Sijoittaminen Nobel-palkittuihin läpimurtoihin – keinotekoiset neuroverkot tekoälyn perustana

Nobel-palkinnon historia

Nobel-palkinto on yksi tiedemaailman arvostetuimmista tunnustuksista. Se perustettiin Alfred Nobelin testamentin mukaisesti palkitsemaan niitä, ”jotka ovat tuottaneet ihmiskunnalle suurimman hyödyn”, fysiikan, kemian, fysiologian tai lääketieteen, kirjallisuuden ja rauhan aloilla.

Ruotsin keskuspankki perusti myöhemmin taloustieteen palkinnon Alfred Nobelin muistoksi. Sitä kutsutaan yleisesti taloustieteen Nobel-palkinnoksi, vaikka se ei kuulunut Nobelin testamentin alkuperäisiin palkintoihin.

Palkinnonsaajat valitsevat eri aloille nimetyt instituutiot. Useimmat ovat ruotsalaisia, mutta rauhanpalkinnon saajan valitsee Norjan Nobel-komitea.

Huoli omasta jälkimaineesta

Tunnetun kertomuksen mukaan Nobel luki ranskalaislehdestä oman kuolinilmoituksensa, kun lehti oli erehtynyt hänen veljensä kuolemasta. Tarinan ratkaisevasta vaikutuksesta palkinnon perustamiseen ei kuitenkaan ole varmaa näyttöä. Dynamiitti ja savuton ruuti ovat eri keksintöjä, joten dynamiittia ei pidä kuvata tunnetuimmaksi savuttomaksi räjähteeksi.

Nobelin keksinnöillä oli sekä teollisia että sotilaallisia käyttötarkoituksia. Hän osallistui myös teräs- ja aseteollisuuteen. Testamentissaan hän määräsi omaisuutensa käytettäväksi ihmiskuntaa hyödyttäneiden saavutusten palkitsemiseen.

Nobel-palkinto

Nobelin jättämää omaisuutta hoidetaan Nobel-säätiön sijoitusvarallisuutena. Palkinnonsaajille annetaan kultamitali, kunniakirja ja rahapalkinto. Vuonna 2024 palkintosumma oli 11 miljoonaa Ruotsin kruunua palkintoa kohti, eli vaihtokurssista riippuen noin miljoona Yhdysvaltain dollaria.

Lähde: Britannica

Palkinto jaetaan usein usean henkilön kesken. Tieteessä kaksi tai kolme tutkijaa voi esimerkiksi tehdä samaan läpimurtoon johtavaa työtä yhdessä tai rinnakkain.

Nobel-palkinto tietojenkäsittelyssä?

Fysiikan Nobel-palkinto voidaan myöntää maailmankaikkeuden perusluonnetta koskevista löydöistä, kuten mustien aukkojen tutkimuksesta vuonna 2020 tai eksoplaneetoista vuonna 2019. Myös materiaaleihin ja teknologiaan liittyviä saavutuksia palkitaan. Kvanttipisteet palkittiin kuitenkin vuonna 2023 kemian eikä fysiikan alalla. Laserit vuonna 2018 ja LED-valot vuonna 2014 liittyivät fysiikan palkintoihin.

Sen sijaan vuoden 2024 fysiikan palkinnonsaajat olivat Geoffrey Hinton ja John Hopfield. Heidät palkittiin keinotekoisiin neuroverkkoihin perustuvan koneoppimisen mahdollistaneista perustavanlaatuisista löydöistä ja keksinnöistä.

Lähde: Nobel Prize

Neuroverkot ovat monien viime vuosien tekoälysaavutusten taustalla. Niitä käytetään suurten kielimallien lisäksi konenäössä, autonomisen ajamisen tutkimuksessa, lääkeaineiden etsinnässä ja materiaalitieteessä.

Mitä neuroverkot ovat?

Sirut vs. neuronit

Tietokoneiden kehitys synnytti varhain toiveen ihmisen kaltaisista älyllisistä kyvyistä. Laskenta ja kuvien tuottaminen ovat edistyneet valtavasti, mutta yleisessä päättelyssä ja uusiin tilanteisiin sopeutumisessa on edelleen rajoituksia.

