खोजों की समयरेखा को कृत्रिम बुद्धिमत्ता (AI) के उपयोग से बदलना

मैनुअल शोध से एआई के साथ स्वचालन तक

काफी समय तक, वैज्ञानिक प्रगति केवल प्रतिभाशाली वैज्ञानिकों की अंतर्दृष्टि पर निर्भर करती थी, न कि कृत्रिम बुद्धिमत्ता (AI) पर। उन्हें फिर अपने सिद्धांत को कस्टम प्रयोगों के माध्यम से मैन्युअल रूप से डिजाइन और परीक्षण करना पड़ता था। यह अक्सर एक कष्टदायक धीमी प्रक्रिया होती थी, जिसमें प्रारंभिक विचारों से वास्तविक परिणामों तक कई वर्ष लगते थे।

हाल ही में, स्वचालन के उच्च स्तरों ने मूलभूत शोध में मैन्युअल श्रम को कम करने की अनुमति दी है। उदाहरण के लिए, Next-Generation Sequencing (NGS) ने केवल कुछ दिनों में और कम लागत पर जीनोम अनुक्रमण संभव किया है, जब 2003 में पहला मानव जीनोम अनुक्रमण $3B की लागत पर और एक दशक में पूरा हुआ था।

NGS Sequencer- स्रोत: Illumina

स्वचालन ने शोध में शारीरिक चरणों को बड़े पैमाने पर और कम लागत पर किया है। लेकिन बौद्धिक प्रयास, उदाहरण के लिए जीनोम अनुक्रमण से प्राप्त डेटा का विश्लेषण, अभी भी केवल मानव मस्तिष्क और कंप्यूटर‑सहायता वाले गणितीय मॉडलों पर निर्भर था। यह तब तक था जब तक एआई एक नया गेम‑चेंजर नहीं बन गया।

मानव मस्तिष्क की सहायता

जैसे-जैसे विज्ञान आगे बढ़ा, डेटा अधिक जटिल हो गया। नया पदार्थ खोजने के लिए एक अपेक्षाकृत सरल प्रक्रिया पर निर्भर किया जाता है, जैसे उन तत्वों को मिलाना जो पहले कभी साथ में परीक्षण नहीं किए गए थे।

लेकिन उन्नत सामग्री विज्ञान, उदाहरण के लिए बैटरी प्रौद्योगिकी या अर्धचालकों में, घटकों को नैनोमीटर स्तर पर, और कभी‑कभी व्यक्तिगत परमाणु स्तर पर, हेरफेर करने की आवश्यकता होती है। इससे प्रक्रिया का मॉडलिंग और समझ मानव मस्तिष्क के लिए उपलब्ध सभी डेटा को पूरी तरह से समझना बहुत जटिल हो जाता है।

उदाहरण के लिए, नई बैटरी डिजाइन के लिए सही सामग्री खोजने में 32 मिलियन संभावित अकार्बनिक पदार्थों में से कौन सी चुननी है, यह तय करना शामिल हो सकता है। यह कार्य विजय मुरुगेसन, जो PNNL (Pacific Northwest National Laboratory) में सामग्री विज्ञान समूह के प्रमुख हैं, के सामने था।

पहले, संभावनाओं को संकीर्ण करने के लिए अनुमानित अनुमान, मोटे कंप्यूटर मॉडल और मैन्युअल परीक्षण की आवश्यकता होती थी और इसमें वर्षों लगते थे। इसके बजाय, PNNL ने माइक्रोसॉफ्ट के साथ सहयोग स्थापित किया ताकि तकनीकी दिग्गज की एआई में विशेषज्ञता का उपयोग किया जा सके।

कई एआई को रसायन विज्ञान सिखाना

माइक्रोसॉफ्ट लंबे समय से ऐसी एप्लिकेशनों पर काम कर रहा है, अपने AI4Science कार्यक्रम के माध्यम से। उदाहरण के लिए, इसका MatterGen जनरेटिव एआई “व्यापक गुण‑निर्देशित सामग्री डिजाइन को सक्षम करता है”।

स्रोत: Microsoft

PNNL के साथ सहयोग में, माइक्रोसॉफ्ट ने विशेष रूप से कई विभिन्न एआई विकसित किए हैं जो सभी कार्यक्षम तत्वों और उनके संयोजनों का मूल्यांकन करते हैं।

इसके पास एक एआई भी है जो यह खोजने के लिए समर्पित है कि कौन सी सामग्री स्थिर है। फिर एक एआई जो अणुओं को उनकी प्रतिक्रियाशीलता के आधार पर मूल्यांकन करता है। और एक अन्य एआई जो अणुओं की ऊर्जा संचालित करने की क्षमता का आकलन करता है।

