De nieuwste doorbraken in AI: wat is nieuw en wat staat er te gebeuren?

Kunstmatige intelligentie (AI) blijft in belang groeien, dankzij het enorme potentieel om industrieën te revolutioneren.

Deze simulatie van menselijke intelligentie in machines levert immers voordelen op zoals verhoogde efficiëntie en productiviteit, verbeterde nauwkeurigheid en besluitvorming, nieuwe werkgelegenheid en een verbeterde klantervaring.

Als gevolg hiervan is AI een belangrijke motor van bedrijfs­groei geworden, met meer dan 70 % van de bedrijven die het toepassen. Schattingen tonen aan dat de wereldwijde AI‑markt tegen 2030 triljoenen kan bereiken, aangedreven door toenemende investeringen en technologische vooruitgang.

Alleen dit jaar hebben we enorme ontwikkelingen gezien: OpenAI introduceerde een diepgaand onderzoeksagent met een nauwkeurigheid van meer dan 25 % op de Humanity’s Last Exam‑benchmark; DeepSeek bracht DeepSeek‑R1 uit, dat chain‑of‑thought‑redenering gebruikt; Baidu lanceerde Ernie X1 en Ernie 4.5; en Stability AI onthulde een nieuw model, Stable Virtual Camera, dat foto’s kan omzetten in 3D‑scènes.

Intussen werkt Google samen met MediaTek uit Taiwan om de volgende generatie Tensor Processing Units (TPU’s) te ontwikkelen, om productiekosten en afhankelijkheid van huidige partners te verlagen. Tegelijkertijd kondigde een consortium bestaande uit OpenAI, Oracle (ORCL ), SoftBank en MGX het Stargate‑Project aan in samenwerking met de Amerikaanse overheid.

Vorige week kondigde Nvidia (NVDA ) een nieuwe reeks ‘AI‑persoonlijke supercomputers’ aan, aangedreven door het Grace‑Blackwell‑chipplatform. CEO Jensen Huang onthulde de DGX Spark en DGX Station op GTC 2025 om gebruikers in staat te stellen AI‑modellen van verschillende groottes aan de edge te prototypen, af te stemmen en uit te voeren.

Laten we nu een kijkje nemen naar enkele van de meest recente belangrijke doorbraken die onderzoekers met AI in verschillende sectoren hebben bereikt.

Klik hier om te ontdekken of AI alleen maar hype is of dat er daadwerkelijk substantie achter de groei zit.

AI lost zijn eigen leeruitdagingen

AI draagt niet alleen bij aan andere sectoren, maar draagt zelfs bij aan zichzelf door de ontwikkeling van meer geavanceerde AI‑systemen mogelijk te maken via vooruitgang in data‑analyse, machine learning en automatisering, wat leidt tot snellere verwerking, nauwkeurigere voorspellingen en betere besluitvorming. 

Deze maand introduceerden onderzoekers nieuwe memristieve componenten die veel robuuster zijn, zowel in analoge als digitale modus kunnen werken en over een breder spanningsbereik functioneren.

Deze kenmerken kunnen helpen het ‘catastrofisch vergeten’ aan te pakken, dat optreedt wanneer kunstmatige neurale netwerken vergeten wat ze eerder hebben geleerd. Dit gebeurt meestal wanneer diepe neurale netwerken (DNN’s), die zijn ontworpen om het menselijk brein na te bootsen, worden getraind voor een nieuwe taak, en de nieuwe optimalisatie het eerder geleerde overschrijft.

Ons brein heeft dit probleem niet, dankzij het vermogen om de mate van synaptische verandering aan te passen. Ook wordt vermoed dat de verschillende graden van plasticiteit ons brein in staat stellen permanent nieuwe dingen te leren zonder oude te vergeten. Onderzoekers hebben iets soortgelijks bereikt met hun nieuwe memristor.

Memristors gedragen zich sterk als hersencellen en verbruiken extreem weinig energie. Als een type weerstand‑schakelgeheugenapparaat kunnen memristors hun weerstand wijzigen op basis van de aangelegde spanning. Zelfs nadat de spanning is uitgeschakeld, blijft hun weerstandwaarde behouden dankzij hun vermogen om structurele veranderingen te ondergaan.

