AI sine siste gjennombrudd: Hva er nytt og hva er neste?

Kunstig intelligens (AI) fortsetter å vokse i betydning, takket være dens store potensial til å revolusjonere bransjer.

Denne simuleringen av menneskelig intelligens i maskiner gir tross alt fordeler som økt effektivitet og produktivitet, forbedret nøyaktighet og beslutningstaking, nye jobbmuligheter og forbedret kundeopplevelse.

Som et resultat har AI blitt en nøkkeldriver for bedriftsvekst, med mer enn 70 % av virksomheter som tar den i bruk. Estimater viser at det globale AI-markedet kan nå billioner innen 2030, drevet av økte investeringer og teknologiske fremskritt.

Allerede i år har vi sett massive utviklinger: OpenAI introduserte en dyp forskningsagent med over 25 % nøyaktighet på Humanity’s Last Exam‑benchmark; DeepSeek lanserte DeepSeek‑R1, som bruker chain‑of‑thought‑resonnement; Baidu lanserte Ernie X1 og Ernie 4.5; og Stability AI avduket en ny modell, Stable Virtual Camera, som gjør det mulig å omdanne bilder til 3D‑scener.

Samtidig samarbeider Google med Taiwans MediaTek for å utvikle neste generasjon av Tensor Processing Units (TPU‑er) for å redusere produksjonskostnader og avhengighet av nåværende partnere. På samme tid kunngjorde et konsortium bestående av OpenAI, Oracle (ORCL ), SoftBank og MGX The Stargate Project i samarbeid med den amerikanske regjeringen.

Forrige uke kunngjorde Nvidia (NVDA ) en ny serie av “AI‑personlige superdatamaskiner” drevet av Grace Blackwell‑chipplattformen. Administrerende direktør Jensen Huang presenterte DGX Spark og DGX Station på GTC 2025 for å la brukere prototype, finjustere og kjøre AI‑modeller av ulike størrelser i kanten.

Så, la oss nå se på noen av de nyeste viktige gjennombruddene forskere har oppnådd med AI i ulike sektorer.

Klikk her for å finne ut om AI bare er hype eller om det er substans i veksten.

AI løser sine egne læringsutfordringer

AI overfører ikke bare til andre sektorer, men bidrar også til seg selv ved å muliggjøre utviklingen av mer sofistikerte AI‑systemer gjennom fremskritt innen dataanalyse, maskinlæring og automatisering, noe som fører til raskere prosessering, mer nøyaktige spådommer og bedre beslutningstaking.

Denne måneden introduserte forskere nye memristive komponenter som er langt mer robuste, kan operere både i analog‑ og digital‑modus, og fungerer over et bredere spenningsområde.

Disse egenskapene kan bidra til å løse problemet med “katastrofalt glemning”, som oppstår når kunstige nevrale nettverk glemmer det de tidligere har lært. Dette skjer vanligvis når dype nevrale nettverk (DNN‑er), designet for å etterligne den menneskelige hjernen, trenes for en ny oppgave, og den nye optimaliseringen overskriver det som ble lært tidligere.

Hjernen vår har ikke dette problemet, takket være dens evne til å justere graden av synaptisk endring. Det antas også at de ulike plastisitetsgradene gjør at hjernen kan lære nye ting permanent uten å glemme de gamle. Forskere har oppnådd noe lignende med deres nye memristor.

Memristorer oppfører seg mye som hjerneceller og bruker ekstremt lite strøm. Som en type resistans‑byttende minneenhet kan memristorer endre sin resistans basert på påført spenning. Selv etter at spenningen er slått av, forblir deres resistansverdi på grunn av deres evne til å gjennomgå strukturelle endringer.

Ifølge Ilia Valov fra Peter Grünberg Institute (PGI‑7) ved Forschungszentrum Jülich, som ledet forskningen:

«Memristive elementer anses som ideelle kandidater for læringsdyktige, nevro‑inspirerte datakomponenter modellert etter hjernen.»

Selv om betydelige fremskritt har blitt gjort, skjer kommersialiseringen av komponentene i et mye langsommere tempo på grunn av høy feilrate i produksjonen, kort levetid på produktet og sensitivitet for mekaniske påvirkninger som kan forårsake feil under drift.

Dette krever forskning på bedre kontroll av nanoskalaprosesser samt nye materialer og byttemekanismer for å redusere systemenes kompleksitet og øke deres funksjonsområde, sa Valov.

