Tekoälyn viimeisimmät läpimurrot: Mitä on uutta ja mitä on seuraavaksi?

Tekoäly (AI) jatkaa merkityksensä kasvua sen suuren potentiaalin ansiosta mullistaa toimialoja.

Tämä koneiden ihmisen älykkyyden simulointi tuo mukanaan etuja, kuten lisääntynyttä tehokkuutta ja tuottavuutta, parempaa tarkkuutta ja päätöksentekoa, uusia työmahdollisuuksia sekä parannettua asiakaskokemusta.

Tämän seurauksena tekoäly on noussut yritysten kasvun keskeiseksi ajuriksi, yli 70 % yrityksistä on ottanut sen käyttöön. Arviot osoittavat, että tekoälyn globaali markkina voi saavuttaa biljoonia dollareita vuoteen 2030 mennessä, mikä johtuu kasvaneesta investoinnista ja teknologisista edistysaskelista.

Vain tänä vuonna olemme nähneet valtavia kehityksiä: OpenAI esitteli syvä tutkimusagentin, jonka tarkkuus ylittää 25 % Humanity’s Last Exam -vertailussa; DeepSeek julkaisi DeepSeek‑R1:n, joka hyödyntää ajatuksenketju-päätöksentekoa; Baidu lanseerasi Ernie X1:n ja Ernie 4.5:n; ja Stability AI esitteli uuden mallin, Stable Virtual Camera:n, jonka avulla valokuvat voidaan muuttaa 3D‑kohtauksiksi.

Samaan aikaan Google tekee yhteistyötä Taiwanin MediaTekin kanssa kehittääkseen seuraavan sukupolven Tensor Processing Unit -yksiköitä (TPU) tuotantokustannusten ja nykyisten kumppaneiden riippuvuuden vähentämiseksi. Samanaikaisesti konsortio, johon kuuluvat OpenAI, Oracle (ORCL ), SoftBank ja MGX, ilmoitti Stargate-projektista yhteistyössä Yhdysvaltain hallituksen kanssa.

Viime viikolla Nvidia (NVDA ) ilmoitti uudesta “AI‑henkilökohtaisista supertietokoneista”, jotka toimivat Grace Blackwell -piirisarjan avulla. Toimitusjohtaja Jensen Huang esitteli DGX Sparkin ja DGX Stationin GTC 2025 -tapahtumassa, jotta käyttäjät voivat prototypoida, hienosäätää ja ajaa erilaisia AI‑malleja reunalla.

Joten katsotaanpa nyt joitakin viimeisimpiä keskeisiä läpimurtoja, joita tutkijat ovat saavuttaneet tekoälyn avulla eri sektoreilla.

Klikkaa tästä saadaksesi selville, onko tekoäly pelkkää hypeä vai onko sen kasvussa aitoa substanssia.

Tekoäly ratkaisee omaa oppimishaasteita

Tekoäly ei ainoastaan siirrä muita sektoreita, vaan myös edistää itseään mahdollistamalla kehittyneempien AI‑järjestelmien kehittämisen data-analyysin, koneoppimisen ja automaation edistymisen kautta, mikä johtaa nopeampaan käsittelyyn, tarkempiin ennusteisiin ja parempaan päätöksentekoon.

Tässä kuussa tutkijat esittelivät uusia muistiresistorikomponentteja, jotka ovat huomattavasti kestävämpiä, voivat toimia sekä analogisessa että digitaalisessa tilassa ja toimivat laajemmalla jännitealueella.

Nämä ominaisuudet voivat auttaa ratkaisemaan niin sanotun “katastrofaalisen unohtamisen”, joka tapahtuu, kun keinotekoiset neuroverkot unohtavat aiemmin oppimansa. Tämä tapahtuu tyypillisesti, kun syviä neuroverkkoja (DNN), jotka on suunniteltu jäljittelemään ihmisaivoja, koulutetaan uuteen tehtävään, ja uusi optimointi korvaa aiemmin opitun.

