Investering i Nobelprisens prestasjoner – Kunstige nevrale nettverk, grunnlaget for AI

Nobelprisens historie

Nobelprisen er den mest prestisjefylte prisen i den vitenskapelige verden. Den ble opprettet i henhold til Alfred Nobels testamente for å gi en pris «til de som i løpet av det foregående året har gitt den største nytte for menneskeheten» innen fysikk, kjemi, fysiologi eller medisin, litteratur og fred.

Et sjette pris ble senere opprettet for økonomisk vitenskap av Sveriges sentralbank, offisielt kalt Prisen i økonomisk vitenskap, ofte bedre kjent som Nobelprisen i økonomi.

Avgjørelsen om hvem som skal tilskrives prisen ligger hos flere svenske akademiske institusjoner.

Arvsspørsmål

Beslutningen om å opprette Nobelprisen kom til Alfred Nobel etter at han leste sin egen nekrolog, etter en feil fra en fransk avis som misforstod nyheten om brorens død. Artikelen med tittelen «Dødsfallet til dødens handelsmann» kritiserte Nobel for hans oppfinnelse av røykfrie eksplosiver, hvorav dynamitten var den mest kjente.

Oppfinnelsene hans hadde stor innflytelse på moderne krigføring, og Nobel kjøpte et enormt jern‑ og stålsmelteverk for å gjøre det til en stor våpenprodusent. Som først kjemiker, ingeniør og oppfinner innså Nobel at han ikke ønsket at arven hans skulle være en mann som ble husket for å ha tjent en formue på krig og andres død.

Nobelprisen

I dag er Nobels formue lagret i et fond som investeres for å generere inntekt til å finansiere Nobelstiftelsen og den gullbelagte grønne gullmedaljen, diplomet og pengebeløpet på 11 millioner SEK (ca. 1 million dollar) som tildeles vinnerne.

Kilde: Britannica

Ofte blir Nobelpengepremien delt mellom flere vinnere, spesielt innen vitenskapelige felt hvor det er vanlig at 2 eller 3 ledende personer bidrar sammen eller parallelt til en banebrytende oppdagelse.

Nobelprisen innen datavitenskap?

Vanligvis blir Nobelpriser i fysikk tilskrevet oppdagelser om universets grunnleggende natur, som svart hull (2020) eller ekskoplaneter (2019). Den kan også vinnes for viktige fremskritt innen materialvitenskap, som kvanteprikker (2023), lasere (2018), eller LED‑er (2014).

Men vinnerne i år er litt mer ukonvensjonelle, med fokus på dataanalyse. Mer presist ble prisen tildelt Geoffrey Hinton og John Hopfield for deres bidrag til å skape kunstige nevrale nettverk.

Kilde: Nobelprisen

Dette er en svært oppdatert Nobelpris, med nevrale nettverk som kjerne­teknologi bak de fleste av de siste årenes fremskritt innen AI, inkludert store språkmodeller, men også maskinsyn (inkludert for selvkjørende kjøretøy), og tekniske AI‑er brukt i nye legemiddelforskning, materialvitenskap osv.

Hva er nevrale nettverk?

Brikker versus nevroner

Da datamaskiner ble oppfunnet, vokste håpet raskt om at de kunne vokse i kapasitet til å utvikle menneskelignende intellektuelle evner. Men i praksis, mens datamaskiner ble stadig mer imponerende på beregning og deretter bilde­generering, forble de «dumme» når det gjaldt faktisk resonnering.

Dette skyldes i stor grad at en databrikke er svært forskjellig fra nevronene som utgjør hjernen. Mens en silisiumbrikke kan utføre millioner av binære beregninger (0 eller 1) svært raskt, er nevroner mer som et analogt signal, med mye kompleksitet og «støy» i signalet.

Derfor trenger datamaskiner presis programmering for å utføre en beregning; de kan ikke egentlig «lære» noe og følger bare de kodede instruksjonene bokstavelig.