For dette formålet samlet tyske og kinesiske forskere seg og «oppdaget en fundamentalt ny elektro‑kjemisk memristiv mekanisme som er kjemisk og elektrisk mer stabil», som vil utvide horisonten for nevrovitenskapelige anvendelser.

Klikk her for å lære hvordan AI‑aktiverte hjernebrikker vil bane vei for neste sprang i menneskehetens evolusjon.

Memristor‑gjennombrudd for AI‑kontinuerlig læring

Publisert i tidsskriftet Nature Communications¹, studien identifiserte to primære mekanismer for funksjonen til bipolare memristorer:

1. Elektrokjemisk metallisering (ECM)
2. Valensendringsmekanisme (VCM)

ECM‑memristorer danner et metallisk filament mellom de to elektrodene. Denne lille “ledende broen” endrer elektrisk resistans og løses opp ved omvendt spenning. Selv om den tillater lave bytte‑spenninger og raske byttetider, er de genererte tilstandene her varierende og kortvarige.

VCM‑memristorer endrer resistans gjennom bevegelse av oksygenioner ved grensesnittet mellom elektroden og elektrolytten ved å endre Schottky‑barrieren. Selv om den er relativt stabil, krever dette høye bytte‑spenninger.

Med hver prosess som har sine egne fordeler og ulemper, designet teamet en memristor ved å kombinere fordelene fra begge typer, noe som tidligere ikke ble ansett som mulig.

Den nye memristoren bruker et filament laget av metalloksider (i stedet for å være helt metallisk som ECM), som dannes av bevegelse av oksygen‑ og tantalum‑ioner. Den er svært stabil og løses aldri helt opp.

«Du kan tenke på det som et filament som alltid eksisterer i en viss grad og kun blir kjemisk modifisert.»

– Valov

Den nye, robuste bytemekanismen refereres til som en filament‑ledningsmodifikasjonsmekanisme (FCM). Komponenter basert på denne mekanismen er mer motstandsdyktige mot høye temperaturer, krever lavere spenning for å produsere, har et bredere spenningsvindu, og er kjemisk og elektrisk mer stabile. Deres levetid er også lengre fordi færre komponenter brenner ut under produksjon, noe som fører til lavere avvisningsrate.

De ulike oksidasjonstilstandene gjør også at memristoren kan operere i både binære og analoge modus, noe som kan bidra til å overvinne problemet med “katastrofalt glemning”.

Valov forklarte at den nye to‑terminal‑ohmiske memristorens “unike egenskaper” “gjør det mulig å bruke ulike bytemoduser for å kontrollere modulasjonen av memristoren på en måte som gjør at lagret informasjon ikke går tapt.”

Forskere har allerede implementert den nye memristive komponenten i en kunstig nevralt nettverksmodell i en simulering, og oppnådde høy mønstergjenkjenningsnøyaktighet på flere bildedatasett.

Teamet vil nå utforske andre materialer som kan være enda bedre og mer stabile. Valov er sikker på at deres “resultater vil ytterligere fremme utviklingen av elektronikk for ‘computation‑in‑memory’-applikasjoner.”

Nå er ett av de ledende selskapene innen AI‑området Microsoft (MSFT ), som har investert $12 milliarder i ChatGPT‑produsenten OpenAI og tilbyr AI‑produkter som Copilot, Azure AI Studio og AI‑drevne verktøy innen Microsoft 365, Dynamics 365 og Power Platform. Den $2,9 billiard store teknologigigantens markedsverdi har aksjene for tiden handlet på $394.58, ned 7,17 % år‑til‑dato. For kvartalet som endte 31. desember 2024, den rapporterte en 12 % økning i inntektene til $69,6 milliarder og fortynnet EPS på $3,23.

Ifølge Microsoft‑administrerende direktør Satya Nadella:

«Vi innoverer på tvers av vår teknologiske stack og hjelper kunder med å låse opp full avkastning på AI for å gripe den enorme muligheten som ligger foran. Allerede har vår AI‑virksomhet overgått en årlig inntektsstrøm på $13 milliarder, opp 175 % år‑over‑år.»

Siste om Microsoft

AI i helsevesenet, forbedrer Parkinson‑diagnostikk

I helsevesenet hjelper AI med å redusere kostnader og oppnå bedre pasientresultater ved å forbedre diagnostikk, behandling og pasientpleie gjennom sykdomsdeteksjon, personlig medisin og økt effektivitet i administrative oppgaver.