Aivoillamme ei ole tätä ongelmaa, kiitos niiden kyvyn säätää synaptisten muutosten astetta. Lisäksi epäillään, että erilaiset plastisuuden tasot mahdollistavat aivojen pysyvän oppimisen ilman vanhojen asioiden unohtamista. Tutkijat ovat saavuttaneet jotain vastaavaa uudella muistiresistorillaan.

Muistiresistorit käyttäytyvät hyvin kuin aivosolut ja kuluttavat erittäin vähän energiaa. Ne ovat vastusvaihtelumuistilaitteita, jotka voivat muuttaa vastustaan sovelletun jännitteen perusteella. Jopa jännitteen katkaisemisen jälkeen niiden vastusarvo säilyy niiden kyvyn ansiosta käydä läpi rakenteellisia muutoksia.

Ilia Valov Peter Grünberg Institute (PGI-7) -laitoksesta Forschungszentrum Jülich, joka johti tutkimusta:

“Muistiresistanssielementit katsotaan ihanteellisiksi ehdokkaiksi oppimiskykyisiksi, aivoihin inspiroiduiksi tietokonekomponenteiksi, jotka mallintavat aivoja.”

Vaikka merkittävää edistystä on saavutettu, komponenttien kaupallistaminen etenee paljon hitaammin korkean vikaprosentin, tuotteen lyhyen käyttöiän ja mekaanisten vaikutusten herkkyyden vuoksi, jotka voivat aiheuttaa toimintahäiriöitä käytön aikana.

Tämä vaatii tutkimusta parempien nanoskaalan prosessien hallitsemiseksi sekä uusien materiaalien ja kytkentämekanismien kehittämiseksi, jotta järjestelmien monimutkaisuutta voidaan vähentää ja niiden toiminnallisuutta laajentaa, sanoi Valov.

Tätä tarkoitusta varten saksalaiset ja kiinalaiset tutkijat yhdistivät voimansa ja “löysivät perusteellisesti uuden elektrokemiallisen muistiresistorimekanismin, joka on kemiallisesti ja sähköisesti vakaampi”, mikä laajentaa neurotieteen sovellusten horisonttia.

Klikkaa tästä saadaksesi tietää, miten tekoälyyn perustuvat aivochipit edistävät seuraavaa harppaa ihmiskunnan evoluutiossa.

Muistiresistorin läpimurto tekoälyn jatkuvaan oppimiseen

Julkaistu lehdessä Nature Communications¹, tutkimus tunnisti kaksi ensisijaista mekanismia bipolaaristen muistiresistorien toiminnalle:

1. Elektrokemiallinen metallisaatio (ECM)
2. Valenssin muutoksen mekanismi (VCM)

ECM-muistiresistorit muodostavat metallisen filamentin kahden elektrodin välillä. Tämä pieni “johtava silta” muuttaa sähkövastusta ja liukenee käänteisen jännitteen vaikutuksesta. Vaikka se mahdollistaa alhaiset kytkentäjännitteet ja nopeat kytkentäajat, syntyvät tilat ovat vaihtelevia ja lyhytkestoisia.

VCM-muistiresistorit muuttavat vastusta hapen ionien liikkeen kautta elektrodin ja elektrolyytin rajapinnassa muuttamalla Schottky‑esteitä. Vaikka ne ovat suhteellisen vakaita, tämä vaatii korkeita kytkentäjännitteitä.

Kun jokaisella prosessilla on omat etunsa ja haittansa, tiimi suunnitteli muistiresistorin yhdistämällä molempien tyyppien hyödyt, mikä ei aiemmin uskomuksissa ollut mahdollista.

Uusi muistiresistor siis käyttää filamenttia, joka on valmistettu metallinoksideista (sen sijaan, että se olisi täysin metallinen kuten ECM), ja se muodostuu hapen ja tantaalin ionien liikkeen kautta. Se on erittäin vakaa eikä koskaan täysin liukene.