Nevrale nettverk er annerledes. De kan takle problemer som er for vage og kompliserte til å håndteres av trinn‑for‑trinn‑instruksjoner. Et eksempel er å tolke et bilde for å identifisere objektene i det, noe datamaskiner er notorisk dårlige på, derfor «Er du et menneske»-testen på noen nettsider.

Kilde: Google

Hvordan nevroner fungerer

Nevroner følger for det meste ikke en streng forhåndsbestemt programmering. I stedet fungerer de gjennom en tilbakemeldingssløyfe av forsterkende tilkoblingsmønstre.

Det fungerer slik at nevroner styrker forbindelsen til andre nevroner når de arbeider sammen. Dette skapte ideen om å simulere i en datamaskin hvordan nevroner fungerer, med flere sammenkoblede noder.

Tilkoblingene mellom disse nodene kan gjøres sterkere eller svakere, og danner en prosess kalt «trening», som fortsatt i dag er kjernen i å lage de nyeste AI‑ene.

Kilde: Nobelprisen

Ideen virket lovende, men en stund så krevde den nødvendige datakraften en uoverkommelig mengde, spesielt for de relativt primitive datamaskinene på 1960‑ og 1970‑tallet.

Hvordan menneskelig hukommelse fungerer

Når vi husker eller gjenkjenner noe, utfører vi ikke en matematisk perfekt beregning av fargen på hver piksel i et bilde. I stedet itererer vi fra delvis data, prøver å trekke en assosiasjon til noe vi allerede kjenner, og identifiserer et gjenkjennelig mønster.

Fysikeren John Hopfield oppfant i 1982 Hopfield‑nettet, en metode for å lagre og gjenskape mønstre.

Start med fysikk

Han begynte med å legge merke til at kollektive egenskaper i mange fysiske systemer er robuste mot endringer i modellens detaljer. Spesielt får magnetiske materialer sine spesielle egenskaper takket være atomspinn – en egenskap som gjør hvert atom til en liten magnet.

Egenskapen til det større materialet kom fra hvert atoms spinn som påvirket de rundt, slik at alle spinnene endte i samme retning. Modellen hans beskriver fenomenet ved hjelp av forskjellige noder som påvirker hverandre.

På samme måte kan et bilde registreres som et rutenett av noder, hver med en verdi 0 eller 1 (svart eller hvitt).

Hvis du sammenligner et forvrengt bilde med dette originale rutenettet, kan du beregne hvor mye hver node i det forvrengte bildet avviker. Men ved å «skyve» den forvrengte noden nærmere der den gir mening, som en skråning i et forhåndsdefinert landskap, kan du ofte gjenskape originalbildet til tross for forvrengningene.

Så Hopfield hadde laget en primitiv, men funksjonell metode for feilkorreksjon eller mønsterutfylling, noe datamaskiner normalt er ute av stand til, siden de er låst til sin strenge programmering.

Kilde: Nobelprisen

Med nok beregningskraft kan hver node lagre hvilken som helst verdi, ikke bare svart‑hvitt. For eksempel kan den være et tall som reflekterer en eksakt farge, på samme måte som digitale bilder blir laget.

Den kan også reflektere alle slags data, ikke bare bilder, og skape en funksjonell modell for en kunstig assosiativ hukommelse.

Bruke assosiasjon for forståelse

Selv enkle dyr eller små barn kan prestere langt bedre enn avanserte datamaskiner i mønstergjenkjenning, som å identifisere hvilket bilde som inneholder en hund, en katt eller et ekorn. Dette skjer også uten noen høyere forståelse av konsepter som dyr, pattedyr eller arter.

Og kanskje viktigere, dette kan oppnås med svært begrenset innledende data og erfaring, i stedet for et katalog av milliarder av bilder av disse dyrene som dekker hver mulig holdning, farge, form eller variant som kan vises.