Nå vil AI hjelpe klinikere med å differensiere diagnosen av Parkinsons sykdom og relaterte tilstander raskere og med større nøyaktighet.

Diagnosen av Parkinsons sykdom ligger for tiden mellom 55 % og 78 % i de første fem årene av vurderingen, delvis på grunn av at tilstøtende bevegelsesforstyrrelser deler likheter med den, noe som kan gjøre en endelig diagnose vanskelig i starten.

Imidlertid har en ny AI‑modell utviklet av forskere ved University of Florida og UF Health Norman Fixel Institute for Neurological Diseases en presisjonsrate på over 96 %.

Som studien bemerket, har det vært spesielt utfordrende å bruke en bildedrevet tilnærming for å diagnostisere og differensiere mellom Parkinsons sykdom (PD), progressiv supranukleær parese (PSP) og multippel systemisk atrofi (MSA) Parkinson‑varianter. Imidlertid har nyere data vist at det er mulig med diffusjons‑vektet MR kombinert med sykdomsspesifikke maskin‑lærings‑algoritmer.

Studien, finansiert av National Institutes of Health og publisert i JAMA Neurology², beskrev Automated Imaging Differentiation for Parkinsonism (AIDP), en automatisert MR‑behandlings‑ og ML‑programvare med en ikke‑invasiv biomarkør‑teknikk.

MR‑produsenter, David Vaillancourt, professor i UF Department of Applied Physiology and Kinesiology, bemerket at de ikke kommuniserer med hverandre på grunn av konkurranse i markedet og bruker sin egen programvare og sekvenser.

Derfor utviklet forskerne «ny programvare som fungerer på tvers av alle». Verktøyet vil hjelpe leger med å øke sin diagnostiske effektivitet mellom ulike lidelser, sa Vaillancourt.

Mens diffusjons‑vektet MR i AIDP hjelper med å identifisere hvor nevrodegenerasjon forekommer ved å måle hvordan vannmolekyler diffunderer i hjernen, analyserer algoritmen MR‑skanningen for å gi resultatene.

Algoritmen har blitt grundig testet mot kliniske diagnoser og gjennomført på 21 steder, inkludert to i Canada og 19 i USA.

«Dette er et tilfelle hvor innovasjonen mellom teknologi og kunstig intelligens har blitt bevist å forbedre diagnostisk presisjon, og gir oss muligheten til ytterligere å forbedre behandlingen for pasienter med Parkinsons sykdom.»

– Michael Okun, M.D., direktør for Norman Fixel Institute for Neurological Diseases ved UF Health.

Forskerne sikter nå på å få godkjenning fra US Food and Drug Administration (FDA).

Bruke AI til å forutsi kardiovaskulær risiko gjennom mammogrammer

Et annet dyp‑læringsmodell viste potensial til å forutsi kardiovaskulær risiko basert på mammogram‑bilder, et viktig verktøy for kreftscreening. Denne separate studien presentert på American College of Cardiology’s (ACC) Annual Scientific Session kombinerer AI‑kraft med mammogrammer for å analysere opphopning av kalsium i arteriene i brystvevet.

Kalsiumoppbygging i blodårene er et tegn på kardiovaskulær skade knyttet til aldring eller tidlig hjertesykdom. Kvinner med kalsiumoppbygging i arteriene, ifølge tidligere studier, har 51 % høyere risiko for hjerteinfarkt og slag.

Selv om hjerte- og karsykdommer er en ledende dødsårsak i USA, blir de hos kvinner ofte underdiagnostisert, noe som kan endres med AI‑drevne mammogram‑screeningsverktøy som utnytter tester mange kvinner rutinemessig får.

I USA utføres omtrent 40 millioner mammogrammer hvert år. Disse røntgenbildene brukes til å screene for brystkreft. Selv om bildene viser brystarteriekalsifikasjoner, blir informasjonen ikke rapportert til pasientene eller deres klinikere.

Den nye studien brukte en AI‑bildeanalyse‑teknikk som ikke tidligere er brukt på mammogrammer for å vise at teknologien kan bidra til å fylle dette gapet ved automatisk å vurdere kalk og deretter gi en kardiovaskulær risikovurdering. Ifølge studiens hovedforfatter, Theo Dapamede, MD, PhD, og en postdoktor ved Emory University i Atlanta:

«Vi ser en mulighet for kvinner til å bli screent for kreft og samtidig få en kardiovaskulær screening fra mammogrammene sine. Vår studie viste at brystarteriekalsifikasjon er en god prediktor for kardiovaskulær sykdom, spesielt hos pasienter under 60 år. Hvis vi kan screene og identifisere disse pasientene tidlig, kan vi henvise dem til en kardiolog for videre risikovurdering.»