Piisirut ja biologiset hermosolut toimivat eri tavoin. Digitaaliset piirit käsittelevät binääristä tietoa nopeasti, kun taas hermosoluissa yhdistyvät sähköiset signaalit, kemiallinen viestintä ja muuttuvat yhteydet. Hermosoluja ei voi kuvata pelkästään yksinkertaisiksi analogisiksi piireiksi.

Tietokone suorittaa ohjelmaa, mutta ohjelma voi sisältää oppimisalgoritmin. Väite, ettei tietokone voisi oppia mitään, on siis virheellinen. Myös neuroverkko toteutetaan yleensä tietokoneessa suoritettavana matemaattisena mallina.

Neuroverkko säätää sisäisiä parametrejaan esimerkkiaineiston perusteella. Näin se voi käsitellä tehtäviä, joiden jokaista sääntöä on vaikea kirjoittaa käsin. Kuvassa olevien esineiden tunnistaminen on yksi esimerkki. Verkkosivujen ihmistarkistukset eivät tarkoita, etteivät tietokoneet pystyisi kuvantunnistukseen.

Lähde: Google

Miten neuronit toimivat

Biologisissa hermoverkoissa yhteyksien voimakkuus voi muuttua toiminnan ja kokemuksen myötä. Tämä plastisuus on tärkeä oppimisen mekanismi.

Ajatus yhdessä aktivoituvien hermosolujen yhteyksien vahvistumisesta innosti kuvaamaan oppimista tietokoneessa toisiinsa yhdistetyillä laskentasolmuilla.

Keinotekoisen neuroverkon koulutuksessa säädetään esimerkiksi yhteyksien painoja. Se ei ole sama asia kuin biologinen oppiminen, mutta on keskeinen menetelmä nykyisessä tekoälyssä.

Lähde: Nobel Prize

Menetelmä oli lupaava, mutta suurten mallien vaatima laskenta oli vaikeaa etenkin 1960- ja 1970-lukujen tietokoneilla.

Miten ihmisen muisti toimii

Ihminen voi tunnistaa kuvan laskematta jokaisen pikselin väriä täsmällisesti. Osittainen tieto yhdistyy aiempiin kokemuksiin ja tuttuun hahmoon.

Fyysikko John Hopfield esitteli vuonna 1982 Hopfieldin verkon, jolla voidaan tallentaa hahmoja ja palauttaa niitä epätäydellisestä syötteestä. Se on assosiatiivisen muistin malli.

Aloittaminen fysiikasta

Hopfield sai vaikutteita fysikaalisista järjestelmistä, joissa monien osien vuorovaikutus synnyttää yhteisiä ominaisuuksia. Magneettisten aineiden spinit ja niiden vuorovaikutukset olivat tärkeä esikuva. Spin on hiukkasen kvanttimekaaninen ominaisuus, joka liittyy magnetismiin.

Magneettisessa aineessa spinien vuorovaikutukset vaikuttavat kokonaisuuden tilaan. Kaikkien magneettisten materiaalien spinit eivät kuitenkaan aina osoita samaan suuntaan. Hopfield kuvasi toisiinsa vaikuttavien solmujen tiloja energiafunktion avulla.

Mustavalkoinen kuva voidaan esimerkiksi esittää solmuruudukkona, jonka arvot ovat nollia ja ykkösiä.

Kun koulutetulle verkolle annetaan vääristynyt tai vajaa hahmo, solmujen tiloja päivitetään kohti pienemmän energian vakaata tilaa. Jos tämä vastaa tallennettua hahmoa, alkuperäinen kuva palautuu. Menetelmä ei kuitenkaan onnistu kaikilla syötteillä.

Hopfield loi näin toimivan mallin hahmojen täydentämiseen ja virheiden korjaamiseen. Se on ohjelmallinen laskentamenetelmä, ei tietokoneen ohjelmoinnista erillinen kyky.