Analog i stedet for binær

Fordi nodene kan inneholde alle data, kan de brukes for kontinuerlige data, som fenomener over tid.

Det tillater også effektiv beregning av interaksjoner mellom komplekse systemer, hvor svaret på en stimulus er mer statistisk enn et binært ja/nei. Dette sparer både energiforbruk og beregningskraft sammenlignet med tradisjonell databehandling for denne typen problem.

Og ved å legge til flere noder kan mer kompleksitet gradvis legges til modellene.

Boltzmann‑maskinen

Geoffrey Hinton, sammen med Terrence Sejnowski og andre medarbeidere, arbeidet med å forbedre og utvide konseptet fra Hopfield‑modellen.

Hinton brukte ideer fra statistisk fysikk, et felt som beskriver ting med mange elementer som gasser eller væsker. Siden de individuelle komponentene er så tallrike, er den eneste måten å modellere deres oppførsel på å bruke statistiske forventninger i stedet for en «hard fysikk»-beregning fra hver enkelt molekyls temperatur, posisjon, hastighet osv.

For å legge til slik kapasitet i Hopfield‑modellen, la han til et ekstra «skjult» lag av noder mellom det synlige laget som tidligere utførte beregningen alene. Selv om de er usynlige, bidrar de skjulte nodene til energinivåene til de andre nodene og systemet som helhet.

Kilde: Nobelprisen

De kalte dette konseptet Boltzmann‑maskinen, til ære for Ludwig Boltzmann, en fysiker fra 1800‑tallet som utviklet statistisk mekanikk, grunnlaget for statistisk fysikk.

Kilde: Wikipedia

Begrenset Boltzmann‑maskin

I sin opprinnelige utforming var Boltzmann‑maskinen for kompleks til å ha praktisk nytte. En forenklet versjon ble utviklet, hvor det ikke er noen forbindelser mellom noder i samme lag.

Kilde: Nobelprisen

Dette gjorde maskinen mye mer effektiv, samtidig som den fortsatt kunne utføre kompleks mønstergjenkjenning.

En ekstra forbedring var prosessen med «for‑trening» av nevralt nettverk, med en serie Boltzmann‑maskiner i lag, ett på toppen av det andre.

Dette forbedret startpunktet for det nevrale nettverket, og økte evnen til mønstergjenkjenning.

Innvirkning på moderne nevrale nettverk

Både Hopfield og Hinton har bygget de grunnleggende ideene bak nevrale nettverk, samt matematikken og verktøyene for å bruke dem.

Det ville imidlertid ta frem til 2010‑årene før datakraften hadde vokst nok til at nevrale nettverk kunne bli store i den brede bevisstheten.

Fordi den moderne versjonen av Boltzmann‑maskinen bruker så mange sammenkoblede lag, kalles de «dype» nevrale nettverk. For å gi perspektiv på feltets utvikling, brukte Hopfield en 30‑node modell i sin publisering fra 1982, noe som ga 435 mulige forbindelser. Dette førte til rundt 500 parametere som måtte holdes styr på.

På den tiden kunne ikke datamaskiner håndtere en tentativ 100‑node modell. Dagens store språkmodeller (LLM‑er), grunnlaget for verktøy som ChatGPT, bruker én billion parametere og øker stadig sine beregningsbehov.

Applikasjoner

Fundamental fysikk

Som mange andre Nobelpriser i fysikk, er nevrale nettverk en oppdagelse som driver andre nye oppdagelser.

For eksempel har de blitt brukt til å sile gjennom og behandle de enorme mengdene data som er nødvendige for å oppdage Higgs‑partikkelen (Peter Higgs ble tildelt Nobelprisen i fysikk i 2013). De har også blitt brukt av andre Nobelprisvinnende forskere, som målinger av gravitasjonsbølger fra kolliderende sorte hull eller søk etter eksoplaneter.

Anvendt fysikk

Reelle materialer og fenomener er ofte for komplekse til å modelleres kun med en årsak‑>virkning‑modell på enkelt‑partikkelnivå.