इस एआई संयोजन को किसी समस्या के सभी संभावित समाधान खोजने के लिए नहीं बनाया गया है। बल्कि, यह संभावनाओं के विशाल ढेर (दसियों मिलियन) को देखता है और उन्हें कुछ अच्छे उम्मीदवारों तक सीमित करने की कोशिश करता है।

इस दृष्टिकोण ने 32 मिलियन संभावित सामग्रियों को 500,000 उम्मीदवारों तक घटाया, और फिर 800 तक लाया।

यह मूल रूप से शुद्ध कंप्यूटर‑आधारित गणितीय मॉडल दृष्टिकोण से भिन्न है, जो इसके बजाय सामग्री के रासायनिक गुणों की “ब्रूट फोर्स” के साथ गणना करने की कोशिश करेगा, अक्सर इसे परमाणु दर परमाणु सिमुलेट करके। इसके बजाय, एआई एक शिक्षित “अनुमान” लगाता है कि क्या काम करना चाहिए समानांतरता का उपयोग करके, बिल्कुल उसी तरह जैसे एक मानव करता है। लेकिन एआई टीम 32 मिलियन विचारों को 80 घंटे से कम समय में स्क्रीन कर सकती थी।

महीनों या वर्षों के काम को कुछ दिनों या हफ्तों में घटाना वैज्ञानिक प्रगति की गति में एक पूर्ण क्रांति है।

यदि इसे अधिक व्यापक रूप से लागू किया जाए, तो यह मानव समाजों में तकनीकी प्रगति की गति को पूरी तरह बदल सकता है।

कीमती संसाधनों की बचत

एक बार सूची को केवल 800 उम्मीदवारों तक सीमित कर दिया गया, तो शोधकर्ता फिर मानक हाई‑परफ़ॉर्मेंस कंप्यूटिंग (HPC) विधि का उपयोग कर सकते थे। इससे 800 उम्मीदवारों की सभी संभावित ऊर्जा अवस्थाओं की गणना संभव हुई। फिर समर्पित एआई और HPC के मिश्रण का उपयोग प्रत्येक सामग्री के भीतर प्रत्येक परमाणु और अणु की गति का सिमुलेशन करने के लिए किया गया।

केवल कुछ सौ उम्मीदवारों पर HPC का उपयोग करके, इसने PNNL को बहुत समय और पैसा बचाया, क्योंकि यह विधि कंप्यूटिंग शक्ति की बहुत मांग करती है। इससे उम्मीदवार सूची केवल 150 तक घट गई।

उसके बाद, लागत, उपलब्धता और अन्य व्यावहारिक विचारों का मूल्यांकन करके प्रारंभिक 32 मिलियन उम्मीदवारों की सूची को मात्र 23 तक घटा दिया गया। दिलचस्प बात यह है कि इन 23 में से 5 पहले से ज्ञात थे, जो विधि की प्रासंगिकता को दर्शाता है, क्योंकि इसने इन 5 सामग्रियों को स्वतंत्र रूप से “पुनः खोजा”।

पहले की शोध पद्धति महंगे और धीमे HPC पर बहुत अधिक निर्भर करती थी। एआई विधि ने इसके बजाय HPC को कुल कंप्यूटिंग समय के केवल 10% तक घटा दिया। यह तथ्य कि एआई गणना क्लाउड‑आधारित थी, न कि कीमती और दुर्लभ शोध संस्थानों के सुपरकंप्यूटर समय का उपयोग, ने इसे और अधिक कुशल बनाया।

अगले कदम

बैटरी सामग्री पर माइक्रोसॉफ्ट और PNNL के बीच सहयोग केवल कई‑सालों के सहयोग समझौते की शुरुआत थी। अंततः, विचार यह होगा कि पर्याप्त डेटा उत्पन्न किया जाए जिससे नई बैटरी डिजाइन करने के लिए किस नई सामग्री का उपयोग करना है, यह एआई सिस्टम से बस पूछने जितना सरल हो जाए।

“विज़न जिसके लिए हम काम कर रहे हैं वह जनरेटिव सामग्री है जहाँ मैं अपनी इच्छित विशेषताओं के साथ नई बैटरी यौगिकों की सूची माँग सकता हूँ,” – Nathan Baker, Azure Quantum Elements के लिए प्रोडक्ट लीडर.