“Voit ajatella sitä filamenttina, joka on aina jossain määrin olemassa ja jota muokataan vain kemiallisesti.”

– Valov

Uutta, kestävää kytkentämekanismia kutsutaan filamenttien johtavuuden muokkausmekanismiksi (FCM). Tämän mekanismin pohjalta valmistetut komponentit ovat kestävämpiä korkeita lämpötiloja vastaan, tarvitsevat alhaisempia jännitteitä tuotannossa, niillä on laajempi jänniteikkuna, ja ne ovat kemiallisesti sekä sähköisesti vakaampia. Niiden käyttöikä on myös pidempi, koska vähemmän komponentteja palaa pois tuotannossa, mikä johtaa alhaisempaan hylkäysprosenttiin.

Eri oksidaatiotilat mahdollistavat lisäksi muistiresistorin toiminnan sekä binäärisessä että analogisessa tilassa, mikä voi auttaa voittamaan “katastrofaalisen unohtamisen” ongelman.

Valov selitti, että uuden kaksiterminaalisen ohmisen muistiresistorin “ainutlaatuiset ominaisuudet” “mahdollistavat erilaisten kytkentätilojen käytön muistiresistorin modulaation hallitsemiseksi siten, että tallennettu tieto ei katoa.”

Tutkijat ovat jo toteuttaneet uuden muistiresistorikomponentin keinotekoisen neuroverkon mallissa simuloinnissa, saavuttaen korkean kuviointitunnistuksen tarkkuuden useilla kuva-aineistoilla.

Tiimi aikoo nyt tutkia muita materiaaleja, jotka saattavat olla vielä parempia ja vakaampia. Valov on varma, että heidän “tuloksensa edistävät edelleen elektroniikan kehittämistä ‘laskenta-muistissa’ -sovelluksiin.”

Nyt yksi tekoälyalan johtavista yrityksistä on Microsoft (MSFT ), joka on sijoittanut 12 miljardia dollaria ChatGPT:n tekijä OpenAI:hin ja tarjoaa AI‑tuotteita kuten Copilot, Azure AI Studio sekä AI‑pohjaisia työkaluja Microsoft 365:ssä, Dynamics 365:ssä ja Power Platformissa. Tämän 2,9 triljoonan dollarin markkina-arvon teknologiajättiläisen osakkeet kaupankäydään tällä hetkellä 394,58 dollaria, 7,17 % laskua vuoden alusta. Tammikuun 31. päivänä 2024 päättyneelle neljännekselle se raportoi 12 % liikevaihdon kasvun 69,6 miljardiin dollariin ja laimennettua EPS:ää 3,23 dollaria.

Satya Nadella, Microsoftin toimitusjohtaja:

“Innovoimme koko teknologia‑pinomme läpi ja autamme asiakkaita vapauttamaan tekoälyn täyden ROI:n hyödyntääkseen valtavan tulevan mahdollisuuden. Jo AI‑liiketoimintamme on ylittänyt 13 miljardia dollaria vuotuisen liikevaihdon, kasvaen 175 % vuodesta toiseen.”

Uusimmat Microsoftista

Tekoäly terveydenhuollossa, parantaen Parkinsonin diagnoosia

Terveydenhuollon alalla tekoäly auttaa vähentämään kustannuksia ja saavuttamaan parempia potilastuloksia parantamalla diagnostiikkaa, hoitoa ja potilashoitoa tautien havaitsemisen, personoidun lääketieteen ja hallinnollisten tehtävien tehokkuuden avulla.

Nyt tekoäly auttaa kliinikkoja erottamaan Parkinsonin taudin ja siihen liittyvät tilat nopeammin ja tarkemmin.

Parkinsonin taudin diagnoosin tarkkuus on tällä hetkellä 55 %–78 % ensimmäisen viiden vuoden arvioinnissa, osittain siksi, että sen sukulaisliikuntahäiriöt jakavat samankaltaisuuksia, mikä tekee lopullisen diagnoosin aluksi vaikeaksi.

