Endring av tidslinjen for oppdagelser gjennom bruk av kunstig intelligens (AI)

Fra manuell forskning til automatisering med AI

I en periode har vitenskapelige fremskritt kun vært avhengige av innsikten til briljante forskere og ikke kunstig intelligens (AI). De måtte da designe og teste hypotesene sine manuelt gjennom skreddersydde eksperimenter. Dette var som regel en smertefullt langsom prosess, som tok år fra de første idéene til de faktiske resultatene.

Nylig har høyere nivåer av automatisering gjort det mulig å redusere manuelt arbeid i grunnleggende forskning. For eksempel har Next-Generation Sequencing (NGS) gjort genomsekvensering mulig på bare noen få dager og til en lavere kostnad, da den første sekvenseringen av det menneskelige genomet i 2003 kostet 3 milliarder dollar og tok et tiår å oppnå.

NGS‑sekvenserer – Kilde: Illumina

Automatisering har gjort det mulig å utføre de fysiske trinnene i forskning i massiv skala og til lavere kostnader. Men den intellektuelle innsatsen, for eksempel analyse av dataene som kommer fra genomsekvensering, var fortsatt avhengig av den menneskelige hjernen og datamaskinassisterte matematiske modeller. Det var inntil AI ble en ny spillveksler.

Assisterer den menneskelige hjernen

Jo mer vitenskapen har utviklet seg, jo mer komplekse har dataene blitt. Å finne nytt materiale baserer seg på en relativt enkel prosess, som å blande sammen elementer som aldri har blitt testet sammen før.

Men avanserte materialvitenskaper, for eksempel innen batteriteknologi eller halvledere, krever manipulering av komponenter på nanometerskala, og noen ganger på enkeltatomnivå. Dette gjør modelleringen og forståelsen av prosessen for kompleks for den menneskelige hjernen til å kunne gripe alle tilgjengelige data fullt ut.

For eksempel kan det å finne riktig materiale til et nytt batteridesign innebære å velge blant 32 millioner potensielle uorganiske materialer. Dette var oppgaven som Vijay Murugesan, gruppeleder for materialvitenskap ved PNNL (Pacific Northwest National Laboratory), sto overfor.

Tidligere ville utdannede gjetninger, grove datamodeller og manuell testing vært nødvendig for å snevre inn mulighetene, og dette ville ha tatt år. I stedet etablerte PNNL et samarbeid med Microsoft (MSFT ) for å utnytte teknologigigantens ekspertise innen AI.

Lærer flere AI‑er kjemi

Microsoft har i lang tid jobbet med slike anvendelser gjennom sitt AI4Science‑program. For eksempel gjør deres generative AI MatterGen “det mulig med bred egenskapsstyrt materialdesign”.

Kilde: Microsoft

I samarbeid med PNNL har Microsoft spesifikt utviklet flere ulike AI‑er for å evaluere alle de brukbare elementene og deres kombinasjoner.

De har også en AI dedikert til å finne hvilke materialer som er stabile. Og så en AI som evaluerer molekyler basert på deres reaktivitet. Og en annen AI som vurderer molekylenes evne til å lede energi.

Denne kombinasjonen av AI er ikke designet for å finne hver eneste mulige løsning på et gitt problem. I stedet ser den på den enorme høystakken av muligheter (i titalls millioner) og prøver å snevre den ned til noen få gode kandidater.

Dette grepet reduserte 32 millioner potensielle materialer til 500 000 kandidater, og deretter til 800.

Det er fundamentalt forskjellig fra en ren databasert matematisk modelltilnærming, som i stedet vil prøve å beregne de kjemiske egenskapene til et materiale med “brute force”, ofte ved å simulere det atom for atom. I stedet gjør AI-en en utdannet “gjetning” om hva skal fungere ved å bruke analogier, på omtrent samme måte som et menneske ville gjort. Unntatt at teamet av AI‑er kunne screene 32 millioner idéer på under 80 timer.