Memristieve elementen worden beschouwd als ideale kandidaten voor leercapabele, neuro‑geïnspireerde computeronderdelen die op het brein zijn gemodelleerd.

Hoewel aanzienlijke vooruitgang is geboekt, verloopt de commercialisering van componenten veel langzamer vanwege het hoge faalpercentage in productie, de korte levensduur van het product en de gevoeligheid voor mechanische invloeden die tijdens de werking storingen kunnen veroorzaken.

Dit vereist onderzoek naar een betere controle van nanoschaalprocessen, evenals nieuwe materialen en schakelmechanismen om de complexiteit van systemen te verminderen en hun functionaliteitsbereik te vergroten, zei Valov.

Voor dit zeer specifieke doel kwamen Duitse en Chinese wetenschappers samen en “ontdekten een fundamenteel nieuw elektrochemisch memristisch mechanisme dat chemisch en elektrisch stabieler is” dat de horizon van toepassingen in de neurowetenschappen zal uitbreiden.

Klik hier om te ontdekken hoe AI‑aangedreven hersenchips de volgende sprong in de evolutie van de mensheid zullen pionieren.

Doorbraak in memristor voor continue AI‑leren

Gepubliceerd in het journal Nature Communications¹, heeft de studie twee primaire mechanismen geïdentificeerd voor de werking van bipolaire memristors:

1. Elektrochemische Metallisatie (ECM)
2. Valentie‑veranderingsmechanisme (VCM)

ECM‑memristors vormen een metalen filament tussen de twee elektroden. Deze kleine ‘geleidingsbrug’ verandert de elektrische weerstand en lost op bij omkering van de spanning. Terwijl ze lage schakelsspanningen en snelle schakeltijden mogelijk maken, zijn de hier gegenereerde toestanden variabel en van korte duur.

VCM‑memristors wijzigen de weerstand door de beweging van zuurstofionen aan de interface tussen de elektrode en het elektrolyt, waardoor de Schottky‑barrière verandert. Hoewel relatief stabiel, vereist dit hoge schakelsspanningen.

Aangezien elk proces zijn eigen voor- en nadelen heeft, heeft het team een memristor ontworpen door de voordelen van beide typen te combineren, wat men niet voor mogelijk hield.

Dus gebruikt de nieuwe memristor een filament van metaaloxiden (in plaats van volledig metallisch zoals ECM), dat wordt gevormd door de beweging van zuurstof- en tantaalionen. Het is zeer stabiel en lost nooit volledig op.

“Je kunt het zien als een filament dat altijd tot op zekere hoogte bestaat en alleen chemisch wordt aangepast.”

– Valov

Het nieuwe, robuuste schakelmecanisme wordt aangeduid als een filamentgeleidingsmodificatiemechanisme (FCM). Componenten gebaseerd op dit mechanisme zijn beter bestand tegen hoge temperaturen, hebben lagere spanningen nodig om te produceren, beschikken over een breder spanningsbereik en zijn chemisch en elektrisch stabieler. Hun levensduur is ook langer omdat er minder componenten tijdens de productie doorbranden, wat leidt tot een lagere afkeuringsratio.

De verschillende oxidatietoestanden maken het bovendien mogelijk dat de memristor zowel in binaire als analoge modus werkt, wat kan helpen het probleem van ‘catastrofisch vergeten’ te overwinnen.

Valov legde uit dat de ‘unieke eigenschappen’ van de nieuwe twee‑terminal ohmische memristor ‘het gebruik van verschillende schakelmodes mogelijk maken om de modulatie van de memristor zo te controleren dat opgeslagen informatie niet verloren gaat.’

Onderzoekers hebben het nieuwe memristieve component al geïmplementeerd in een kunstmatig neuraal netwerkmodel in een simulatie, waarbij ze hoge nauwkeurigheden in patroonherkenning behaalden op meerdere beelddatasets.