यह भी ध्यान देने योग्य है कि वर्तमान विधि क्लासिक कंप्यूटिंग पर निर्भर करती है। लेकिन माइक्रोसॉफ्ट का एआई प्रोग्रामिंग और सॉफ़्टवेयर इस तरह डिज़ाइन किया गया है कि जब यह तकनीक पर्याप्त परिपक्व हो जाए तो क्वांटम कंप्यूटिंग का उपयोग करने के लिए अपग्रेड किया जा सके।

यह रासायनिक और जैविक सिमुलेशन जैसे विषयों के लिए अभूतपूर्व कंप्यूटिंग शक्ति प्रदान करेगा, कंप्यूटिंग शक्ति को कई क्रम magnitude (x100‑10,000) तक बढ़ाएगा। इसलिए हम अभी भी एआई के नए अणु और सामग्री डिजाइन करने के शुरुआती चरण में हैं।

अनुप्रयोग क्षेत्रों

पहला प्रयोग बैटरी सामग्रियों पर केंद्रित था। लेकिन कई अन्य क्षेत्रों को भी रसायन विज्ञान पर ऐसी उन्नत अंतर्दृष्टि से लाभ मिलने की संभावना है, क्योंकि …

• अर्धचालक.
• क्वांटम कंप्यूटिंग और क्रिप्टोग्राफी.
• दृश्य and ऑडियो
• आणविक जीवविज्ञान और जीनोमिक्स.
• बायोटेक और सामान्यतः फार्मास्यूटिकल्स.
• नवीकरणीय ऊर्जा और जलवायु परिवर्तन.
• कृषि और पारिस्थितिकी.
• अर्थशास्त्र.
• सामाजिक विज्ञान.
• सैद्धांतिक गणित.

इनमें से प्रत्येक क्षेत्र ने डेटा की विशाल मात्रा और मुद्दों की जटिलता के कारण शोध में कठिनाइयों का सामना किया है। बैटरियों के पायलट प्रोजेक्ट की तरह, प्रत्येक को एआई की अंतर्दृष्टि से लाभ मिल सकता है।

एआई‑संचालित विज्ञान स्टॉक्स

1. Microsoft

MSFT मूल्य चार्ट

Microsoft ने लगभग अपनी शुरुआत से ही टेक उद्योग के केंद्र में रहा है, अपने अभी भी प्रमुख ऑपरेटिंग सिस्टम Windows के साथ। यह अब एंटरप्राइज़ सॉफ़्टवेयर (Office365, Teams, LinkedIn, Skype, GitHub), गेमिंग (Xbox and multiple videogame studios acquisitions), और क्लाउड (Azure) में भी एक नेता है।

हाल ही में, इसने एआई में अच्छी प्रगति की है। इसमें कुछ उपभोक्ता‑स्तर के एआई जैसे Bing Image Creator और इसका OpenAI के साथ गहरा साझेदारी शामिल है। इसमें अधिक व्यावसायिक‑उन्मुख पहलें भी शामिल हैं, जैसे Copilot for Microsoft 365 और Microsoft Research. Copilot अब रिटेल और छोटे कंपनियों में भी लागू किया गया है।

Microsoft ने एंटरप्राइज़‑केंद्रित टेक दिग्गज के रूप में प्रतिष्ठा हासिल की है, जो Apple (AAPL ) या Facebook जैसी अधिक उपभोक्ता‑केंद्रित कंपनियों की तुलना में है। एआई के व्यापार मॉडलों में बढ़ते महत्व के साथ, क्लाउड और एंटरप्राइज़ सेवाओं में Microsoft की पूर्वस्थिति उसे एआई को बड़े पैमाने पर लागू करने और ग्राहक अधिग्रहण में अग्रिम लाभ देगी।

OpenAI जैसी एआई विकास नेताओं के साथ सहयोग/अर्ध‑स्वामित्व भी Microsoft की एआई शक्ति के रूप में स्थिति को मजबूत करेगा।

2. NVIDIA

NVDA मूल्य चार्ट

Nvidia (NVDA ) ने प्रारंभ में ग्राफ़िक्स कार्ड (GPU) बाजार में प्रमुख स्थिति रखी थी, जो मुख्यतः हाई‑एंड गेमिंग और 3D मॉडलिंग के लिए उपयोग होते थे। GPU समानांतर में गणनाएँ चला सकते हैं और इस मायने में प्रोसेसर (CPU) से अलग होते हैं।

इसके हार्डवेयर का डिजाइन क्रिप्टोकरेंसी माइनिंग (विशेषकर बिटकॉइन) के लिए बहुत उपयुक्त साबित हुआ, जिससे कंपनी के लिए एक मजबूत विकास लहर आई।

अब, यह एआई प्रशिक्षण के लिए भी समान रूप से शक्तिशाली प्रतीत होता है, जिससे Nvidia का हार्डवेयर एआई क्रांति की रीढ़ बन गया है।