Lähde: Nobel Prize

Hopfieldin mallien kaltaisia verkkoja on laajennettu myös jatkuvien arvojen käsittelyyn. Solmu voi kuvata esimerkiksi väriarvoa, mutta pelkkä laskentatehon lisääminen ei automaattisesti muuta alkuperäistä mallia kaikkien tietotyyppien käsittelijäksi.

Assosiatiivisen muistin periaatetta voidaan soveltaa myös muuhun kuin kuvatietoon.

Ymmärtäminen assosiaatioiden avulla

Ihminen ja monet eläimet tunnistavat esimerkiksi koiran, kissan tai oravan usein melko vähäisen kokemuksen perusteella. Monet kuvamallit puolestaan tarvitsevat laajoja aineistoja, joissa näkyvät eri asennot, värit ja ympäristöt.

Ero kannustaa tutkimaan oppimista pienistä aineistoista. Se ei tarkoita, että eläimet olisivat tietokoneita parempia kaikissa hahmontunnistustehtävissä.

Binääriarvoja laajemmat mallit

Mallin solmut voivat rakenteesta riippuen esittää monenlaista numeerista tietoa. Verkkoja voidaan suunnitella käsittelemään jatkuvia arvoja ja ajassa muuttuvia ilmiöitä.

Todennäköisyysmallit auttavat kuvaamaan monimutkaisten järjestelmien epävarmuutta. Tilastollinen laskenta tai neuroverkko ei kuitenkaan automaattisesti kuluta vähemmän energiaa tai laskentaresursseja kuin muut menetelmät.

Solmujen ja yhteyksien lisääminen voi kasvattaa mallin ilmaisukykyä, mutta myös koulutuskustannuksia ja ylisovittamisen riskiä.

Boltzmannin kone

Geoffrey Hinton kehitti Terrence Sejnowskin ja muiden työtovereidensa kanssa Hopfieldin malliin liittyviä ajatuksia.

He hyödynsivät tilastollista fysiikkaa, jossa suurten hiukkasjoukkojen käyttäytymistä kuvataan todennäköisyyksillä. Esimerkiksi kaasun makroskooppisia ominaisuuksia voidaan selittää seuraamatta jokaisen molekyylin liikettä erikseen.

Boltzmannin koneessa on havaittavaa tietoa edustavia näkyviä solmuja ja suoraan havaitsemattomia piilosolmuja. Niiden vuorovaikutukset määrittävät eri tilojen todennäköisyydet, joita malli oppii aineistosta. Piilosolmut eivät käsitteenä rajoitu vain kahden näkyvän kerroksen väliin.

Lähde: Nobel Prize

Malli nimettiin Ludwig Boltzmannin mukaan. Hän oli 1800-luvulla vaikuttanut fyysikko, joka kehitti tilastollista mekaniikkaa.

Lähde: Wikipedia

Rajoitettu Boltzmannin kone

Alkuperäisen Boltzmannin koneen koulutus oli laskennallisesti raskasta. Rajoitetussa Boltzmannin koneessa saman kerroksen solmujen välisiä yhteyksiä ei ole, mikä yksinkertaistaa rakennetta.

Lähde: Nobel Prize

Rajoitus helpottaa tiettyjä laskenta- ja koulutusvaiheita säilyttäen kyvyn oppia monimutkaisia hahmoja.

Myöhempi kehitysaskel oli kouluttaa rajoitettuja Boltzmannin koneita kerroksittain syvän verkon alkutilan muodostamiseksi.

Tällainen esikoulutus oli tärkeä apukeino aikana, jolloin syvien verkkojen koulutus oli muuten vaikeaa.

Vaikutus nykyaikaisiin neuroverkkoihin

Hopfield ja Hinton kehittivät tärkeitä neuroverkkojen käsitteitä, matematiikkaa ja työkaluja. Alan kehitys perustuu myös monien muiden tutkijoiden työhön.

2010-luvulla laskentatehon, aineistojen ja koulutusmenetelmien kehitys teki neuroverkoista laajasti käytettyjä useilla aloilla.