I sammenligning tillater nevrale‑nettverksbaserte tilnærminger i statistisk fysikk dem å være mye mer fleksible, og enten gi riktig svar direkte eller «peke» forskere i riktig retning.

Dette blir nå rutinemessig brukt av ledende forskningsinstitusjoner til for eksempel å beregne proteinmolekylers struktur og funksjon, eller å finne hvilke nye versjoner av materialer som har de beste egenskapene for mer effektive solceller eller batterier.

Store språkmodeller (LLM‑er)

Selvfølgelig ville ingen samtale om nevrale nettverksapplikasjoner være komplett uten å snakke om LLM‑er, kjernen i AI‑mani­aen de siste årene siden lanseringen av ChatGPT i 2022.

I stor grad skyldes dette at menneskelignende språkproduksjon, å «føles» som en ekte person, lenge ble ansett som testen som kunne avgjøre om en AI var virkelig intelligent (Turing‑testen).

LLM‑ers egentlige intelligens er hett debattert, fra AI‑entusiasters (eller dommedags‑prophetenes) syn som forventer ekte intelligens og teknologisk singularitet snart, til de som ser dem som kun et triks som ikke kan levere nyttige resultater.

Likevel har de et bredt spekter av bruksområder, spesielt der de kan utføre billige oppgaver som nå er reservert for mye dyrere mennesker. Dette gjelder spesielt verbale oppgaver, som:

• Chat‑boter og kundeservice.
• Kodeutvikling og verifisering.
• Oversettelse og lokalisering.
• Markedsundersøkelser.
• Søking og besvare spørsmål.
• Analyse av store dokumenter og datasett.
• Utdanning

Ved siden av LLM‑er kan bildeskapning også skape en hel ny flom av bilder i vår digitale tidsalder, både til nyttige og potensielt skadelige formål (desinformasjon, utpressing osv.).

Maskin‑ og datamaskinsyn

Som den opprinnelige anvendelsen av nevrale nettverk tilbake til Hopfield, gir det mening at bilderegistrering nå er en kjernepotensiell anvendelse av nevrale nettverk.

Noen ganger brukes maskinsyn til å beskrive begrenset identifikasjon i en mer kontrollert industriell setting, mens datamaskinsyn sikter mot en mer menneskelig visjon.

Kilde: Solomon

Selvkjørende

Et stort delsegment av dette feltet er selvkjørende kjøretøy, ettersom mennesker i siste instans bruker sin visuelle mønstergjenkjenning for å styre sine tunge kjøretøy trygt.

Foreløpig er de fleste selvkjørende systemer avhengige av en blanding av kameraer og andre sensorer for å holde seg trygge (som radar og LIDAR), med unntak av Tesla (TSLA ) som fokuserer eksklusivt på menneskelignende maskinsyn (takket være et mye større datasett fra Teslas flåte).

Nok treningsdata, manuell merking av millioner av komplekse virkelige situasjoner, og også spesialtilpasset maskinvare som reduserer forbruket og øker reaksjonstiden, vil sannsynligvis bli den vinnende kombinasjonen for det første selskapet som vinner den billion‑dollar premien for å utvikle den første sanne nivå‑5 fullautomatiserte kjøre‑løsningen.

Medisinsk

Mange diagnostiske prosesser i medisin avhenger ikke av laboratorietester, men av manuell tolkning av bilder produsert av røntgenmaskiner, MR‑skannere osv. av en utdannet spesialist.

Dette kan ta år for en ekspert å bli virkelig dyktig på, noe som er like mye kunst som vitenskap. I stedet kan AI billig og konsekvent analysere millioner av medisinske bilder med forutsigbare resultater.

Det kan også brukes til å diagnostisere tilstander som tidligere ikke ble antatt mulige å oppdage med skanning, som ADHD.