Het team zal nu andere materialen verkennen die mogelijk nog beter en stabieler zijn. Valov is ervan overtuigd dat hun ‘resultaten de ontwikkeling van elektronica voor ‘computatie-in-het-geheugen’-toepassingen verder zullen bevorderen.’

Nu is een van de toonaangevende bedrijven in de AI‑sector Microsoft (MSFT ), dat $12 miljard heeft geïnvesteerd in ChatGPT‑maker OpenAI en AI‑producten aanbiedt zoals Copilot, Azure AI Studio, en AI‑aangedreven tools binnen Microsoft 365, Dynamics 365 en Power Platform. De tech‑gigant met een marktkapitalisatie van $2,9 triljoen heeft momenteel aandelen die verhandeld worden tegen $394.58, een daling van 7,17 % YTD. Voor het kwartaal dat eindigde op 31 december 2024, meldde een omzetstijging van 12 % tot $69.6bln en een verwaterde winst per aandeel van $3.23.

Volgens Microsoft‑CEO Satya Nadella:

“We innoveren over onze technologische stack heen en helpen klanten de volledige ROI van AI te benutten om de enorme kans die voor ons ligt te grijpen. Onze AI‑business heeft al een jaarlijkse omzetgroei van $13 miljard overschreden, een stijging van 175 % jaar‑over‑jaar.”

Laatste over Microsoft

AI in de gezondheidszorg, verbetering van de diagnose van Parkinson

In de gezondheidszorg helpt AI kosten te verlagen en betere patiëntresultaten te behalen door diagnostiek, behandeling en patiëntenzorg te verbeteren via ziekte‑detectie, gepersonaliseerde geneeskunde en een verhoogde efficiëntie van administratieve taken.

Nu zal AI clinici helpen Parkinson‑ziekte en gerelateerde aandoeningen sneller en nauwkeuriger differentieel te diagnosticeren.

De diagnose van Parkinson‑ziekte ligt momenteel tussen de 55 % en 78 % in de eerste vijf jaar van beoordeling, deels doordat verwante bewegingsstoornissen overeenkomsten vertonen, waardoor een definitieve diagnose aanvankelijk moeilijk kan zijn.

Echter, een nieuw AI‑model ontwikkeld door onderzoekers van de University of Florida en het UF Health Norman Fixel Institute for Neurological Diseases claimt een precisie van meer dan 96 %.

Zoals de studie opmerkt, is het toepassen van een op beeldvorming gebaseerde benadering om Parkinson‑ziekte (PD), progressieve supranucleaire palsy (PSP) en multiple system atrophy (MSA) Parkinson‑varianten te diagnosticeren en te onderscheiden bijzonder uitdagend geweest. Recente gegevens tonen echter aan dat dit mogelijk is met diffusie‑gewogen MRI gecombineerd met ziektespecifieke machine‑learning‑algoritmen.

De studie, gefinancierd door de National Institutes of Health en gepubliceerd in JAMA Neurology², beschreef de Automated Imaging Differentiation for Parkinsonism (AIDP), een geautomatiseerde MRI‑verwerking en ML‑software met een niet‑invasieve biomarker‑techniek.

MRI‑fabrikanten, David Vaillancourt, een professor aan de UF-afdeling Toegepaste Fysiologie en Kinesiologie, merkten op dat ze niet met elkaar communiceren vanwege concurrentie op de markt en hun eigen software en sequenties gebruiken.

Dus ontwikkelden de onderzoekers “nieuwe software die op al hun systemen werkt.” Het hulpmiddel zal volgens Vaillancourt artsen helpen hun diagnostische efficiëntie tussen verschillende aandoeningen te verhogen.

Hoewel diffusie‑gewogen MRI in AIDP helpt te identificeren waar neurodegeneratie plaatsvindt door te meten hoe watermoleculen in de hersenen diffunderen, analyseert het algoritme de hersenscan om de resultaten te leveren.

Het algoritme is grondig getest tegen diagnoses in klinieken en uitgevoerd op 21 locaties, waaronder twee in Canada en 19 in de VS.