Useita laskentakerroksia sisältäviä malleja kutsutaan syviksi neuroverkoiksi. Kaikki nykymallit eivät ole Boltzmannin koneen uudempia versioita. Hopfieldin vuoden 1982 julkaisun 30 solmun mallissa on 435 mahdollista solmuparia, kun itseensä kytkeytyvät yhteydet jätetään pois. Solmujen määrä ja painojen kaltaisten parametrien määrä ovat eri asioita.

Nykyiset suuret kielimallit, joihin esimerkiksi ChatGPT perustuu, voivat sisältää valtavia parametrimääriä. Joissakin malleissa niitä on biljoonaluokassa, mutta jokaisessa kielimallissa ei ole biljoonaa parametria. Monet nykyiset kielimallit perustuvat transformer-rakenteeseen, ja niiden koulutus sekä käyttö vaativat huomattavia laskentaresursseja.

Sovellukset

Perusfysiikka

Neuroverkot ovat myös muiden tieteellisten löytöjen apuvälineitä.

Koneoppimista on käytetty esimerkiksi Higgsin bosonin etsinnässä syntyneen valtavan mittausaineiston analyysiin. Sen teoreettiseen taustaan liittyen François Englert ja Peter Higgs saivat yhdessä fysiikan Nobel-palkinnon vuonna 2013. Neuroverkkoja käytetään myös gravitaatioaaltojen aineistoissa ja eksoplaneettojen etsinnässä. Yksittäinen löytö ei silti synny pelkän neuroverkon avulla.

Sovellettu fysiikka

Todelliset materiaalit ja ilmiöt voivat olla liian monimutkaisia kuvattaviksi seuraamalla jokaista hiukkasta erikseen.

Neuroverkot voivat oppia aineistosta riippuvuuksia, arvioida ominaisuuksia ja ehdottaa lupaavia tutkimuskohteita. Ennusteet tarvitsevat kokeellista tai muuta laskennallista varmistusta; ne eivät aina ole oikeita.

Tutkijat käyttävät niitä esimerkiksi proteiinirakenteiden ennustamiseen ja toimintojen tutkimuksen tukena sekä tehokkaampiin aurinkokennoihin tai akkuihin sopivien materiaalien etsimiseen.

Suuret kielimallit

Suuret kielimallit ovat keskeinen neuroverkkojen sovellus, joka nousi laajaan tietoisuuteen ChatGPT:n julkaisun jälkeen vuonna 2022.

Ihmisen kaltaista keskustelukykyä on pitkään pidetty yhtenä koneälyn arviointitapana. Tunnettu esimerkki on Turingin testi.

Kielimallien kykyjen suhteesta älykkyyteen kiistellään. Osa näkee ne askeleena kohti ihmistä laajempaa älyä, kun taas toiset painottavat tilastollisen tekstintuoton rajoituksia.

Kielimallit voivat vähentää työmäärää monissa kielellisissä tehtävissä. Virheiden ja sepitettyjen tietojen vuoksi tulokset on kuitenkin tarkistettava käyttötarkoituksen mukaan. Esimerkkejä sovelluksista ovat:

• Chatbotit ja asiakaspalvelu
• Ohjelmakoodin kirjoittaminen ja tarkistus
• Kääntäminen ja lokalisointi
• Markkinatutkimus
• Tiedonhaku ja kysymyksiin vastaaminen
• Laajojen asiakirjojen ja aineistojen analyysi
• Koulutus

Kuvageneraattorit voivat tuottaa hyödyllistä kuvamateriaalia mutta myös helpottaa harhaanjohtavien tai kiristykseen käytettävien väärennösten tekemistä.

Konenäkö

Kuvahahmojen tallentaminen ja tunnistaminen oli tärkeää jo varhaisessa neuroverkkotutkimuksessa. Nykyään kuvantunnistus on alan keskeinen sovellus.

Englanniksi machine vision viittaa usein teollisten tarkastusjärjestelmien konenäköön ja computer vision laajempaan kuvien ymmärtämisen tutkimukseen. Rajaus ei ole aina tarkka.

Lähde: Solomon

Autonominen ajaminen

Ympäristön havainnointi on autonomisten ajoneuvojen keskeinen tehtävä. Ajoneuvon on tunnistettava tie, muut liikkujat ja tilanteet turvallisen toiminnan suunnittelemiseksi.

