστηρίων του ανθρώπινου μικροβιώματος, στην πρόβλεψη ηλιακών καταιγίδων και ακόμη στην υπεροχή των ειδικών στην επιστήμη και την ιατρική. Ωστόσο, αυτές οι προόδους αντιπροσωπεύουν μόνο ένα μικρό μέρος του πώς η AI επηρεάζει βαθιά σχεδόν κάθε σύνορο της ανθρώπινης δραστηριότητας.

Καθώς συγκλίνει με τα μεγάλα δεδομένα, τη βιοτεχνολογία, το cloud computing, τη ρομποτική και την κβαντική επιστήμη, η AI επιταχύνει τον ρυθμό της ανακάλυψης και επιτρέπει ενσωματώσεις που δημιουργούν πιο έξυπνα συστήματα και έναν πιο έξυπνο κόσμο.

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

Αναφορές

1. Mussavi Rizi, M., Fernández, D., Kramer, J. L. K., Saigal, R., DiGiorgio, A. M., Beattie, M. S., Ferguson, A. R., Kyritsis, N., Torres‑Espín, A., & TRACK‑SCI. Modeling trajectories of routine blood tests as dynamic biomarkers for outcome in spinal cord injury. npj Digital Medicine 8:470 (2025). https://doi.org/10.1038/s41746-025-01782-0
2. Lee, S., Raza, S., Lee, E.-J., Chang, Y., Ryu, S., Kim, H.-L., Kang, S.-H., & Kim, H.-N. Metagenome‑assembled genomes reveal microbial signatures and metabolic pathways linked to coronary artery disease. mSystems e00954‑25 (2025). https://doi.org/10.1128/msystems.00954-25
3. Dang, T., Lysenko, A., Boroevich, K. A., & Tsunoda, T. “VBayesMM: variational Bayesian neural network to prioritize important relationships of high‑dimensional microbiome multiomics data.” Briefings in Bioinformatics 26(4), bbaf300 (2025). https://doi.org/10.1093/bib/bbaf300
4. Sinha, A., Dhuri, D., Vasanth, R., Hanasoge, S., et al. “A Multimodal Encoder–Decoder Neural Network for Forecasting Solar Wind Speed at L1.” The Astrophysical Journal Supplement Series 258(2): 1–? (2025). https://doi.org/10.3847/1538-4365/adf436
5. Luo, X., Rechardt, A., Sun, G., Nejad, K. K., Yáñez, F., Yilmaz, B., Lee, K., Cohen, A. O., Borghesani, V., Pashkov, A., Marinazzo, D., Nicholas, J., Salatiello, A., Sucholutsky, I., Minervini, P., Razavi, S., Rocca, R., Yusifov, E., Okalova, T., Gu, N., Ferianc, M., Khona, M., Patil, K. R., Lee, P. S., Mata, R., Myers, N. E., Bizley, J. K., Musslick, S., Bilgin, I. P., Niso, G., Ales, J. M., Gaebler, M., Ratan Murty, N. A., Loued‑Khenissi, L., Behler, A., Hall, C. M., Dafflon, J., Bao, S. D. & Love, B. C. Large language models surpass human experts in predicting neuroscience results. Nature Human Behaviour 9, 305–315 (2025). https://doi.org/10.1038/s41562-024-02046-9
6. Bouziane, K. & Bouziane, A. M. AI versus human effectiveness in essay evaluation. Discover Education 3:201 (2024). https://doi.org/10.1007/s44217-024-00320-6
7. Feighelstein M., Luna S.P., Silva N.O., Trindade P.E., Shimshoni I., van der Linden D., & Zamansky A. “Comparison between AI and human expert performance in acute pain assessment in sheep.” Scientific Reports 15(1):626 (2025). https://doi.org/10.1038/s41598-024-83950-y (PubMed)
8. Ma, X., & Li, Z. Artificial intelligence in dermatology: a review. International Journal of Dermatology and Venereology 7, 227–235 (2025). https://doi.org/10.1097/IJD.0000000000000000
9. Gomes, B., McKee, K. R., Veerubhotla, A. S., Modi, A., Rysbek, A., Huber, A., Wiltshire, S., Gillick, D., et al. “AI tutoring can safely and effectively support students: An exploratory RCT in UK classrooms.” arXiv pre‑print (Nov 2025). Available at: https://storage.googleapis.com/deepmind-media/LearnLM/learnLM_nov25.pdf