“Dit is een voorbeeld waarbij de innovatie tussen technologie en kunstmatige intelligentie bewezen heeft de diagnostische precisie te verbeteren, waardoor we de mogelijkheid krijgen de behandeling voor patiënten met Parkinson‑ziekte verder te verbeteren.”

– Michael Okun, M.D., directeur van het Norman Fixel Institute for Neurological Diseases bij UF Health.

Onderzoekers streven er nu naar goedkeuring te krijgen van de Amerikaanse Food and Drug Administration (FDA).

AI gebruiken om cardiovasculair risico te voorspellen via mammogrammen

Een ander deep‑learning‑model toonde potentieel in het voorspellen van cardiovasculair risico op basis van mammogrammen, een belangrijk hulpmiddel voor kankerscreening. Deze afzonderlijke studie gepresenteerd op de jaarlijkse wetenschappelijke sessie van het American College of Cardiology (ACC) combineert de kracht van AI met mammogrammen om de calciumopbouw in de slagaders binnen borstweefsel te analyseren.

Calciumopbouw in bloedvaten is een teken van cardiovasculaire schade die geassocieerd wordt met veroudering of vroegtijdige hartziekte. Vrouwen met calciumopbouw in de slagaders lopen volgens eerdere studies een 51 % hoger risico op hartziekte en beroerte.

Hoewel hartziekten de belangrijkste doodsoorzaak in de VS zijn, blijven hartziekten bij vrouwen ondergediagnosticeerd, wat kan veranderen met AI‑aangedreven mammogram‑screeningtools die beter gebruikmaken van tests die veel vrouwen routinematig ondergaan.

In de VS worden jaarlijks ongeveer 40 miljoen mammogrammen uitgevoerd. Deze röntgenfoto’s worden gebruikt om op borstkanker te screenen. Hoewel deze beelden calcificaties van de borstslagader tonen, wordt deze informatie niet gerapporteerd aan patiënten of hun artsen.

De nieuwe studie gebruikte een AI‑beeldanalyse‑techniek die nog niet eerder op mammogrammen was toegepast om aan te tonen dat de technologie deze kloof kan dichten door automatisch calcificaties te beoordelen en vervolgens een cardiovasculair risicogebied te geven. Volgens de hoofd auteur van de studie, Theo Dapamede, MD, PhD, en postdoc fellow aan de Emory University in Atlanta:

“We zien een kans voor vrouwen om te worden gescreend op kanker en daarnaast ook een cardiovasculaire screening te krijgen via hun mammogrammen. Onze studie toonde aan dat borstslagadercalcificatie een goede voorspeller is voor cardiovasculaire aandoeningen, vooral bij patiënten jonger dan 60 jaar. Als we deze patiënten vroeg kunnen screenen en identificeren, kunnen we ze doorverwijzen naar een cardioloog voor verdere risicobeoordeling.”

Om het hulpmiddel te bouwen, trainden onderzoekers een AI‑model om gekalkte bloedvaten in mammogrammen te segmenteren. Het model gebruikt vervolgens deze heldere pixels om het risico op toekomstige cardiovasculaire gebeurtenissen te berekenen op basis van gegevens van meer dan 56.000 patiënten.

“Vooruitgang in deep learning en AI heeft het veel haalbaarder gemaakt om meer informatie uit beelden te extraheren en te gebruiken voor opportunistische screening.”

– Dapamede

De bevindingen van de studie toonden aan dat het nieuwe model goed presteerde bij het identificeren van het cardiovasculaire risico van patiënten met een laag, matig of hoog risico op basis van mammogrammen.

Volgens hen neemt de frequentie van ernstige cardiovasculaire gebeurtenissen toe met het niveau van borstslagadercalcificatie bij vrouwen onder de 60 en bij vrouwen tussen 60 en 80, na het berekenen van het sterfterisico door een acuut hartinfarct, een beroerte of een andere oorzaak over twee en vijf jaar.

Dit maakt dit hulpmiddel specifiek geschikt om vroegtijdige waarschuwingen te geven over het risico op hartziekten bij jongere vrouwen, waardoor vroege interventies mogelijk zijn.