Monet järjestelmät yhdistävät kameroita, tutkaa ja lidar-antureita. Tesla (TSLA ) painottaa kameroihin perustuvaa lähestymistapaa ja hyödyntää ajoneuvokantansa aineistoja. Vuonna 2024 FSD oli kuljettajan jatkuvaa valvontaa edellyttävä avustava järjestelmä, ei täysin autonominen ajoneuvo.

Laadukas koulutusaineisto, todellisten tilanteiden merkintätyö, tehokas laitteisto ja perusteellinen testaus ovat tärkeitä. Kaikissa olosuhteissa ilman kuljettajaa toimivan tason 5 automaation aikataulua tai yhden yrityksen yksinomaista menestystä ei voi taata.

Lääketiede

Lääketieteessä röntgen-, magneetti- ja tietokonetomografiakuvien tulkinta vaatii asiantuntemusta.

Kuvien luotettava tulkinta edellyttää usein pitkää koulutusta. Tekoäly voi avustaa tai automatisoida joitakin kuvantulkinnan tehtäviä, mutta tarkkuus riippuu aineistosta, tutkimustyypistä ja kliinisestä ympäristöstä.

Tutkimuksessa selvitetään myös mahdollisuuksia ADHD:n kaltaisten, tavallisesti muilla tavoin diagnosoitavien tilojen kuvapohjaiseen tunnistamiseen. Tätä ei pidä esittää jo vakiintuneena kliinisenä diagnoosimenetelmänä.

Kuvapohjaisia tekniikoita käytetään myös kirurgin ohjaukseen. Ranskalainen Pixee Medical kehittää älylaseja hyödyntävää lisätyn todellisuuden navigointia ortopedisiin leikkauksiin. Kaikki tällaiset kuvaseurantajärjestelmät eivät välttämättä perustu neuroverkkoihin.

Konenäköä tutkitaan myös leikkausvälineiden seurantaan ja kirjaamiseen. Yhdysvalloissa potilaan sisään jääviä välineitä on eräissä arvioissa kuvattu noin 1 500 vuosittaisen leikkauksen ongelmaksi. Arvio riippuu määritelmästä ja tutkimusajasta, eikä automaattinen seuranta takaa kaikkien tapausten poistumista.

Biotutkimus

Neuroverkot ovat tärkeitä välineitä lääkeaine-ehdokkaiden etsinnässä ja proteiinien rakenteiden ennustamisessa.

Esimerkkejä käsitellään artikkelissa ”Viisi johtavaa tekoäly- ja digitaalisen biotekniikan yritystä”. Myös mikroskooppikuvien analyysi ja solujen luokittelu voivat hyötyä yhdenmukaisemmasta automaattisesta esikäsittelystä.

Esimerkiksi SigTuplen Shonit avustaa verisivelyvalmisteiden kuvien analyysissä ja valkosolujen luokittelussa. Se ei tarkoita kaikkien verisolutyyppien täydellistä laskentaa kaikissa tilanteissa ilman asiantuntijan tarkistusta.

Lähde: Sigtuple

Teollisuus ja tuotanto

Konenäköä käytetään laadunvalvonnassa, osien tarkastuksessa ja kokoonpanon seurannassa. Se voi havaita tuotannon muutoksia ja auttaa niihin reagoimisessa.

Asianmukaisesti validoidut järjestelmät voivat vähentää työmäärää ja kustannuksia sekä parantaa laatua ja tuotantonopeutta. Hyödyt riippuvat prosessista ja toteutuksesta.

Robotiikka

Tehtaan ulkopuolisissa ympäristöissä robotit tarvitsevat kehittynyttä kykyä tunnistaa esineitä ja tilanteita.

Robottikoirista jakelurobotteihin ja humanoideihin neuroverkkoihin perustuva tekoäly auttaa kehittämään arjen tehtävien suorittamista.