Kuitenkin Floridan yliopiston ja UF Health Norman Fixel Institute for Neurological Diseases -tutkijoiden kehittämä uusi AI‑malli ylittää 96 % tarkkuuden.

Kuten tutkimus totesi, kuvantamiseen perustuvan lähestymistavan soveltaminen Parkinsonin taudin (PD), progressiivisen supranukleaarisen palsyn (PSP) ja monijärjestelmä-atereen (MSA) Parkinson-varianttien diagnosointiin ja erotteluun on ollut erityisen haastavaa. Kuitenkin viimeaikaiset tiedot ovat osoittaneet, että se on mahdollista diffuusiopainotetun MRI:n yhdistämisellä tautikohtaisten koneoppimisalgoritmien (ML) kanssa.

NIH:n rahoittama ja JAMA Neurology -lehdessä julkaistu tutkimus esitteli Automated Imaging Differentiation for Parkinsonism (AIDP) -ohjelmiston, automatisoidun MRI‑käsittelyn ja ML‑ohjelmiston, jossa on ei‑invasiivinen biomarkkeritekniikka.

MRI-valmistajat, David Vaillancourt, UF:n soveltavan fysiologian ja kineettisen tiedekunnan professori, totesi, että ne eivät kommunikoi keskenään markkinakilpailun vuoksi ja käyttävät omia ohjelmistojaan ja sekvenssejään.

Siksi tutkijat “kehittivät uuden ohjelmiston, joka toimii kaikilla niillä.” Työkalu auttaa lääkäreitä parantamaan diagnostista tehokkuuttaan eri häiriöiden välillä, sanoi Vaillancourt.

Vaikka diffuusiopainotettu MRI AIDP:ssä auttaa paikantamaan neurodegeneraatioalueita mittaamalla, miten vesimolekyylit diffundoivat aivoissa, algoritmi analysoi aivojen kuvauksen ja antaa tulokset.

Algoritmia on testattu perusteellisesti henkilökohtaisten klinikkadiagnoosien kanssa ja sitä on käytetty 21 paikassa, joista kaksi Kanadassa ja 19 Yhdysvalloissa.

“Tämä on esimerkki siitä, kuinka teknologian ja tekoälyn välinen innovaatio on todistettu parantavan diagnostista tarkkuutta, antaen meille mahdollisuuden edelleen parantaa hoitoa Parkinson-potilaille.”

– Michael Okun, M.D., Norman Fixel Institute for Neurological Diseases -direktori UF Healthissa.

Tutkijat pyrkivät nyt saamaan hyväksynnän Yhdysvaltain elintarvike- ja lääkevirastolta (FDA).

Tekoälyn käyttö sydän- ja verisuoniriskiin ennustamiseen mammogrammien avulla

Toinen syväoppimismalli osoitti potentiaalia ennustaa sydän- ja verisuoniriskiä mammogrammikuvausten perusteella, tärkeä syöpäseulontatyökalu. Tämä erillinen tutkimus, esitelty American College of Cardiology (ACC) -yhteisön vuosittaisessa tieteellisessä istunnossa, yhdistää tekoälyn voiman mammogrammeihin analysoidakseen kalsiumin kertymistä rintakudoksen valtimoihin.

Kalsiumin kertymä verisuoniin on merkki ikääntymiseen tai varhaisen vaiheen sydänsairauksiin liittyvästä sydän- ja verisuonivaurioista. Aikaisempien tutkimusten mukaan naisilla, joilla on kalsiumia valtimoissa, on 51 % suurempi riski sydänsairauksiin ja aivohalvaukseen.

Vaikka sydänsairaudet ovat Yhdysvalloissa johtava kuolinsyy, ne diagnosoidaan naisilla edelleen aliedustetusti, mikä voi muuttua tekoälypohjaisten mammogrammi‑seulontatyökalujen avulla, jotka hyödyntävät paremmin testejä, joita monet naiset säännöllisesti saavat.