De resultaten van de studie tonen ook aan dat degenen met het hoogste niveau van borstslagadercalcificatie, boven 40 mm², een aanzienlijk lagere vijf‑jaarsoverleving zonder gebeurtenissen hadden dan degenen met het laagste niveau, onder 10 mm².

De volgende stap van de onderzoekers is om goedkeuring van de FDA te verkrijgen en het beschikbaar te maken voor breder gebruik. In de toekomst is het plan ook om soortgelijke AI‑modellen te gebruiken om biomarkers voor andere aandoeningen, zoals nierziekte, te analyseren die uit mammogrammen kunnen worden gehaald.

Nu, als het gaat om bedrijven die AI in de gezondheidszorg vooruit helpen, GE HealthCare Technologies (GEHC ) is sterk geïnvesteerd in de technologie en integreert het in haar producten om de patiëntenzorg te verbeteren en de workflow van clinici te optimaliseren. De aandelen van het bedrijf met een marktkapitalisatie van $37.26 bln worden momenteel verhandeld tegen $81.49, een stijging van 4.23%. In 4Q24, steeg de omzet met 2 % tot $5.3 billion terwijl de verwaterde winst per aandeel $1.57 was.

Laatste over GE HealthCare Technologies

AI in materiaalkunde: optimalisatie van dunnefilmgroeiprocessen

Materiaalkunde is cruciaal voor moderne vooruitgang omdat het de ontwikkeling van nieuwe materialen mogelijk maakt en bestaande verbetert. AI draagt in dit vakgebied bij door de ontdekking en het ontwerp van nieuwe materialen te versnellen, bestaande materialen te optimaliseren en productieprocessen te verbeteren.

Onderzoekers van de Tokyo University of Science (TUS), geleid door professor Masato Kotsugi, hebben nu AI ingezet om dunnefilmgroeiprocessen te optimaliseren door dendritische groei daarin te voorspellen.

Deze processen spelen een sleutelrol bij de ontwikkeling van halfgeleiderapparaten, communicatietechnologieën en sensortechnologieën.

Tegenwoordig worden dunne films gegroeid door kleine lagen materiaal op een substraat aan te brengen. Om echter de prestaties van meerlaagse filmapparaten volledig te benutten, moet het substraat nauwkeurig worden vervaardigd, aangezien het een aanzienlijke invloed heeft op de structurele configuratie, die vervolgens hun functie en prestaties beïnvloedt.

Echter, de structuren worden sterk beïnvloed door groeiprocescondities zoals samenstelling, atmosfeer en oppervlakte‑defecten. Tijdens het groeiproces van grootschalige fabricage, wat belangrijk is voor commerciële toepassingen, ontstaat een belangrijk obstakel in de vorm van dendritische structuren.

Deze boomachtige vertakkingspatronen verminderen de vlakheid van dunne films en worden vaak waargenomen in materialen zoals grafeen, koper en boorfeen, vooral in de vroege groeifase en bij meerlaagse films.

Aangezien de microstructuur de prestaties van het apparaat direct beïnvloedt, is het cruciaal dendritische vorming te verminderen. Hiervoor moeten we eerst de omstandigheden begrijpen die dendritische vertakkingen veroorzaken. Bestaande methoden om dendrieten te bestuderen zijn echter afhankelijk van eenvoudige visuele analyse en subjectieve interpretatie, wat veel trial‑and‑error vereist.

Om deze problemen aan te pakken, bouwden onderzoekers een AI‑model om dendritische structuren te analyseren. De innovatieve methode integreert machine learning (ML) en persistent homology (PH) met energie‑analyse om structuur en proces in dendritische groei te verbinden.

“Onze aanpak biedt nieuwe inzichten in groeimechanismen en biedt een krachtig, data‑gedreven pad voor het optimaliseren van dunnefilmfabricage.”