Og kanskje mindre åpenbart, kan AI som bruker nevrale nettverk også assistere kirurger, som det franske Pixee Medical, som muliggjør 3D‑sporing med en smarttelefon eller smartbriller for ortopedisk kirurgi.

AI kan også automatisere den kritiske prosessen med å registrere operasjonen, spesielt for repeterende og feilutsatte oppgaver. Ettersom kirurger glemmer instrumenter inne i pasienten i omtrent 1500 operasjoner per år i USA, kan datamaskinsyn likeledes bidra til å eliminere dette problemet fullstendig ved automatisk å holde oversikt over alt som brukes under operasjonen.

Bioresearch

Fra legemiddelforskning til prediksjon av proteinfolding, er nevrale nettverk kraftige verktøy for forskere innen medisin og biologi.

Dette revolusjonerer allerede hvordan nye terapier utvikles, som vi diskuterte i «Topp 5 AI‑ og digitale bioteknologiselskaper». Det kan også bidra til mer konsistente data, som ofte er et problem i biologiske vitenskaper, hvor mange data fortsatt opprettes manuelt, som telling av blodceller.

Dette kan løses med AI‑maskinsyn, med produkter som Shonit fra Sigtuple som nå kan levere pålitelige og standardiserte tellinger av alle typer blodceller.

Kilde: Sigtuple

Industri & produksjon

Fra kvalitetskontroll & komponentinspeksjon til fullstendig automatisert montering, kan maskin‑/datamaskinsyn gjøre produksjonslinjen mer fleksibel og reaktiv på enhver endring i produksjonsprosessen.

Dette kan både redusere kostnader ved å minske behovet for menneskelig innsats, samt forbedre kvalitet og produksjonshastighet.

Robotikk

Etter hvert som robotikk har forlatt fabrikkgulvet for å samhandle med mer komplekse hverdagsmiljøer, må de raskt styrke sine mønstergjenkjennings‑evner.

Fra robothunder til leveringsroboter, og kanskje snart humanoide personlige assistenter, blir roboter i økende grad kombinert med AI ved hjelp av nevrale nettverk for å hjelpe oss i daglige oppgaver.

Landbruk

Landbruksroboter bruker i økende grad maskinsyn for å identifisere ugress eller modne frukter og erstatter slitsomt manuelt arbeid eller destruktive store maskinverktøy.

Dette vil kanskje ikke bare påvirke landbruket og vårt matsystem, men også økologisk restaurering, med sterke effekter på jordhelse, fremveksten av nye landbrukspraksiser, og muligens bedre verktøy for skogplanting og håndtering av invasive arter.

Militær

Selv om dette reiser komplekse etiske spørsmål, er det en historisk regel at ny teknologi også undersøkes for sitt potensial til å gi militæret en fordel over sine motstandere.

Og siden én nasjon alltid vil gå foran, må de andre holde tritt.

AI brukes allerede til å identifisere mål og analysere data på slagmarken, inkludert i pågående virkelige kriger som Ukraina og Gaza, noe vi diskuterte i «Topp 10 droner‑ og dronkrigs‑aksjer».

Blant de mest alarmerende nylige utviklingene kan vi nevne den siste versjonen av den russiske Lancet, en selvmords‑drone/missil som bruker AI‑maskinsyn for å identifisere og målrette fiendtlige kjøretøy i den siste delen av sin kurs.

Å overlate drapsbeslutningen til et automatisert system er et åpenbart svært farlig steg, som virkelig virker som materiale fra en science‑fiction‑film rett før en AI‑revolusjon mot menneskeheten.

Så vi kan bare håpe at militære styrker globalt vil komme til en forståelse av hvilken teknologi som kan tas i bruk eller ikke, på samme måte som atomvåpen håndteres.

Risikoer ved nevrale nettverk

Det er verdt å nevne at Geoffrey Hinton, som vant årets Nobelpris og også er svært bekymret for fremdriften innen AI‑teknologi.