Nvidia अब विभिन्न एआई अनुप्रयोगों के लिए कस्टम कंप्यूटिंग सिस्टम विकसित कर रहा है, जैसे स्वयं‑चलित कार से लेकर भाषण और संवादी एआई, जनरेटिव एआई, या साइबर सुरक्षा तक।

संभवतः Nvidia अपने एआई हार्डवेयर के नए उपयोग मामलों की खोज समाप्त नहीं कर रहा है, जैसा कि Microsoft के PNNL के साथ शोध ने दिखाया। उदाहरण के लिए, NVidia अब दवा खोज के लिए समाधान की पूरी श्रृंखला विकसित कर रहा है, साथ ही एआई‑संचालित मेडिकल डिवाइस और एआई‑सहायता प्राप्त मेडिकल इमेजिंग।

स्रोत: NVidia

बहुत लंबी अवधि में, Nvidia के प्रतिस्पर्धी कंपनी की प्रारंभिक अग्रता को गंभीरता से चुनौती देना शुरू कर सकते हैं। लेकिन निकट भविष्य में, एआई‑समर्पित कंप्यूटिंग शक्ति की मांग में विस्फोट को देखते हुए, Nvidia सभी नए एआई‑ट्रेनिंग डेटा सेंटरों का प्रमुख आपूर्तिकर्ता बना रहेगा।

3. CrowdStrike

CRWD मूल्य चार्ट

जितना अधिक विश्व एआई और डिजिटलाइजेशन पर निर्भर करता है, उतनी ही अधिक जुड़ी हुई साइबर सुरक्षा महत्वपूर्ण हो जाएगी।

CrowdStrike (CRWD ) को क्लाउड‑पहले दृष्टिकोण के साथ स्थापित किया गया था। कंपनी का प्रस्ताव सभी प्रकार के साइबर सुरक्षा खतरों को कवर करता है, और इसके ग्राहकों में 15 में से 20 सबसे बड़े अमेरिकी बैंक, 70 फॉर्च्यून 100 कंपनियां, और 556 ग्लोबल 2000 कंपनियां शामिल हैं।

CrowdStrike की वृद्धि एक तेजी से विस्तारित कुल संभावित बाजार (TAM) द्वारा समर्थित है, जो अगले 2 वर्षों में 13% CAGR की उम्मीद है। अतिरिक्त प्रस्तावों के विकास के साथ, कंपनी अपने TAM को वर्तमान $76 बिलियन से 2026 तक $158 बिलियन तक बढ़ाने की अपेक्षा करती है।

स्रोत: CrowdStrike

एक और विकास कारक मौजूदा ग्राहकों के साथ व्यवसाय का विस्तार है। जब कोई ग्राहक कम से कम एक साइबर सुरक्षा मॉड्यूल से शुरू करता है, तो आमतौर पर वह अधिक मॉड्यूल एकीकृत करता रहता है, जिसमें 62% ग्राहक 5 या अधिक मॉड्यूल उपयोग करते हैं और 23% 7 या अधिक मॉड्यूल उपयोग करते हैं।

यह गतिशीलता एक ऐसा माहौल बनाती है जो CrowdStrike को अपने मार्जिन बढ़ाने की अनुमति देती है जब संबंध पर्याप्त समय तक विकसित हो चुका हो, 2023 में प्रभावशाली कुल सकल मार्जिन 78% के साथ।

क्लाउड में परिवर्तन अभी भी कई बड़ी कंपनियों के लिए अधिकांशतः जारी है। यह CrowdStrike जैसे बाजार नेता के लिए उन्हें अपनी साइबर सुरक्षा रणनीति को क्लाउड में स्थानांतरित करने में मदद करने का बड़ा अवसर बनाता है।

कंपनी को अपने अंतरराष्ट्रीय व्यवसाय में भी वृद्धि देखनी चाहिए, क्योंकि अभी भी ग्लोबल 2000 कंपनियों में से 3/4 अभी तक CrowdStrike इकोसिस्टम में प्रवेश नहीं किए हैं।

CrowdStrike का क्लाउड‑पहला दृष्टिकोण इसे जल्दी बाजार हिस्सेदारी लेने में सक्षम बना गया और अब यह सभी बड़ी साइबर सुरक्षा कंपनियों द्वारा दोहराया जा रहा है। इसलिए, निवेशकों को उद्योग द्वारा बढ़ते प्रतिद्वंद्वियों के बावजूद CrowdStrike की अपनी बढ़त बनाए रखने की क्षमता पर ध्यान देना चाहिए।