Yhdysvalloissa tehdään vuosittain noin 40 miljoonaa mammogrammia. Näitä röntgenkuvia käytetään rintasyövän seulontaan. Vaikka kuvat näyttävät rintavaltimojen kalkkeja, tietoa ei raportoida potilaille tai heidän kliinisille hoitajilleen.

Uusi tutkimus käytti AI‑kuva-analyysitekniikkaa, jota ei aiemmin ole käytetty mammogrammeissa, osoittaakseen, että teknologia voi täyttää tämän aukon automaattisesti arvioimalla kalkkeja ja antamalla sydän- ja verisuoniriskiluokituksen. Tutkimuksen pääkirjoittajan, Theo Dapameden, MD, PhD, ja Emory Universityn postdoc-tutkijan mukaan:

“Näemme mahdollisuuden, että naiset voivat saada syöpäseulonnan lisäksi myös sydän- ja verisuoniriskin arvioinnin mammogrammeistaan. Tutkimuksemme osoitti, että rintavaltimon kalkki on hyvä ennustaja sydän- ja verisuonisairauksille, erityisesti alle 60‑vuotiailla potilailla. Jos pystymme seulomaan ja tunnistamaan nämä potilaat varhaisessa vaiheessa, voimme ohjata heidät kardiologille lisäriskin arviointia varten.”

Työkalun rakentamiseksi tutkijat kouluttivat AI‑mallin segmentoidakseen kalkkeutuneet verisuonet mammogrammikuvaan. Malli käyttää näitä kirkkaita pikseleitä laskemaan tulevien sydän- ja verisuonitapahtumien riskin yli 56 000 potilaan tiedon perusteella.

“Syväoppimisen ja tekoälyn edistysaskeleet ovat tehneet paljon helpommaksi poimia ja käyttää enemmän tietoa kuvista opportunistisen seulonnan tukena.”

– Dapamede

Tutkimustulokset osoittivat, että uusi malli suoriutui hyvin tunnistaessaan potilaiden sydän- ja verisuoniriskin alhaisena, kohtalaisena tai vakavana mammogrammikuvausten perusteella.

Heidän mukaansa vakavien sydän- ja verisuonitapahtumien määrä kasvaa rintavaltimoiden kalkkitasojen mukaan naisilla alle 60 ja 60–80‑vuotiailla, kun riski kuolemasta äkillisestä sydäninfarktin, aivohalvauksen tai minkä tahansa syyn vuoksi lasketaan kahden ja viiden vuoden kuluttua.

Tämä tekee työkalusta erityisen sopivan tarjoamaan varhaisen varoituksen sydänsairausriskistä nuorilla naisilla, mahdollistaen varhaiset toimenpiteet.

Tutkimustulokset osoittavat myös, että ne, joilla on korkein rintavaltimoiden kalkkitaso, yli 40 mm², olivat huomattavasti alhaisemmalla viiden vuoden tapahtumavapauden selviytymisasteella kuin ne, joilla oli alhaisin taso, alle 10 mm².

Tutkijoiden seuraava askel on saada FDA:n hyväksyntä ja tehdä siitä laajemmin saatavilla oleva. Tulevaisuudessa suunnitelmana on myös tutkia samanlaisten AI‑mallien käyttöä biomarkkereiden analysointiin muissa sairauksissa, kuten munuaissairaudessa, jotka voidaan poimia mammogrammeista.

Kun tarkastellaan yrityksiä, jotka edistävät tekoälyä terveydenhuollossa, GE HealthCare Technologies (GEHC )on vahvasti investoinut teknologiaan ja integroi sitä tuotteisiinsa parantaakseen potilashoitoa ja tehostaakseen kliinikoiden työnkulkuja. Yrityksen 37,26 miljardia dollaria markkina-arvoinen osake käy tällä hetkellä 81,49 dollaria, 4,23 % nousua. Vuoden 2024 neljännen neljänneksen aikana sen liikevaihto kasvoi 2 % 5,3 miljardiin dollariin, ja laimennettu EPS oli 1,57 dollaria.