Maatalous

Maatalousrobotit tunnistavat konenäöllä rikkakasveja ja kypsiä hedelmiä sekä avustavat toistuvassa työssä. Valikoiva käsittely voi myös vähentää tarpeetonta maan muokkausta tai kemikaalien käyttöä.

Sovelluksia voi löytyä maaperän hoidosta, uusista viljelykäytännöistä, metsityksestä ja vieraslajien torjunnasta. Vaikutukset on kuitenkin arvioitava todellisissa käyttöoloissa.

Sotilaskäyttö

Uutta teknologiaa tutkitaan myös sotilaallisen edun tavoittelussa. Tekoälyn käyttö asejärjestelmissä nostaa vaikeita oikeudellisia ja eettisiä kysymyksiä.

Valtioiden kilpailu voi vauhdittaa kehitystä, mutta se ei oikeuta automaattisesti kaikkia käyttötapoja.

Tekoälyä käytetään kohteiden tunnistamiseen ja taistelukentän aineistojen analyysiin. Käytöstä on raportoitu myös Ukrainan ja Gazan sodissa. Aihetta käsitellään artikkelissa ”Kymmenen drooneihin ja droonisodankäyntiin liittyvää osaketta”.

Yksi huolta herättävä esimerkki on venäläisen Lancet-itsemurhadroonin kuvapohjaisen automaattisen kohteentunnistuksen kehittäminen. Valmistajan väitteet on erotettava todellisuudessa käytössä olevista kyvyistä ja ihmisen osuudesta päätöksissä.

Tappavan voiman päätösten automatisointi voi vaarantaa siviilien suojan ja vaikeuttaa virheiden vastuun määrittämistä. Siitä ei kuitenkaan seuraa tieteellisesti osoitettua väistämätöntä tekoälyn kapinaa ihmiskuntaa vastaan.

Kansainvälisistä säännöistä, ihmisen kontrollista ja todennettavista rajoituksista tarvitaan keskustelua. Ydinasevalvontaan voi tehdä vertauksia, mutta teknologiat ja riskit eivät ole samanlaisia.

Neuroverkkojen riskit

Vuoden 2024 fysiikan Nobel-palkinnon saanut Geoffrey Hinton on myös varoittanut tekoälyn kehityksen riskeistä.

Hän sai vuoden 2018 Turing-palkinnon yhdessä Yoshua Bengion ja Yann LeCunin kanssa. Nobel-palkinto toi lisää huomiota myös hänen varoituksilleen.

”Olen äkillisesti muuttanut näkemystäni siitä, tulevatko nämä järjestelmät meitä älykkäämmiksi.

Uskon niiden olevan jo hyvin lähellä sitä ja tulevaisuudessa paljon meitä älykkäämpiä. Miten selviämme siitä?”

Geoffrey Hinton

Johtaako tekoäly Matrixin tai Terminatorin kaltaiseen tulevaisuuteen, ei ole tiedossa. Monimutkaisen neuroverkon päätöksiä ei kuitenkaan aina pystytä selittämään täysin. Siksi turvallisuuden arviointi, vastuut ja eettiset säännöt ovat tärkeitä todellisissa käyttökohteissa.

Sijoittaminen neuroverkkoihin

Neuroverkot ovat nykyisen tekoälyn keskeinen perusta, mutta eivät koko tekoälyn synonyymi. Myös sääntöpohjaisia menetelmiä ja muita koneoppimisen malleja käytetään.

Suurten neuroverkkojen koulutus voi vaatia paljon aineistoa ja laskentatehoa, mikä suosii vahvasti rahoitettuja toimijoita. Kaikki neuroverkkosovellukset eivät silti edellytä suuryrityksen resursseja.

Tekoälyalan yrityksiin voi sijoittaa useiden välittäjien kautta. securities.io-sivustolla on välittäjäoppaita Yhdysvaltoihin, Kanadaan, Australiaan, Yhdistyneeseen kuningaskuntaan ja moniin muihin maihin.

Yksittäisten osakkeiden sijaan voi tutkia esimerkiksi ETF-rahastoja ARK Artificial Intelligence & Robotics UCITS ETF (ARKI), Global X Robotics & Artificial Intelligence ETF (BOTZ) ja WisdomTree Artificial Intelligence and Innovation Fund (WTAI). Rahastot hajauttavat omistuksia, mutta teemapainotus, kulut ja markkinariski on silti arvioitava.