For å bygge verktøyet trente forskerne en AI‑modell til å segmentere forkalkede blodkar i mammogram‑bilder. Modellen bruker deretter disse lyse pikslene til å beregne risikoen for kardiovaskulære hendelser i fremtiden basert på data fra over 56 000 pasienter.

«Fremskritt innen dyp læring og AI har gjort det mye mer gjennomførbart å trekke ut og bruke mer informasjon fra bilder for å informere opportunistisk screening.»

– Dapamede

Studiefunnene viste at den nye modellen presterte godt i å identifisere kardiovaskulær risiko hos pasienter med lav, moderat eller høy risiko basert på mammogram‑bilder.

Ifølge dem øker forekomsten av alvorlige kardiovaskulære hendelser med nivået av brystarteriekalsifikasjon hos kvinner under 60 og de mellom 60 og 80 etter å ha beregnet risikoen for død av akutt hjerteinfarkt, slag eller hvilken som helst årsak etter to og fem år.

Dette gjør verktøyet spesielt egnet for å gi tidlig advarsel om hjerte­sykdomsrisiko hos yngre kvinner, og muliggjør tidlige intervensjoner.

Studiets resultater viser også at de med høyest nivå av brystarteriekalsifikasjon, over 40 mm², hadde en betydelig lavere femårs‑rate av hendelsesfri overlevelse enn de med lavest nivå, under 10 mm².

Forskerens neste steg er å få godkjenning fra FDA og gjøre den tilgjengelig for bredere bruk. I fremtiden planlegges også å undersøke bruk av lignende AI‑modeller for å analysere biomarkører for andre tilstander, som nyresykdom, som kan ekstraheres fra mammogrammer.

Nå, når det gjelder selskaper som fremmer AI i helsevesenet, GE HealthCare Technologies (GEHC ) er tungt investert i teknologien og integrerer den i sine produkter for å forbedre pasientpleie og styrke klinikernes arbeidsflyt. Selskapets aksjer med en markedsverdi på $37,26 milliarder handles for tiden til $81,49, opp 4,23 %. I 4Q24, økte inntektene med 2 % til $5,3 milliarder mens fortynnet EPS var $1,57.

Siste om GE HealthCare Technologies

AI i materialvitenskap: optimalisering av tynnfilm‑vekstprosesser

Materialvitenskap er kritisk for moderne fremskritt da den muliggjør utvikling av nye materialer og forbedring av eksisterende. AI i dette feltet bidrar ved å akselerere oppdagelsen og designet av nye materialer, optimalisere eksisterende og forbedre produksjonsprosesser.

Forskere fra Tokyo University of Science (TUS), ledet av professor Masato Kotsugi, har nå brukt AI til å optimalisere tynnfilm‑vekstprosesser ved å forutsi dendrittisk vekst i dem.

Disse prosessene spiller en nøkkelrolle i utviklingen av halvleder‑enheter, kommunikasjonsteknologier og sensorteknologier.

Nå vokses tynnfilmer ved å legge ned små lag av materialer på et substrat. For å fullt utnytte ytelsen til flerlag‑film‑enheter, må substratet presist fremstilles da det har betydelig innflytelse på den strukturelle konfigurasjonen, som deretter påvirker funksjon og ytelse.

Imidlertid påvirkes strukturen i betydelig grad av vekstprosessen, som sammensetning, atmosfære og overflatefeil. Under stor‑område‑fremstilling, som er viktig for kommersiell anvendelse, oppstår et stort hinder i form av dendrittiske strukturer.

Disse tre‑lignende forgreningsmønstrene reduserer tynnfilmenes jevnhet og er vanlig forekommende i materialer som grafen, kobber og borofen, spesielt i tidlig vekstfase og flerlag‑filmer.

Gitt at mikrostrukturen direkte påvirker enhetens ytelse, er det kritisk å redusere dendrittisk dannelse. For dette må vi først forstå betingelsen som forårsaker dendrittisk forgrening. Eksisterende metoder for å studere dendritter avhenger imidlertid av enkel visuell analyse og subjektiv tolkning, noe som krever betydelig prøving og feiling.

