Investeren in Nobelprijsprestaties – Kunstmatige Neurale Netwerken, de Basis van AI

Geschiedenis van de Nobelprijs

De Nobelprijs is de meest prestigieuze onderscheiding in de wetenschappelijke wereld. Het werd opgericht volgens de wil van de heer Alfred Nobel om een prijs “toe te kennen aan degenen die, gedurende het voorgaande jaar, de grootste bijdrage hebben geleverd aan de mensheid” op het gebied van natuurkunde, scheikunde, fysiologie of geneeskunde, literatuur en vrede.

Later werd een zesde prijs gecreëerd voor economische wetenschappen door de Zweedse centrale bank, officieel de Prijs voor Economische Wetenschappen, beter bekend als de Nobelprijs voor Economie.

De beslissing over wie de prijs krijgt, behoort toe aan meerdere Zweedse academische instellingen.

Erfeniszorgen

De beslissing om de Nobelprijs te creëren kwam bij Alfred Nobel nadat hij zijn eigen overlijdensbericht had gelezen, veroorzaakt door een fout van een Franse krant die het nieuws over de dood van zijn broer verkeerd begreep. Getiteld “De Doodsmaker is dood”, sloeg het Franse artikel Nobel af voor zijn uitvinding van rookloze explosieven, waarvan dynamiet de bekendste was.

Zijn uitvindingen waren zeer invloedrijk in de vorming van de moderne oorlogsvoering, en Nobel kocht een enorme ijzer- en staalfabriek om deze om te vormen tot een grote wapenfabrikant. Omdat hij eerst chemicus, ingenieur en uitvinder was, besefte Nobel dat hij niet herinnerd wilde worden als een man die een fortuin maakte ten koste van oorlog en de dood van anderen.

Nobelprijs

Tegenwoordig wordt Nobel’s fortuin bewaard in een fonds dat wordt belegd om inkomsten te genereren voor de Nobelstichting en de vergulde groene gouden medaille, diploma en geldprijs van 11 miljoen SEK (ongeveer $1 miljoen) die aan de winnaars wordt toegekend.

Bron: Britannica

Vaak wordt het Nobelgeld verdeeld over meerdere winnaars, vooral in wetenschappelijke vakgebieden waar het gebruikelijk is dat 2 of 3 toonaangevende figuren samen of parallel bijdragen aan een baanbrekende ontdekking.

Nobelprijs in Computing?

Gewoonlijk worden Nobelprijzen voor natuurkunde toegekend aan ontdekkingen over de fundamentele aard van het universum, zoals zwarte gaten (2020) of exoplaneten (2019). Ze kunnen ook worden gewonnen voor belangrijke vooruitgangen in de materiaalkunde, zoals quantumdots (2023), lasers (2018), of LED’s (2014).

Maar de winnaars van dit jaar zijn iets onconventioneeler, met een focus op data‑analyse. Preciezer, werd de prijs toegekend aan Geoffrey Hinton en John Hopfield voor hun bijdrage aan het creëren van kunstmatige neurale netwerken.

Bron: Nobelprijs

Dit is een zeer actuele Nobelprijs, waarbij neurale netwerken de kerntechnologie vormen die verantwoordelijk is voor de meeste recente vooruitgangen in AI, inclusief LLM’s, maar ook machine‑visie (inclusief voor zelfrijdende voertuigen) en technische AI’s die worden gebruikt in nieuwe geneesmiddelenontdekkingen, materiaalkunde, enz.

Wat zijn neurale netwerken?

Chips versus neuronen

Toen computers werden uitgevonden, groeide de hoop snel dat ze in capaciteit konden groeien tot het ontwikkelen van mensachtige intellectuele vermogens. Maar in de praktijk, terwijl computers steeds indrukwekkender werden in berekeningen en daarna in beeldgeneratie, bleven ze “dom” als het ging om echt redeneren.

Voor een groot deel komt dit doordat een computerchip heel anders is dan de neuronen die het brein vormen. Terwijl een siliciumchip zeer snel miljoenen binaire berekeningen (0 of 1) kan uitvoeren, zijn neuronen meer een analoog signaal, met veel complexiteit en “ruis” in het signaal.

Dus computers hebben precieze programmering nodig om een berekening uit te voeren; ze kunnen eigenlijk niets “leren” en volgen simpelweg de gecodeerde instructies tot in de puntjes.