Uusimmat GE Healthcare Technologies -uutiset

Tekoäly materiaalitieteessä: ohutkalvojen kasvuprosessien optimointi

Materiaalitiede on keskeinen nykyaikaisille edistysaskelille, koska se mahdollistaa uusien materiaalien kehittämisen ja olemassa olevien parantamisen. Tekoäly tällä alalla edistää prosessia nopeuttamalla uusien materiaalien löytämistä ja suunnittelua, optimoimalla olemassa olevia sekä parantamalla valmistusprosesseja.

Tokion tiedekorkeakoulun (TUS) tutkijat, professori Masato Kotsugin johdolla, ovat nyt hyödyntäneet tekoälyä ohutkalvojen kasvuprosessien optimointiin ennustamalla dendriittistä kasvua niissä.

Nämä prosessit ovat avainasemassa puolijohdekomponenttien, viestintäteknologioiden ja anturiteknologioiden kehittämisessä.

Nykyään ohutkalvot kasvatetaan asettamalla pieniä materiaalikerroksia alustan päälle. Kuitenkin monikerroksisten kalvolaiteiden suorituskyvyn täysimääräiseen hyödyntämiseen alusta on valmistettava tarkasti, koska sillä on merkittävä vaikutus rakenteelliseen konfiguraatioon, mikä puolestaan vaikuttaa niiden toimintaan ja suorituskykyyn.

Kuitenkin rakenteita vaikuttavat merkittävästi kasvuprosessin olosuhteet, kuten koostumus, ympäristö ja pintavauriot. Suuren alueen valmistusprosessissa, joka on tärkeä kaupalliselle sovellukselle, merkittävä este ilmenee dendriittisten rakenteiden muodossa.

Nämä puumaiset haarautuvat kuviot vähentävät ohutkalvojen tasaisuutta ja havaitaan yleisesti materiaaleissa kuten grafiini, kupari ja boorifeni, erityisesti varhaisessa kasvuvaiheessa ja monikerroksisissa kalvoissa.

Koska mikrorakenne vaikuttaa suoraan laitteen suorituskykyyn, dendriittisen muodostumisen vähentäminen on kriittistä. Tätä varten meidän on ensin ymmärrettävä olosuhteet, jotka aiheuttavat dendriittisen haarautumisen. Nykyiset dendriittien tutkimusmenetelmät perustuvat kuitenkin yksinkertaiseen visuaaliseen analyysiin ja subjektiiviseen tulkintaan, mikä vaatii huomattavaa kokeilua ja erehdystä.

Näiden ongelmien ratkaisemiseksi tutkijat rakensivat AI‑mallin dendriittirakenteiden analysoimiseksi. Innovatiivinen menetelmä yhdistää koneoppimisen (ML) ja pysyvän homologia (PH) energianalyysin kanssa yhdistääkseen rakenteen ja prosessin dendriittisessä kasvussa.

“Lähestymistapamme tarjoaa uusia näkemyksiä kasvumekanismeihin ja tarjoaa tehokkaan, dataohjatun polun ohutkalvojen valmistuksen optimointiin.”

– Prof. Kotsugi

Tekoälyn, PH:n ja energianalyysin yhdistäminen dendriittisen kasvun tutkimiseen

Julkaistu Science and Technology of Advanced Materials: Methods³, tutkimus kuvaa mallin, joka käyttää pysyvää homologiaa (PH) dendriittien mikrorakenteiden monimutkaisten topologisten ominaisuuksien tallentamiseen, joita perinteiset kuvanprosessointitekniikat usein ohittavat.

Kun PH mahdollistaa moniasteisen reikien ja yhteyksien arvioinnin geometrisissa rakenteissa, koneoppimistekniikka, pääkomponenttianalyysi (PCA), auttoi vähentämään PH:n avulla poimittuja olennaisia dendriittimorfologian ominaisuuksia kahdenulotteiseen tilaan.