Å redusere måneder eller år med arbeid til noen dager eller uker er en fullstendig revolusjon i tempoet for vitenskapelig fremgang.

Hvis dette anvendes bredere, kan det fullstendig endre tempoet for teknologisk fremgang i menneskelige samfunn.

Lagrer verdifulle ressurser

Når listen var snevret ned til kun 800 kandidater, kunne forskerne så bruke den mer tradisjonelle metoden med høyytelsesdatabehandling (HPC). Dette tillot beregning av alle mulige energitilstander for de 800 kandidatene. Deretter ble en blanding av dedikert AI og HPC brukt til å simulere bevegelsene til hvert atom og molekyl i hvert materiale.

Ved å bruke HPC på kun noen hundre kandidater, sparte dette PNNL for mye tid og penger, siden dette er en metode som er svært krevende på beregningskraft. Dette reduserte kandidatlisten til kun 150.

Derfra reduserte en vurdering av kostnader, tilgjengelighet og andre praktiske hensyn den opprinnelige listen på 32 millioner kandidater til kun 23. Interessant nok var 5 av de 23 allerede kjente, noe som demonstrerer metodens relevans, da den “gjenoppdaget” disse fem materialene uavhengig.

Tidligere forskningsmetodikk ville ha vært sterkt avhengig av dyr og treg HPC. AI‑metoden reduserte i stedet HPC til kun 10 % av den totale beregningstiden. Det faktum at AI‑beregningene var skybaserte, i stedet for å bruke den dyre og sjeldne superdatamaskintiden ved forskningsinstitusjoner, bidro også til å gjøre prosessen mer effektiv.

De neste stegene

Samarbeidet mellom Microsoft og PNNL om batterimaterialer var bare begynnelsen på en flerårig samarbeidsavtale. Til slutt er målet å generere nok data til at kunnskapen om hvilket nytt materiale som skal brukes i et nytt batteri blir så enkel som å spørre AI‑systemet om det.

“Visjonen vi jobber mot er generative materialer hvor jeg kan be om en liste over nye batterikombinasjoner med mine ønskede egenskaper,” – Nathan Baker, produktleder for Azure Quantum Elements.

Det er også verdt å merke seg at den nåværende metoden fortsatt baserer seg på klassisk databehandling. Men Microsofts AI‑programmering og programvare er designet for å oppgraderes til kvantedatabehandling så snart teknologien er moden nok.

Dette vil gi enestående beregningskraft for temaer som kjemiske og biologiske simuleringer, og øke datakraften med flere størrelsesordener (x100‑10 000). Så vi er fortsatt i en svært tidlig fase av AI‑arbeid med å designe nye molekyler og materialer.

Bruksområder

Det første eksperimentet fokuserte på batterimaterialer. Men mange andre felt vil sannsynligvis dra nytte av slik avansert innsikt i kjemi, samt anvendelse av AI på andre vitenskaper, som allerede er i Microsofts pipeline:

• Halvledere.
• Kvantedatabehandling & kryptografi.
• Visuell og lyd
• Molekylærbiologi & genomikk.
• Bioteknologi & farmasøytisk industri generelt.
• Fornybar energi & klimaendringer.
• Agrikultur & Økologi.
• Økonomi.
• Sosialvitenskap.
• Teoretisk matematikk.

Hvert av disse feltene har opplevd at forskning sliter på grunn av den enorme mengden data og kompleksiteten i problemstillingene. På samme måte som pilotprosjektet med batterier, kan hvert felt dra nytte av innsikt fra AI‑er.

AI‑drevede vitenskapsaksjer

1. Microsoft

MSFT Prisdiagram

Microsoft har vært i sentrum av teknologibransjen nesten siden oppstarten med sitt fortsatt dominerende operativsystem Windows. Det er nå også en leder innen bedriftsprogramvare (Office365, Teams, LinkedIn, Skype, GitHub), spill (Xbox og flere oppkjøp av videospillstudioer), og sky (Azure).