Neurale netwerken zijn anders. Ze kunnen problemen aanpakken die te vaag en gecompliceerd zijn om te worden beheerd door stap‑voor‑stap instructies. Een voorbeeld is het interpreteren van een afbeelding om de objecten erin te identificeren, iets waar computers berucht slecht in zijn, vandaar de “Bent u een mens?”‑test op sommige webpagina’s.

Bron: Google

Hoe neuronen werken

Neuronen volgen over het algemeen geen strikte vooraf ingestelde programmering. In plaats daarvan functioneren ze via een feedback‑lus van versterkende verbindingspatronen.

Hoe het werkt is dat neuronen de verbinding met andere neuronen versterken wanneer ze samenwerken. Dit creëerde het idee om in een computer te simuleren hoe neuronen werken, met meerdere onderling verbonden knooppunten.

De verbindingen tussen deze knooppunten kunnen sterker of zwakker worden gemaakt, waardoor een proces ontstaat dat “training” wordt genoemd, dat tot op de dag van vandaag de kern vormt van het creëren van de nieuwste AI’s.

Bron: Nobelprijs

Het idee leek veelbelovend, maar gedurende een tijd zag de benodigde rekenkracht er prohibitief hoog uit, vooral voor de relatief primitieve computers van de jaren zestig en zeventig.

Hoe werkt het menselijk geheugen?

Wanneer we ons iets herinneren of herkennen, voeren we geen wiskundig perfecte berekening uit van de kleur van elke pixel van een afbeelding. In plaats daarvan itereren we vanuit gedeeltelijke gegevens, proberen we een associatie te leggen met iets dat al bekend is, en identificeren we een herkenbaar patroon.

Fysicus John Hopfield vond in 1982 het Hopfield‑netwerk, een methode om patronen op te slaan en te reproduceren.

Beginnen met fysica

Hij begon met opmerken dat collectieve eigenschappen in veel fysieke systemen robuust zijn voor veranderingen in modeldetails. Met name afgeleide materialen verkrijgen hun speciale kenmerken dankzij hun atomaire spin – een eigenschap die elk atoom tot een klein magneetje maakt.

De eigenschap van het grotere materiaal kwam voort uit de spin van elk atoom die de omringende spins beïnvloedde, waardoor alle spins in dezelfde richting eindigden. Zijn model beschrijft het fenomeen met verschillende knooppunten die elkaar beïnvloeden.

Evenzo kan een afbeelding worden vastgelegd als een raster van knooppunten, elk met een waarde van 0 of 1 (zwart of wit).

Als je een vervormde afbeelding vergelijkt met dit oorspronkelijke raster, kun je berekenen hoeveel elk knooppunt van de vervormde afbeelding afwijkt. Maar door het “duwen” van het vervormde knooppunt dichter bij waar het logisch is, zoals een helling in een vooraf vastgesteld landschap, kun je vaak de oorspronkelijke afbeelding reconstrueren ondanks de vervormingen.

Dus Hopfield had een primitief, maar functioneel systeem gecreëerd voor foutcorrectie of patroonvoltooiing, iets waar computers normaal gesproken niet toe in staat zijn, omdat ze vastzitten in hun strikte programmering.

Bron: Nobelprijs

Met voldoende rekenkracht kan elk knooppunt elke waarde opslaan, niet alleen zwart‑wit. Bijvoorbeeld, het kan een getal zijn dat een exacte kleur weergeeft, net zoals digitale afbeeldingen worden gecreëerd.

Het kan ook alle soorten gegevens weergeven, niet alleen afbeeldingen, waardoor een functioneel model ontstaat voor een kunstmatig associatief geheugen.

Associatie gebruiken voor begrip

Zelfs eenvoudige dieren of kleine kinderen kunnen veel beter dan geavanceerde computers patronen herkennen, zoals het identificeren van een afbeelding met een hond, een kat of een eekhoorn. Dit gebeurt ook zonder een hoger‑ordeverstaan van concepten zoals dieren, zoogdieren of soorten.

En misschien nog belangrijker, dit kan worden bereikt met zeer beperkte initiële gegevens en ervaring, in plaats van een catalogus van miljarden afbeeldingen van deze dieren die elke mogelijke houding, kleur, vorm of verschijning dekken.

Analoog in plaats van binair

Omdat de knooppunten elke data kunnen bevatten, kunnen ze worden gebruikt voor continue data, zoals fenomenen over tijd.