4. Adobe

ADBE मूल्य चार्ट

पहली नज़र में, जनरेटिव एआई, विशेष रूप से इमेज जेनरेशन, फ़ोटोशॉप, इनडिज़ाइन, आफ्टर इफ़ेक्ट्स, लाइटरूम, या इलस्ट्रेटर जैसे महत्वपूर्ण ग्राफ़िक सॉफ़्टवेयर के मालिक के लिए खतरा लग सकता है।

यह भूलना होगा कि Adobe (ADBE ) सॉफ़्टवेयर उद्योग में एक अग्रणी रहा है, जो शुरुआती दौर में क्लाउड‑आधारित सब्सक्रिप्शन मॉडल में गया, जब उद्योग का अभ्यास नवीनतम सॉफ़्टवेयर संस्करण को हजारों डॉलर में बेचने का था।

एआई के लिए भी यही सत्य है, Adobe Firefly के साथ। यह एआई इमेज जेनरेशन टूल अब Adobe के अन्य सॉफ़्टवेयर प्रोग्रामों के साथ सहजता से एकीकृत हो रहा है, जिससे आप सरल टेक्स्ट से छवियां बना सकते हैं, सरल 3D मॉडल से समृद्ध छवि बना सकते हैं, या यहां तक कि “जनरेटिव फ़िल” के साथ मौजूदा छवि को फोटोरियलिस्टिक तरीके से विस्तारित कर सकते हैं।

स्रोत: Adobe

एआई के साथ लोगो, मैगज़ीन या छवियों को संशोधित करने के लिए आवश्यक कौशल बाधा कम हो जाने से, मूल सामग्री की पेशकश और मांग संभवतः बढ़ेगी।

परिवर्तन और एआई को अपनाकर, Adobe संभवतः सभी दृश्य रचनात्मक कार्यों के लिए प्रमुख सॉफ़्टवेयर पैकेज के रूप में अपनी स्थिति बनाए रखेगा, और अपनी पहुंच को और भी बढ़ाएगा।

5. Upstart

UPST मूल्य चार्ट

Upstart (UPST ) एक एआई‑संचालित ऋण मार्केटप्लेस है, जो 2023 में एआई के तकनीकी चर्चा के केंद्र बनने से बहुत पहले लॉन्च हुआ था।

Upstart की प्रक्रिया अधिकांशतः स्वचालित है, जिसमें 87% प्रदान किए गए ऋण पूरी तरह स्वचालन द्वारा तय किए जाते हैं।

Upstart के पीछे विचार यह है कि मौजूदा क्रेडिट स्कोर प्रणाली अक्षम और पुरानी है। अधिक डेटा उपलब्ध होने से, ऋण जोखिमों की बेहतर पहचान संभव है और परिणामस्वरूप जनसंख्या के बड़े हिस्से को सस्ते ऋण प्रदान किए जा सकते हैं।

इसका मतलब है कि Upstart की विधि उच्च FICO स्कोर वाले लोगों को पहचान सकती है, लेकिन व्यवहार में उनके ऋण डिफ़ॉल्ट करने का जोखिम अधिक है। और इसके विपरीत, कम FICO स्कोर वाले लोग डिफ़ॉल्ट करने की संभावना कम रखते हैं।

स्रोत: Upstart

कुल संभावित बाजार बड़ा है, जिसमें वार्षिक $4 ट्रिलियन व्यक्तिगत, ऑटो, गृह, और छोटे व्यवसाय ऋणों से उत्पन्न होता है।

बढ़ती ब्याज दरों और ऋणों की घटती मांग के कारण, Upstart ने 2023 में अपनी आय में कुछ गिरावट और नुकसान का अनुभव किया, अपने उद्योग के बाकी हिस्सों के साथ।

इस अस्थायी ऋण मात्रा की गिरावट ने Upstart के ऋण साझेदार नेटवर्क के विस्तार को धीमा नहीं किया है, जिसमें 100 बैंक हैं, जो पिछले वर्ष के 71 से बढ़कर हैं और 2020 के IPO में केवल 10 थे, और 61 डीलरशिप हैं, जो 2023 की शुरुआत में 39 थे।

Upstart के निवेशकों को आशा करनी होगी कि बढ़ता नेटवर्क Upstart तकनीक के मूल्य और अमेरिकी बाजार में बड़े ऋण उत्पन्नकर्ता बनने की उसकी संभावनाओं का स्पष्ट संकेत है।

एआई गणना में निरंतर प्रगति इसे अत्यधिक प्रतिस्पर्धी ऋण रेटिंग बाजार में भी एक बढ़त दे सकती है।