Etter Turing‑prisen i 2018 og Nobelprisen i 2024, er det sannsynlig at hans advarsel vil bli enda mer hørt enn før.

«Jeg har plutselig endret mitt syn på om disse tingene vil bli smartere enn oss.

Jeg tror de er veldig nær nå, og de vil bli mye smartere enn oss i fremtiden. Hvordan overlever vi det?»

Geoffrey Hinton

Vil vår AI‑entusiasme dømme oss til en fremtid som i Matrix‑ eller Terminator‑filmene? Kanskje ikke, men siden ultra‑komplekse nevrale nettverk i hovedsak er en svart boks, forstår ikke deres skapere fullt ut at etiske og sikkerhetsregler sannsynligvis trengs før en feilslått AI forårsaker irreparabel skade.

Investering i nevrale nettverk

Nevrale nettverk blir nå nesten synonymt med AI‑teknologi generelt, ettersom det er en økende sammensmelting av disipliner i sektoren.

Ettersom nevrale nettverk krever store datasett for forhåndstrening og trening, er de for tiden domenet til svært store teknologiselskaper eller svært velfinansierte oppstartsbedrifter.

Du kan investere i AI‑relaterte selskaper gjennom mange meglere, og du kan finne her, på securities.io, våre anbefalinger for de beste meglerne i USA, Canada, Australia, og Storbritannia, og mange andre land.

Hvis du ikke er interessert i å plukke spesifikke AI‑relaterte selskaper, kan du også se på ETF‑er som ARK Artificial Intelligence & Robotics UCITS ETF (ARKI), Global X Robotics & Artificial Intelligence ETF (BOTZ), eller WisdomTree Artificial Intelligence and Innovation Fund (WTAI) (WT ) som gir en mer diversifisert eksponering for å kapitalisere på AI.

Nevrale nettverk‑selskaper

1. Microsoft

Microsoft (MSFT ) har vært i sentrum av teknologibransjen nesten siden oppstarten med sitt fortsatt dominerende operativsystem Windows.

MSFT Prisdiagram

Det er nå også en leder innen bedriftsprogramvare (Office365, Teams, LinkedIn, Skype, GitHub), spill (Xbox og flere oppkjøp av videospillstudioer), og i skyen (Azure).

Mer nylig har de gjort gode fremskritt innen AI. Dette inkluderer noen forbruker‑AI‑tjenester som Bing Image Creator og mer forretningsfokuserte initiativer, som Copilot for Microsoft 365 og Microsoft Research. Copilot blir nå rullet ut til detaljhandel og mindre selskaper også.

Kilde: Constellation Research

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

Samarbeidet/kvasi‑eierskapet med AI‑utviklingsledere som OpenAI (som står bak ChatGPT) vil også sementere Microsofts posisjon som en AI‑kraftsentral.

2. NVIDIA

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 henseende fra prosessorer (CPU).

Designet av maskinvaren viste seg å passe svært godt for kryptovaluta‑utvinning (spesielt Bitcoin), og skapte en sterk vekstbølge for selskapet.

Nå ser det ut til at den er like kraftig for å trene 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‑er, generativ AI, eller cybersikkerhet.

Det er sannsynlig at Nvidia (NVDA ) ikke har funnet nye bruksområder for sin AI‑maskinvare, slik som vist av Microsofts forskning med PNNL. 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 på svært lang sikt, kan konkurrenter til NVidia begynne å utfordre selskapets opprinnelige forsprang.

Men i overskuelig fremtid, med den eksplosive etterspørselen etter AI‑dedikert datakraft, vil NVidia forbli hovedleverandøren til alle de nye AI‑trenings‑datasentrene som bygges.

Og hvis AI er en ny teknologisk gullrush, er investeringsvisdommen å foretrekke selgere av hakker og spader fremfor å satse på å finne gull.

I AI‑rushen er verktøyene som foretrekkes foreløpig NVidia AI‑chips.