Het maakt ook efficiënte berekeningen van interacties tussen complexe systemen mogelijk, waarbij het antwoord op een stimulus meer statistisch is dan een binair ja/nee. Dit bespaart zowel energieverbruik als rekencapaciteit vergeleken met traditioneel rekenen voor dit soort problemen.

En door meer knooppunten toe te voegen, kan geleidelijk meer complexiteit aan de modellen worden toegevoegd.

De Boltzmann‑machine

Geoffrey Hinton, samen met Terrence Sejnowski en andere medewerkers, werkte aan het verbeteren en uitbreiden van het concept van het Hopfield‑model.

Hinton gebruikte ideeën uit de statistische fysica, een vakgebied dat dingen beschrijft met veel elementen zoals gassen of vloeistoffen. Omdat de individuele componenten te talrijk zijn, is de enige manier om hun gedrag te modelleren het gebruik van statistische verwachtingen, in plaats van een “harde fysische” berekening van elke molecule’s temperatuur, locatie, snelheid, enz.

Om zo’n capaciteit toe te voegen aan het Hopfield‑model, voegde hij een extra “verborgen” laag knooppunten toe tussen de zichtbare laag die eerder alleen de berekening uitvoerde. Hoewel onzichtbaar, dragen de verborgen knooppunten bij aan de energieniveaus van de andere knooppunten en van het systeem als geheel.

Bron: Nobelprijs

Ze noemden dit concept de Boltzmann‑machine, ter ere van Ludwig Boltzmann, een natuurkundige uit de 19^de eeuw die de statistische mechanica ontwikkelde, de basis van de statistische fysica.

Bron: Wikipedia

Beperkte Boltzmann‑machine

In het oorspronkelijke ontwerp was de Boltzmann‑machine te complex om praktisch bruikbaar te zijn. Een vereenvoudigde versie werd ontwikkeld, waarbij er geen verbindingen tussen knooppunten op dezelfde laag bestaan.

Bron: Nobelprijs

Dit maakte de machine veel efficiënter, terwijl hij nog steeds complexe patroonherkenning kon uitvoeren.

Een extra verbetering was het proces van “pre‑training” van het neurale netwerk, met een reeks Boltzmann‑machines in lagen, één bovenop de andere.

Dit verbeterde het startpunt van het neurale netwerk, waardoor de patroonherkenningscapaciteit toenam.

Impact op moderne neurale netwerken

Zowel Hopfield als Hinton hebben de fundamentele ideeën achter neurale netwerken gebouwd, evenals de wiskunde en tools om ze te benutten.

Het zou echter tot de jaren 2010 duren voordat de rekenkracht genoeg was gegroeid om neurale netwerken een prominente plaats te geven in het algemene bewustzijn.

Omdat de moderne versie van de Boltzmann‑machine zoveel onderling verbonden lagen gebruikt, worden ze “diepe” neurale netwerken genoemd. Om een perspectief te geven op de evolutie van het vak, gebruikte Hopfield een model met 30 knooppunten in zijn publicatie van 1982, wat 435 mogelijke verbindingen opleverde. Dit leidde tot ongeveer 500 parameters die bijgehouden moesten worden.

Destijds konden computers geen model met 100 knooppunten aan. De hedendaagse LLM’s (Large Language Models), de basis van tools zoals ChatGPT, gebruiken één biljoen parameters en hun rekeneisen blijven voortdurend toenemen.

Toepassingen

Fundamentele fysica

Net als vele andere Nobelprijzen in de natuurkunde, is het gebruik van neurale netwerken een ontdekking die andere nieuwe ontdekkingen stimuleert.

Zo zijn ze gebruikt om de enorme hoeveelheden data te doorzoeken en te verwerken die nodig waren om het Higgs‑deeltje te ontdekken (Peter Higgs ontving de Nobelprijs voor natuurkunde in 2013). Ze zijn ook gebruikt door andere Nobelprijswinnende onderzoekers, zoals bij de metingen van zwaartegolven van samensmeltende zwarte gaten of bij de zoektocht naar exoplaneten.

Toegepaste fysica

Reële materialen en fenomenen zijn vaak te complex om alleen te modelleren met een oorzaak‑>effect‑model op het niveau van individuele deeltjes.

In vergelijking stellen neurale‑netwerk‑basissen in de statistische fysica ze veel flexibeler in staat, en geven ze direct het juiste antwoord of “wijzen” ze wetenschappers in de juiste richting.

Dit wordt nu routinematig ingezet door top‑onderzoeksinstituten om bijvoorbeeld de structuur en functie van eiwitmoleculen te berekenen, of om uit te zoeken welke nieuwe versies van materialen de beste eigenschappen hebben voor efficiëntere zonnecellen of batterijen.