Mer nylig har selskapet gjort betydelige fremskritt innen AI. Dette inkluderer noen forbruker‑AI‑tjenester som Bing Image Creator og det dypere partnerskapet med OpenAI. Det inkluderer også mer forretningsorienterte initiativer, som Copilot for Microsoft 365 og Microsoft Research. Copilot blir nå rullet ut til detaljhandel og mindre selskaper også.

Microsoft har opparbeidet seg et rykte som den bedrifts‑fokuserte teknologigiganten, sammenlignet med mer forbruker‑fokuserte selskaper som for eksempel Apple (AAPL ) eller Facebook. Etter hvert som AI blir stadig viktigere i forretningsmodeller, bør Microsofts eksisterende posisjon innen sky‑ og bedrifts tjenester gi dem et forsprang i å distribuere AI i stor skala og i kundeanskaffelser.

Samarbeidet / quasi‑eierskapet med AI‑utviklingsledere som OpenAI vil også sementere Microsofts posisjon som en AI‑kraftsentral.

2. NVIDIA

NVDA Prisdiagram

NVidia hadde opprinnelig en dominerende posisjon i grafikkort‑markedet (GPU), hovedsakelig brukt til high‑end‑gaming og 3D‑modellering. GPU‑er kan kjøre beregninger parallelt og skiller seg i den forbindelse fra prosessorer (CPU).

Designet av maskinvaren deres viste seg å passe svært godt for kryptovaluta‑mining (spesielt Bitcoin), noe som skapte en sterk vekstbølge for selskapet.

Nå ser det ut til at den er like kraftig for trening av AI‑er, og gjør Nvidias maskinvare til ryggraden i AI‑revolusjonen.

NVidia utvikler nå skreddersydde datasystemer for ulike AI‑applikasjoner, fra selvkjørende biler, til tale‑AI og konversasjons‑AI, generativ AI, eller cybersikkerhet.

Det er sannsynlig at Nvidia (NVDA ) ikke er ferdig med å finne nye bruksområder for AI‑maskinvaren, slik Microsoft‑forskning med PNNL viser. For eksempel utvikler NVidia nå et helt spekter av løsninger for legemiddelforskning, samt AI‑drevne medisinske enheter og AI‑assistert medisinsk bildediagnostikk.

Kilde: NVidia

Det er sannsynlig at i svært lang tid vil konkurrenter til NVidia begynne å utfordre selskapets tidlige forsprang. Men i overskuelig fremtid, med den eksplosive etterspørselen etter AI‑dedikert beregningskraft, vil NVidia forbli den primære leverandøren av alle de nye AI‑treningsdatasentrene som bygges.

3. CrowdStrike

CRWD Prisdiagram

Jo mer verden stoler på AI og digitalisering, jo viktigere blir cybersikkerhet.

CrowdStrike (CRWD ) ble grunnlagt med en cloud‑first‑tilnærming til cybersikkerhet. Selskapets tilbud dekker alle kategorier av cybersikkerhetstrusler, og blant kundene er 15 av de 20 største amerikanske bankene, 70 av Fortune‑100‑selskapene, og 556 av Global 2000.

CrowdStrikes vekst støttes av et raskt voksende total adresserbart marked (TAM), som forventes å vokse med 13 % CAGR de neste to årene. Med ytterligere tilbud under utvikling, forventer selskapet å utvide sitt TAM fra dagens 76 milliarder dollar til 158 milliarder dollar innen 2026.

Kilde: CrowdStrike

En annen vekstfaktor for CrowdStrike er utvidelsen av virksomheten med eksisterende kunder. Når en kunde starter med minst ett cybersikkerhetsmodul, går de vanligvis videre og integrerer flere moduler, med 62 % av kundene som bruker fem eller flere moduler og 23 % som bruker syv eller flere moduler.

Denne dynamikken skaper et miljø som gjør at CrowdStrike kan øke marginene når et forhold har utviklet seg lenge nok, med en imponerende total bruttofortjeneste på 78 % i 2023.