Neuroverkkoyritykset

1. Microsoft

Microsoft (MSFT ) kasvoi Windows-käyttöjärjestelmän ympärille yhdeksi suurista teknologiayrityksistä.

MSFT Hintakaavio

Sillä on vahva asema yritysohjelmistoissa (Office365, Teams, LinkedIn, Skype, GitHub), pelialalla (Xbox ja yritysostoin hankitut pelistudiot) sekä pilvipalveluissa (Azure).

Tekoälyssä se kehittää esimerkiksi Bing Image Creatoria sekä yrityskäyttöön suunnattuja ratkaisuja, kuten Microsoft 365 Copilotia, ja tutkimusta Microsoft Researchissa. Copilotia on laajennettu myös vähittäiskaupan ja pienempien yritysten käyttöön.

Lähde: Constellation Research

Microsoft tunnetaan vahvasta yritysasiakaskunnastaan verrattuna esimerkiksi kuluttajapalveluistaan tunnettuihin Appleen (AAPL ) ja Facebookiin. Pilvi- ja yrityspalvelujen asiakassuhteet voivat auttaa tekoälytuotteiden jakelussa, mutta eivät takaa niiden menestystä.

Lisäksi sijoitus- ja yhteistyösuhde ChatGPT:n kehittäjään OpenAIhin on vahvistanut Microsoftin asemaa. Yhteistyötä ei pidä kuvata OpenAIhin kohdistuvaksi lähes täydelliseksi omistukseksi tai määräysvallaksi.

2. NVIDIA

Nvidia kasvoi GPU-grafiikkasuorittimista, joita käytetään vaativissa peleissä ja kolmiulotteisessa grafiikassa. GPU:t käsittelevät monia laskutoimituksia rinnakkain ja täydentävät yleiskäyttöisiä CPU-suorittimia.

GPU:ita käytettiin myös joidenkin kryptovaluuttojen louhintaan. Nykyinen Bitcoin-louhinta perustuu kuitenkin pääosin tarkoitukseen suunniteltuihin ASIC-laitteisiin, joten Nvidian GPU-kysynnän liittäminen erityisesti Bitcoiniin on harhaanjohtavaa.

Nvidian (NVDA ) GPU:t ja ohjelmistoekosysteemi ovat sittemmin nousseet tärkeiksi tekoälyn koulutuksessa ja päättelylaskennassa.

Yhtiö kehittää ratkaisuja esimerkiksi autonomiseen ajamiseen, puheenkäsittelyyn, keskustelevaan tekoälyyn, generatiiviseen tekoälyyn ja kyberturvallisuuteen.

Nvidian laitteiston käyttökohteet laajenevat edelleen. Microsoftin ja PNNL:n tutkimus on yksi esimerkki tekoälystä tieteellisen etsinnän apuna. Nvidia kehittää ja tukee myös lääkeaineiden etsinnän ratkaisuja, tekoälyä hyödyntäviä lääkinnällisiä laitteita ja tekoälyavusteista lääketieteellistä kuvantamista.

Lähde: NVidia

Pitkällä aikavälillä muut puolijohdeyritykset ja asiakkaiden omat sirut voivat haastaa Nvidian etumatkaa.

Tekoälyn laskentakysynnän kasvu tarjoaa mahdollisuuksia, mutta ei takaa Nvidialle kaikkien uusien datakeskusten toimituksia. Kilpailu, hinta, energiatehokkuus ja kysynnän muutokset vaikuttavat asemaan.

Uuteen teknologiaan sijoittava voi tarkastella lopputuotteiden lisäksi laitteiden ja infrastruktuurin toimittajia. Myös näihin yrityksiin liittyy liiketoiminta- ja arvostusriskejä.

Nvidian tekoälysirut ovat esimerkki tällaisesta perusteknologiasta. Sijoituspäätöksessä on arvioitava kasvun lisäksi kilpailua ja hintaa.