LLM’s

Natuurlijk zou geen gesprek over toepassingen van neurale netwerken compleet zijn zonder LLM’s, de kern van de AI‑koorts van de afgelopen jaren sinds de release van ChatGPT in 2022.

Voor een groot deel komt dit doordat mensachtige taalproductie, “voelen” als een echt persoon, lange tijd werd beschouwd als de test waarop we een AI als echt intelligent konden beschouwen (de Turing‑test).

De echte intelligentie van LLM’s wordt fel betwist, van de mening van AI‑enthousiastelingen (of doemdenkers) die echte intelligentie en een technologische singulariteit verwachten, tot het zien ervan als een truc die geen bruikbare resultaten kan leveren.

Desondanks hebben ze een breed scala aan toepassingen, vooral waar ze goedkope taken kunnen uitvoeren die nu door veel duurdere mensen worden gedaan. Dit geldt vooral voor voornamelijk verbale taken, zoals:

• Chatbots en klantenservice.
• Code‑ontwikkeling en verificatie.
• Vertaling en lokalisatie.
• Marktonderzoek.
• Zoeken en vragen beantwoorden.
• Analyse van grote documenten en datasets.
• Onderwijs

Naast LLM’s kan beeldgeneratie ook een hele nieuwe stroom van afbeeldingen creëren in ons digitale tijdperk, zowel voor nuttige als potentieel kwaadaardige doeleinden (desinformatie, chantage, enz.).

Machine‑ en computervisie

Aangezien de oorspronkelijke toepassing van neurale netwerken teruggaat tot Hopfield, is het logisch dat beeldherkenning nu een kernpotentiële toepassing is van neurale netwerken.

Soms wordt machine‑visie gebruikt om beperkte identificatie te beschrijven in een meer gecontroleerde industriële omgeving, terwijl computer‑visie streeft naar een meer mensachtige visie.

Bron: Solomon

Zelfrijdend

Een belangrijk subsegment van dit veld is zelfrijdende voertuigen, aangezien menselijke bestuurders hun visuele patroonherkenning gebruiken om hun massieve voertuigen veilig te besturen.

Voorlopig vertrouwen de meeste zelfrijdende systemen op een mix van camera’s en andere sensoren om veilig te blijven (zoals radar en LIDAR), met uitzondering van Tesla (TSLA ) die zich uitsluitend richt op mensachtige machine‑visie (dankzij een veel grotere dataset, geleverd door de vloot van Tesla‑auto’s).

Voldoende trainingsdata, handmatige annotatie van miljoenen complexe real‑life situaties, en ook aangepaste hardware die het energieverbruik verlaagt en de reactietijd versnelt, zullen waarschijnlijk de winnende combinatie zijn voor het eerste bedrijf dat de biljoen‑dollarprijs wint voor het ontwikkelen van de eerste echte niveau‑5 volledige rij‑automatisering.

Medisch

Veel diagnostiek in de geneeskunde hangt niet af van laboratoriumtests, maar van de handmatige interpretatie door een getrainde specialist van beelden die zijn geproduceerd door röntgenapparaten, MRI‑scanners, enz.

Dit kan jaren duren voordat een expert echt bedreven is in deze taak, die evenveel kunst als wetenschap is. In plaats daarvan kan AI goedkoop en consequent miljoenen medische beelden analyseren met voorspelbare resultaten.

Het zou zelfs kunnen worden gebruikt om aandoeningen te diagnosticeren die voorheen niet met scans konden worden gedetecteerd, zoals ADHD.

En misschien minder voor de hand liggend, AI met neurale netwerken kan ook chirurgen assisteren, zoals het Franse Pixee Medical, dat 3D‑tracking mogelijk maakt met een smartphone of slimme bril voor orthopedische chirurgie.

AI kan ook de cruciale procedure van het vastleggen van de operatie automatiseren, vooral voor repetitieve en foutgevoelige taken. Omdat chirurgen instrumenten in ongeveer 1500 operaties per jaar in de VS vergeten, zou computer‑visie even goed kunnen helpen dit probleem volledig te elimineren door automatisch alles bij te houden dat tijdens de operatie wordt gebruikt.

Biologisch onderzoek

Van geneesmiddelenontdekking tot het voorspellen van eiwitvouwing, neurale netwerken zijn krachtige hulpmiddelen voor onderzoekers in de geneeskunde en biologie.