Overgangen til skyen pågår fortsatt for mange store selskaper. Dette skaper en stor mulighet for en markedsleder som CrowdStrike til å hjelpe dem med å flytte sin cybersikkerhetsstrategi til skyen også.

Selskapet bør også se sin internasjonale virksomhet vokse, med fortsatt tre fjerdedeler av Global 2000‑selskapene som ennå ikke har gått inn i CrowdStrikes økosystem.

Cloud‑first‑tilnærmingen til CrowdStrike har gjort det mulig å ta markedsandeler raskt og er nå replikert av alle de store cybersikkerhetsselskapene. Så investorer vil måtte følge med på CrowdStrikes evne til å beholde sin fordel til tross for økende motangrep fra bransjen.

4. Adobe

ADBE Prisdiagram

Ved første øyekast kan fremveksten av generativ AI, spesielt bildeskaping, virke som en trussel mot eieren av viktig grafikkprogramvare som Photoshop, InDesign, After Effects, Lightroom eller Illustrator.

Dette ville være å glemme at Adobe (ADBE ) har vært en pioner i programvareindustrien, som en av de første til å gå over til en sky‑basert abonnementsmodell, da bransjestandarden var å selge den nyeste programvareversjonen for tusenvis av dollar.

Det samme gjelder for AI, med Adobe Firefly. Dette AI‑verktøyet for bildeskaping blir nå sømløst integrert med Adobes andre programvarer, og lar deg generere bilder fra enkel tekst, lage et rikt bilde fra en enkel 3D‑modell, eller til og med “generativ fylling”, som utvider et eksisterende bilde på en fotorealistisk måte.

Kilde: Adobe

Med AI som senker ferdighetsbarrieren som kreves for å lage logoer, magasiner eller for å endre bilder, vil tilbudet og etterspørselen etter originalt innhold sannsynligvis vokse.

Ved å omfavne endring og AI vil Adobe sannsynligvis beholde sin posisjon som ledende programvarepakke for alt visuelt kreativt arbeid, og til og med utvide sin rekkevidde ytterligere.

5. Upstart

UPST Prisdiagram

Upstart (UPST ) er en utlånsmarkedsplass drevet av AI, lansert lenge før AI ble et sentralt tema i teknologidiskusjoner i 2023.

Upstarts prosess er i stor grad automatisert, med 87 % av innvilgede lån fullt besluttet gjennom automatisering.

Ideen bak Upstart er at det eksisterende kredittpoengsystemet er ineffektivt og utdatert. Med langt mer data tilgjengelig er det mulig å identifisere lånerisiko bedre og dermed tilby billigere lån til en stor del av befolkningen.

Dette betyr at Upstarts metode kan identifisere personer med høye FICO‑poeng, men som i praksis har høy risiko for å misligholde lånene sine. Omvendt er personer med lave FICO‑poeng ikke så sannsynlige til å misligholde.

Kilde: Upstart

Det totale adresserbare markedet er stort, med årlige 4 billioner dollar fra forbruker‑, bil‑, bolig‑ og småbedriftslån.

På grunn av stigende renter og redusert etterspørsel etter lån, har Upstart opplevd noe nedgang i inntekter og tap i 2023, sammen med resten av bransjen.

Denne midlertidige nedgangen i lånevolum har ikke bremset Upstarts ekspansjon av sitt utlåns‑partnernettverk, med 100 banker, opp fra 71 året før og kun 10 ved børsnoteringen i 2020, samt 61 forhandlere, opp fra 39 tidlig i 2023.

Investorer i Upstart må håpe at det voksende nettverket er et tydelig tegn på verdien av Upstart‑teknologien og potensialet til å bli en stor utlånsoriginør i det amerikanske markedet.

Kontinuerlig fremgang i AI‑beregning kan også gi dem et forsprang i et svært konkurransedyktig lånevurderingsmarked.