– Prof. Kotsugi

AI, PH en energie‑analyse combineren om dendritische groei te bestuderen

Gepubliceerd in Science and Technology of Advanced Materials: Methods³, beschrijft de studie het model dat persistent homology (PH) gebruikt om de complexe topologische kenmerken van dendriet‑microstructuren vast te leggen, die vaak over het hoofd worden gezien door traditionele beeldverwerkingstechnieken.

Terwijl PH de multiscale beoordeling van gaten en verbindingen binnen geometrische structuren mogelijk maakt, hielp de ML‑techniek principal component analysis (PCA) om de essentiële dendriet‑morfologie‑kenmerken die via PH werden geëxtraheerd te reduceren tot een 2D‑ruimte.

Dit hielp het team om structurele veranderingen in dendrieten te kwantificeren en een relatie vast te stellen tussen deze veranderingen en de vrije energie in het materiaal die de vorming van dendrieten beïnvloedt.

Bij het beoordelen van deze relatie ontdekte het team de specifieke omstandigheden en verborgen groeimechanismen die dendritische vertakkingen beïnvloeden.

“Ons kader brengt dendritische morfologie kwantitatief in kaart naar variaties in Gibbs‑vrije‑energie, waardoor energiegraadverschillen die vertakkingsgedrag aansturen, worden onthuld.”

– Kotsugi

Het team bestudeerde vervolgens dendrietgroei in een hexagonale koper (Cu) substraat en vergeleek de resultaten met gegevens uit fase‑veld‑simulaties om hun aanpak te valideren. Kotsugi merkte op:

“Door topologie en vrije energie te integreren, biedt onze methode een veelzijdige benadering voor materiaalanalyse. Door deze integratie kunnen we een hiërarchische verbinding tot stand brengen tussen microstructuren op atomaire schaal en macroniveau functionaliteiten over een breed scala aan materialen, wat de weg vrijmaakt voor toekomstige vooruitgang in de materiaalkunde.”

Deze methode, volgens hem, kan leiden tot de ontwikkeling van hoogwaardige dunnefilm‑apparaten voor hogesnelheidscommunicatie voorbij 5G en tot vooruitgang in high‑performance materialen, niet‑evenwichtsfysica en sensortechnologie.

Nu, als we kijken naar een prominente naam in de materiaalkunde die AI inzet om te innoveren, is Applied Materials (AMAT ) een van de topbedrijven. Het maakt gebruik van AI om de productie van halfgeleiderchips te verbeteren via haar AI(x)-platform, ExtractAI en het SEMVision™ H20‑systeem. De aandelen van het bedrijf met een marktkapitalisatie van $123,6 bln worden momenteel verhandeld tegen $151, een daling van 6,5 % YTD. Voor 1Q25 meldde een omzetstijging van 7 % tot $7.17 bln, terwijl de GAAP‑winst per aandeel $1.45 was en de non‑GAAP‑winst per aandeel $2.38.

“De drang in de industrie om de ontwikkeling van geavanceerde compute en meer verfijnde AI te versnellen, wint aan momentum. Applied Materials maakt de belangrijke apparaat‑architectuurveranderingen mogelijk die cruciaal zijn voor energie‑efficiënte AI, en onze focus op high‑velocity co‑innovatie creëert unieke samenwerkingskansen met onze klanten en partners, waardoor Applied gepositioneerd wordt voor voortdurende groei en overpresteren in de komende jaren.”

– CEO Gary Dickerson vorige maand

Laatste over Applied Materials

Conclusie

AI heeft al bedrijven in verschillende sectoren getransformeerd. Het snelle tempo van innovatie biedt nu baanbrekende oplossingen voor de langdurige uitdagingen. Met deze vooruitgangen, variërend van materiaalkunde, medische diagnostiek en persoonlijke supercomputers tot zelfs oplossingen voor AI’s eigen leeruitdagingen, betreden we een tijdperk dat ongekende transformatie belooft.

Naarmate AI zich blijft ontwikkelen, maakt haar vermogen om productiviteit te stimuleren, besluitvorming te verbeteren en nieuwe fronten te ontsluiten, haar een van de krachtigste krachten die de toekomst vormgeven.

Klik hier om alles te leren over investeren in kunstmatige intelligentie (AI).