Dit revolutioneert al hoe nieuwe therapieën worden ontwikkeld, zoals we bespraken in “Top 5 AI & Digital Biotech Companies”. Het kan ook bijdragen aan meer consistente data, wat vaak een probleem is in de biologische wetenschappen, waar veel data nog steeds handmatig worden ingevoerd, zoals het tellen van bloedcellen.

Dit kan worden opgelost met AI‑machine‑visie, met producten zoals Shonit van Sigtuple die nu betrouwbare en gestandaardiseerde tellingen van alle soorten bloedcellen kan leveren.

Bron: Sigtuple

Industrie & productie

Van kwaliteitscontrole & componentinspecties tot volledig geautomatiseerde assemblage, machine‑/computer‑visie kan de productielijn flexibeler en reactievermogender maken voor elke verschuiving in het productieproces.

Dit kan zowel kosten verlagen door minder menselijke input als de kwaliteit en productiesnelheid verbeteren.

Robotica

Naarmate robotica de fabrieksvloer verliet om te interageren met complexere alledaagse omgevingen, moeten ze hun patroonherkenningscapaciteiten snel verbeteren.

Van robodogs tot bezorgrobots, en misschien binnenkort humanoïde persoonlijke assistenten, robots combineren steeds vaker AI met neurale netwerken om ons te helpen bij dagelijkse taken.

Landbouw

Landbouwrobots gebruiken steeds vaker machine‑visie om onkruid of rijp fruit te identificeren en vervangen zo vermoeiend handwerk of destructieve grootschalige machinale gereedschappen.

Dit zal niet alleen de landbouw en ons voedselsysteem beïnvloeden, maar ook ecologisch herstel, met sterke effecten op bodemgezondheid, de opkomst van nieuwe landbouwpraktijken, en mogelijk betere tools voor herbebossing en beheer van invasieve soorten.

Militair

Ondanks dat dit complexe ethische vragen oproept, is het een historisch feit dat elke nieuwe technologie wordt onderzocht op haar potentieel om de militaire voorsprong ten opzichte van een tegenstander te vergroten.

En aangezien er altijd één natie zal zijn die dit doet, moeten de anderen het ook bijhouden.

AI wordt al gebruikt om doelen te identificeren en data op het slagveld te analyseren, onder andere in lopende echte oorlogen zoals Oekraïne en Gaza, iets wat we bespraken in “Top 10 Drones en Drone‑oorlogsvoorraden”.

Onder de meest alarmerende recente ontwikkelingen kunnen we de ontwikkeling van de nieuwste versie van de Russische Lancet noemen, een zelfmoorddrone/missie die AI‑machine‑visie gebruikt om vijandelijke voertuigen te identificeren en te raken in het laatste segment van zijn koers.

Het geven van de dodelijke beslissing aan een geautomatiseerd systeem is een duidelijk zeer gevaarlijke stap, die echt lijkt op het materiaal van een science‑fictionfilm net voordat een AI‑opstand tegen de mensheid plaatsvindt.

Dus we kunnen alleen hopen dat militaire machten wereldwijd tot een begrip komen over welke technologie wel of niet kan worden ingezet, vergelijkbaar met hoe nucleaire wapens worden beheerd.

Risico’s van neurale netwerken

Het is het vermelden waard dat Geoffrey Hinton, die dit jaar de Nobelprijs won ook zeer bezorgd is over de voortgang in AI‑technologie.

Na de Turing‑prijs in 2018 en de Nobelprijs in 2024, is het waarschijnlijk dat zijn waarschuwing nog meer gehoord zal worden dan voorheen.

“Ik heb mijn mening over de vraag of deze dingen intelligenter zullen worden dan wij plotseling veranderd.

Ik denk dat ze nu al heel dicht in de buurt komen en dat ze in de toekomst veel intelligenter zullen zijn dan wij. Hoe overleven we dat?”

Geoffrey Hinton

Zal onze AI‑enthousiasme ons tot een toekomst als in de Matrix‑ of Terminator‑films leiden? Misschien niet, maar aangezien ultra‑complexe neurale netwerken in wezen een black‑box zijn, begrijpen hun eigen makers niet volledig dat ethische en veiligheidsregels waarschijnlijk nodig zijn voordat een defecte AI onherstelbare schade veroorzaakt.

Investeren in neurale netwerken

Neurale netwerken worden nu bijna synoniem met AI‑technologie in het algemeen, aangezien er een groeiende samensmelting van disciplines in de sector plaatsvindt.