Tämä auttoi tiimiä kvantifioimaan dendriittien rakenteellisia muutoksia ja luomaan yhteyden näiden muutosten ja materiaalin vapaan energian välillä, mikä vaikuttaa dendriittien muodostumistapaan.

Arvioituan tämän suhteen tiimi löysi erityiset olosuhteet ja piilotetut kasvumekaniikat, jotka vaikuttavat dendriittiseen haarautumiseen.

“Kehyksemme kvantitatiivisesti kartoittaa dendriittimorfologian Gibbsin vapaan energian vaihteluihin, paljastaen energian gradientit, jotka ohjaavat haarautumiskäyttäytymistä.”

– Kotsugi

Tiimi tutki sitten dendriittien kasvua kuusikulmaisessa kuparipohjassa (Cu) ja vertasi tuloksia vaihekenttäsimulaatioiden tietoihin vahvistaakseen lähestymistapansa. Kotsugi totesi:

“Yhdistämällä topologiaa ja vapaata energiaa menetelmämme tarjoaa monipuolisen lähestymistavan materiaalianalyysiin. Tämän integraation avulla voimme luoda hierarkkisen yhteyden atomitasoisten mikrorakenteiden ja makroskooppisten toiminnallisuuksien välillä laajalla materiaalivalikoimalla, raivaten tietä tuleville edistysaskelille materiaalitieteessä.”

Tämän menetelmän, hänen mukaansa, avulla voidaan kehittää korkealaatuisia ohutkalvolaiteita, jotka mahdollistavat yli 5G:n nopean viestinnän, sekä edistää korkean suorituskyvyn materiaaleja, ei‑tasapainofysiikkaa ja anturiteknologiaa.

Jos tarkastelemme merkittävää nimeä materiaalitieteen alalla, joka hyödyntää tekoälyä innovoinnissa, Applied Materials (AMAT ) on yksi kärkinimistä. Se käyttää tekoälyä puolijohdepiirilevyjen valmistuksen parantamiseen AI(x)-alustansa, ExtractAI:n ja SEMVision™ H20 -järjestelmän avulla. Yrityksen 123,6 miljardia dollaria markkina-arvoinen osake käy tällä hetkellä 151 dollaria, 6,5 % laskua vuoden alusta. 1Q25:ssä se raportoi 7 % liikevaihdon kasvun 7,17 miljardiin dollariin, GAAP‑EPS oli 1,45 dollaria ja non‑GAAP‑EPS 2,38 dollaria.

“Alan pyrkimys nopeuttaa kehittyneen laskennan ja monimutkaisemman tekoälyn kehittämistä saa vauhtia. Applied Materials mahdollistaa tärkeät laitearkkitehtuurin käännekohdat, jotka ovat kriittisiä energiatehokkaalle tekoälylle, ja korkean nopeuden yhteisinnovaatiokeskittymämme luo ainutlaatuisia yhteistyömahdollisuuksia asiakkaidemme ja kumppaneidemme kanssa, asettaen Appliedin jatkuvan kasvun ja parempien tulosten tielle tulevina vuosina.”

– Toimitusjohtaja Gary Dickerson viime kuussa

Uusimmat Applied Materials -uutiset

Yhteenveto

Tekoäly on jo muuttanut yrityksiä eri toimialoilla. Innovoinnin nopea tahti tarjoaa nyt mullistavia ratkaisuja sen pitkään jatkuneisiin haasteisiin. Näiden edistysaskelten, jotka kattavat materiaalitieteen, lääketieteellisen diagnostiikan, henkilökohtaiset supertietokoneet ja jopa tekoälyn omat oppimishaasteet, myötä, astumme aikakauteen, joka lupaa ennennäkemättömän muutoksen.

Kun tekoäly jatkaa kehittymistään, sen kyky lisätä tuottavuutta, parantaa päätöksentekoa ja avata uusia rajoja tekee siitä yhden voimakkaimmista tulevaisuutta muokkaavista tekijöistä.

Klikkaa tästä saadaksesi tietää kaiken tekoälyyn (AI) sijoittamisesta.