Cambiare la Tempistica delle Scoperte attraverso l’Uso dell’Intelligenza Artificiale (IA)

Da Ricerca Manuale all’Automazione con IA

Per un certo periodo, i progressi scientifici si sono basati esclusivamente sull’intuizione di brillanti scienziati e non sull’Intelligenza Artificiale (IA). Dovevano quindi progettare e testare le loro ipotesi manualmente tramite esperimenti personalizzati. Questo era spesso un processo estremamente lento, che richiedeva anni dall’idea iniziale ai risultati effettivi.

Recentemente, livelli più elevati di automazione hanno permesso una riduzione del lavoro manuale nella ricerca fondamentale. Per esempio, Next-Generation Sequencing (NGS) ha consentito il sequenziamento del genoma in pochi giorni e a un costo inferiore, quando il primo sequenziamento del genoma umano nel 2003 costò 3 miliardi di dollari e richiese un decennio per essere completato.

NGS Sequencer- Fonte: Illumina

L’automazione ha permesso di eseguire le fasi fisiche della ricerca su scala enorme e con maggiore precisione, generando però quantità crescenti di dati da analizzare.

Assistere il Cervello Umano

Con il progresso scientifico i dati sono diventati più complessi. Trovare nuovi materiali dipende dall’individuare schemi tra milioni di possibili combinazioni.

Le scienze dei materiali avanzate, come batterie e semiconduttori, richiedono di esaminare enormi spazi chimici e molte proprietà contemporaneamente.

Per una nuova batteria si può dover scegliere fra 32 milioni di materiali inorganici. Era il compito di Vijay Murugesan, responsabile delle scienze dei materiali al PNNL.

In passato sarebbero serviti ipotesi, modelli approssimativi e test manuali per anni. PNNL ha invece collaborato con Microsoft (MSFT ) per sfruttarne l’esperienza nell’AI.

Insegnare Chimica a Molteplici IA

Microsoft lavora da tempo a queste applicazioni attraverso il programma AI4Science. La sua AI generativa MatterGen consente la progettazione di materiali guidata dalle proprietà.

Fonte: Microsoft

Con PNNL, Microsoft ha sviluppato diverse AI che filtrano rapidamente i candidati in base a composizione e proprietà richieste.

Un’altra AI verifica quali materiali sono stabili, mentre una successiva valuta le caratteristiche funzionali necessarie.

La combinazione non cerca ogni soluzione possibile, ma elimina rapidamente le opzioni improbabili e concentra le risorse sui candidati migliori.

L’approccio ha ridotto 32 milioni di materiali a 500.000 candidati e poi a circa 800.

A differenza dei modelli matematici a forza bruta, l’AI formula ipotesi per analogia come un ricercatore. Il gruppo di modelli ha esaminato 32 milioni di idee in meno di 80 ore.

Ridurre mesi o anni di lavoro a giorni o settimane rappresenta una rivoluzione completa nella ricerca sui materiali.

Applicato più ampiamente, il metodo potrebbe accelerare radicalmente il progresso tecnologico in molte discipline.

Risparmiare Risorse Preziose

Ridotta la lista a 800 candidati, i ricercatori hanno potuto usare il calcolo ad alte prestazioni per simulazioni più dettagliate.

Usare l’HPC solo su poche centinaia di candidati ha fatto risparmiare molto tempo e denaro al PNNL.

La valutazione di costi, disponibilità e altri fattori pratici ha poi ristretto ulteriormente la lista.

La metodologia precedente dipendeva molto dall’HPC, costoso e lento. Il filtro AI lo riserva ai casi davvero promettenti.

I Prossimi Passi

La collaborazione fra Microsoft e PNNL sui materiali per batterie è soltanto l’inizio di un metodo applicabile a molte ricerche.

“La visione verso cui stiamo lavorando è quella di materiali generativi in cui posso chiedere un elenco di nuovi composti per batterie con le caratteristiche desiderate,” – Nathan Baker, Product Leader for Azure Quantum Elements.

Il metodo attuale usa calcolo classico, ma Microsoft lavora anche al calcolo quantistico, che potrebbe ampliare ulteriormente le capacità.

Ciò offrirebbe potenza senza precedenti per simulazioni chimiche e biologiche, scoperte di materiali e altri problemi complessi.

Campi di Applicazione

Il primo esperimento riguardava le batterie, ma molti altri campi possono trarre vantaggio dallo stesso approccio.

• Semiconduttori.
• Computazione quantistica & crittografia.
• Visivo and audio
• Biologia molecolare & genomica.
• Biotecnologia e farmaci in generale.
• Energie rinnovabili & cambiamento climatico.
• Agricoltura & Ecologia.
• Economia.
• Scienze sociali.
• Matematica teorica.

In ciascuno di questi campi la ricerca è ostacolata dalla massa di dati e dalla complessità delle relazioni da analizzare.