Aangezien neurale netwerken grote datasets nodig hebben voor pre‑training en training, behoren ze momenteel tot het domein van zeer grote tech‑bedrijven of zeer goed gefinancierde startups.

U kunt investeren in AI‑gerelateerde bedrijven via vele brokers, en u kunt hier, op securities.io, onze aanbevelingen vinden voor de beste brokers in de VS, Canada, Australië, en het VK, en vele andere landen.

Als u niet geïnteresseerd bent in het selecteren van specifieke AI‑gerelateerde bedrijven, kunt u ook kijken naar ETF’s zoals de ARK Artificial Intelligence & Robotics UCITS ETF (ARKI), de Global X Robotics & Artificial Intelligence ETF (BOTZ), of de WisdomTree Artificial Intelligence and Innovation Fund (WTAI) (WT ) die een meer gediversifieerde blootstelling bieden om te profiteren van AI.

Neurale netwerkbedrijven

1. Microsoft

Microsoft (MSFT ) staat bijna sinds het ontstaan van de tech‑industrie centraal met zijn nog steeds dominante besturingssysteem Windows.

MSFT Prijsgrafiek

Het is nu ook een leider in enterprise‑software (Office365, Teams, LinkedIn, Skype, GitHub), gaming (Xbox en meerdere videogame‑studio‑acquisities), en in de cloud (Azure).

Recenter heeft Microsoft goede vooruitgang geboekt op het gebied van AI. Dit omvat enkele consumentgerichte AI’s zoals de Bing Image Creator en meer zakelijke initiatieven, zoals Copilot voor Microsoft 365 en Microsoft Research. Copilot wordt nu uitgerold naar detailhandel en kleinere bedrijven.

Bron: Constellation Research

Microsoft heeft de reputatie verworven een enterprise‑gecentreerde tech‑gigant te zijn, in vergelijking met meer consumentgerichte bedrijven zoals bijvoorbeeld Apple (AAPL ) of Facebook. Nu AI steeds belangrijker wordt in bedrijfsmodellen, zou de reeds bestaande aanwezigheid van Microsoft in cloud‑ en enterprise‑diensten het een voorsprong moeten geven bij het op grote schaal inzetten van AI en bij klantacquisities.

De samenwerking/ quasi‑eigendom met AI‑ontwikkelingsleiders zoals OpenAI (van ChatGPT‑faam) zal ook Microsoft’s positie als AI‑krachtpatser verstevigen.

2. NVIDIA

NVidia had aanvankelijk een dominante positie in de grafische kaart (GPU)‑markt, vooral gebruikt voor high‑end gaming en 3D‑modellering. GPU’s kunnen berekeningen parallel uitvoeren en verschillen in dat opzicht van processoren (CPU).

Het ontwerp van de hardware bleek zeer geschikt voor cryptocurrency‑mining (vooral Bitcoin), waardoor een sterke groeigolf voor het bedrijf ontstond.

Nu blijkt dat het even krachtig is voor het trainen van AI’s, waardoor Nvidia’s (NVDA ) hardware de ruggengraat van de AI‑revolutie vormt.

NVidia ontwikkelt nu op maat gemaakte reken‑systemen voor verschillende AI‑toepassingen, van zelfrijdende auto’s tot spraak‑AI en conversatie‑AI’s, generatieve AI’s, of cybersecurity.

Het is waarschijnlijk dat Nvidia geen nieuwe use‑cases voor zijn AI‑hardware heeft gevonden, zoals aangetoond door Microsoft’s onderzoek met PNNL. Bijvoorbeeld, NVidia ontwikkelt nu een heel scala aan oplossingen voor geneesmiddeldeontdekking, evenals AI‑aangedreven medische apparaten en AI‑ondersteunde medische beeldvorming.

Bron: NVidia

Het is waarschijnlijk dat op de zeer lange termijn concurrenten van NVidia hun initiële voorsprong serieus gaan uitdagen.

Maar voor de nabije toekomst, gezien de explosie in de vraag naar AI‑specifieke rekenkracht, zal NVidia de belangrijkste leverancier blijven van alle nieuwe AI‑trainingsdatacenters die worden gebouwd.

En als AI een nieuwe tech‑goudkoorts is, is de investeringswijsheid om de verkopers van pik- en schopvoorraden te verkiezen boven het gokken op het vinden van goud.

In de AI‑koorts zijn de tools van keuze voorlopig NVidia AI‑chips.