For å takle disse problemene bygde forskerne en AI‑modell for å analysere dendrittiske strukturer. Den innovative metoden integrerer maskinlæring (ML) og persistent homology (PH) med energianalyse for å bygge bro mellom struktur og prosess i dendrittisk vekst.

«Vår tilnærming gir nye innsikter i vekstmekanismer og tilbyr en kraftig, datadrevet vei for optimalisering av tynnfilm‑fremstilling.»

– Prof. Kotsugi

Kombinere AI, PH og energianalyse for å studere dendrittisk vekst

Publisert i Science and Technology of Advanced Materials: Methods³, studien beskriver modellen som bruker persistent homology (PH) for å fange de komplekse topologiske egenskapene til dendritt‑mikrostrukturer, som ofte overses av tradisjonelle bildebehandlings‑teknikker.

Mens PH tillater flerskala‑vurdering av hull og forbindelser innen geometriske strukturer, hjalp maskinlæringsteknikken principal component analysis (PCA) med å redusere de essensielle dendritt‑morfologifunksjonene ekstrahert via PH til et 2D‑rom.

Dette hjalp teamet med å kvantifisere strukturelle endringer i dendritter og etablere en sammenheng mellom disse endringene og den frie energien i materialet som påvirker hvordan dendritter dannes.

Ved å vurdere dette forholdet oppdaget teamet de spesifikke betingelsene og skjulte vekstmekanismene som påvirker dendrittisk forgrening.

«Vår ramme kartlegger kvantitativt dendritt‑morfologi til Gibbs fri energi‑variasjoner, og avslører energigradienter som driver forgreningsadferd.»

– Kotsugi

Teamet studerte deretter dendritt‑vekst på et heksagonalt kobber‑ (Cu‑) substrat og sammenlignet resultatene med data fra fase‑felt‑simuleringer for å validere tilnærmingen. Kotsugi bemerket:

«Ved å integrere topologi og fri energi tilbyr vår metode en allsidig tilnærming til materialanalyse. Gjennom denne integrasjonen kan vi etablere en hierarkisk forbindelse mellom atom‑skala‑mikrostrukturer og makroskopiske funksjoner på tvers av et bredt spekter av materialer, og bane vei for fremtidige fremskritt i materialvitenskap.»

Dette metodet, ifølge ham, kan føre til utvikling av høykvalitets tynnfilm‑enheter for høyhastighetskommunikasjon utover 5G og fremskritt innen høy‑ytelses‑materialer, ikke‑likevekt‑fysikk og sensorteknologi.

Nå, hvis vi ser på et fremtredende navn i materialvitenskapsfeltet som bruker AI til innovasjon, Applied Materials (AMAT ) er blant de beste. Det utnytter AI for å forbedre produksjon av halvleder‑brikker gjennom sin AI(x)-plattform, ExtractAI og SEMVision™ H20 System. Selskapets aksjer med en markedsverdi på $123,6 milliarder handles for tiden til $151, ned 6,5 % år‑til‑dato. For 1Q25, rapporterte en 7 % økning i inntektene til $7,17 milliarder mens GAAP EPS var $1,45 og non‑GAAP EPS var $2,38.

«Industrienes drivkraft for å akselerere utviklingen av avansert beregning og mer sofistikert AI får momentum. Applied Materials gjør mulig de store enhetsarkitektur‑infleksjonene som er kritiske for energieffektiv AI, og vårt fokus på høy‑hastighets‑samskaping skaper unike samarbeidsmuligheter med våre kunder og partnere, og posisjonerer Applied for fortsatt vekst og overprestasjon i årene som kommer.»

– CEO Gary Dickerson forrige måned

Siste om Applied Materials

Konklusjon

AI har allerede transformert virksomheter på tvers av bransjer. Det raske innovasjonstempoet tilbyr nå banebrytende løsninger på langvarige utfordringer. Med disse fremskrittene, fra materialvitenskap, medisinsk diagnostikk og personlige superdatamaskiner til løsninger for AI‑s egne læringsutfordringer, går vi inn i en æra som lover enestående transformasjon.

Etter hvert som AI fortsetter å utvikle seg, blir dens evne til å drive produktivitet, forbedre beslutningstaking og åpne nye fronter en av de mest kraftfulle kreftene som former fremtiden.

Klikk her for å lære alt om investering i kunstig intelligens (AI).