Azioni Scientifiche Guidate dall’IA

1. Microsoft

MSFT Grafico dei prezzi

Microsoft è al centro del settore tecnologico fin dalle origini grazie a Windows. Oggi guida anche software aziendale (Office 365, Teams, LinkedIn, Skype e GitHub), videogiochi e cloud (Azure).

Più di recente è avanzata nell’AI con Bing Image Creator, la partnership con OpenAI, Copilot per Microsoft 365 e Microsoft Research.

Rispetto a società consumer, Microsoft è fortemente presente nelle imprese. Con l’AI sempre più centrale, cloud e servizi aziendali le danno un vantaggio; Apple (AAPL ) è più orientata al consumatore.

La collaborazione e partecipazione in leader dell’AI come OpenAI rafforzerà ulteriormente la posizione di Microsoft.

2. NVIDIA

NVDA Grafico dei prezzi

NVIDIA dominava inizialmente le schede grafiche, usate soprattutto per videogiochi e applicazioni visive.

La sua architettura si è rivelata adatta anche al mining di criptovalute, in particolare Bitcoin, creando una nuova fonte di domanda.

Ora l’hardware Nvidia (NVDA ) è altrettanto potente nell’addestramento dei modelli e costituisce la base della rivoluzione AI.

NVIDIA sviluppa sistemi dedicati a molte applicazioni: guida autonoma, voce, AI conversazionale, generativa e sicurezza informatica.

Continuerà probabilmente a trovare nuovi usi, inclusi scoperta di farmaci, dispositivi medici con AI e diagnostica per immagini assistita.

Fonte: NVidia

Nel lunghissimo periodo i concorrenti potrebbero sfidare seriamente NVIDIA, ma il suo vantaggio tecnologico e di ecosistema resta forte.

3. CrowdStrike

CRWD Grafico dei prezzi

Quanto più il mondo dipende da AI e digitalizzazione, tanto più la sicurezza informatica diventa indispensabile e connessa a ogni attività.

CrowdStrike (CRWD ) è nata con un approccio cloud-first e copre tutte le categorie di minacce, servendo grandi banche e aziende globali.

La crescita è sostenuta da un mercato potenziale in rapida espansione, perché aumentano dispositivi, dati e superfici d’attacco.

Fonte: CrowdStrike

Un altro fattore di crescita è l’espansione dei servizi venduti ai clienti esistenti, che adottano più moduli nel tempo.

Questa dinamica consente a CrowdStrike di aumentare i margini quando il costo di servire un cliente cresce meno dei ricavi aggiuntivi.

Per molte grandi aziende la transizione al cloud è ancora in corso, creando una lunga opportunità di migrazione e protezione.

Anche l’attività internazionale dovrebbe crescere, poiché gran parte delle società Global 2000 non è ancora cliente.

L’approccio cloud-first ha permesso a CrowdStrike di guadagnare rapidamente quota e la mantiene ben posizionata.

4. Adobe

ADBE Grafico dei prezzi

A prima vista l’AI generativa, soprattutto per le immagini, potrebbe sembrare una minaccia per i software creativi tradizionali.

Ma Adobe (ADBE ) è stata pioniera del software in abbonamento cloud e ha già dimostrato di saper trasformare il proprio modello.

Lo stesso vale per Adobe Firefly, strumento di generazione immagini ora integrato nei prodotti dell’azienda.

Fonte: Adobe

Riducendo le competenze necessarie per creare loghi, riviste o modificare immagini, l’AI può ampliare la base di utenti Adobe.

Adottando il cambiamento e l’AI, Adobe manterrà probabilmente la posizione di principale fornitore di software creativo.

5. Upstart

UPST Grafico dei prezzi

Upstart (UPST ) è un mercato del credito basato sull’AI, nato prima che il tema diventasse centrale nel 2023.

Il processo è quasi interamente automatizzato: l’87% dei prestiti approvati viene deciso senza intervento umano.

Upstart ritiene inefficiente e obsoleto il sistema tradizionale dei punteggi di credito, che usa troppo poche informazioni.

Il metodo può riconoscere persone con punteggio FICO elevato ma rischio reale maggiore, e candidati affidabili sottovalutati dal sistema.

Fonte: Upstart

Il mercato potenziale è enorme: prestiti personali, auto, casa e piccole imprese generano circa 4.000 miliardi di dollari l’anno.

Tassi più alti e domanda di prestiti ridotta hanno causato a Upstart un temporaneo calo dei volumi.

La battuta d’arresto non ha fermato l’espansione della rete di partner finanziari.

Gli investitori devono sperare che la rete crescente dimostri il valore del modello e produca volumi quando le condizioni migliorano.

Il continuo progresso dei calcoli AI può inoltre dare a Upstart un vantaggio in un mercato del credito molto competitivo.