Den store konvergensen: Hvordan AI kobler sammen alle fronter

Kunstig intelligens (AI) har satt verden i brann med sitt potensial til å forbedre effektiviteten, redusere kostnader og øke produktiviteten.

For mange mennesker betyr AI chat‑bots, takket være tilgjengeligheten og populariteten til generativ AI‑verktøy som ChatGPT, teknologien er langt mer omfattende, med fordeler som strekker seg inn i medisin, produksjon, robotikk, helsevesen, utdanning, klimasyn, finans, jus, cybersikkerhet og videre.

Ved å etterligne menneskelige kognitive funksjoner som problemløsning og beslutningstaking, lover AI å transformere de underliggende systemene i disse bransjene, hvor et økende antall organisasjoner aktivt utforsker AI‑kapasiteter.

En nylig McKinsey‑undersøkelse avslørte en økning i AI‑bruk, ikke bare i teknologisektoren, hvor den allerede har overgått 90 %, men i nesten alle industrier.

Ni av ti respondenter sa at deres organisasjoner regelmessig bruker AI, selv om den fortsatt er i eksperimentfasen. Til tross for at den er i pilotstadiet, rapporterte respondentene kostnads‑ og inntektsfordeler, med 64 % som sier at AI gjør dem i stand til å innovere.

Denne økende adopsjonen viser at AI, selv på et så tidlig stadium, blir en nøkkelaktør i digital transformasjon.

I dagens globalt sammenkoblede og konkurranseutsatte landskap gjør AI det mulig for bedrifter å utnytte kraften i ulike digitale teknologier, som big data, sky‑computing og tingenes internett. I praksis fungerer den som en konvergerende teknologi som akselererer utviklingen og integrasjonen av andre teknologier slik at deres samlede påvirkning blir større enn summen av delene.

Med dette, la oss nå se på noen fascinerende AI‑fremskritt på tvers av ulike sektorer, hvor hver av dem viser hvordan den endrer verden.

Her er et raskt øyeblikksbilde av tre domener hvor AI‑konvergens allerede er målbar.

Sveip for å rulle →

AI kartlegger tarmmikrobiomet til menneskers helse (og risiko for koronararteriesykdom)

Med hjelp av AI har forskere nå dekodet det intrikate økosystemet av tarmbakterier og deres kjemiske signaler, noe som gjør det mulig å avdekke skjulte sammenhenger mellom bakteriene og menneskers helse. Dessuten er det nye avanserte AI‑systemet faktisk bedre i studier av kreft, fedme og søvnforstyrrelser enn konvensjonelle modeller, og viser enormt potensial for å skreddersy behandlinger basert på hver enkelt persons mikrobielle sammensetning for å transformere personlig medisin.

AI‑evnen til å avdekke skjulte mønstre er spesielt bemerkelsesverdig, som i en studie fra University of Waterloo¹, hvor AI‑drevet analyse av rutinemessige blodprøver oppdaget mønstre som kan gjøre livreddende spådommer både rimelige og tilgjengelige.

Tilbake til tarmbakterier: de spiller en nøkkelrolle i helsen vår, påvirker ikke bare fordøyelsen og sykdomsforebygging, men også immunforsvaret og til og med humøret. Ny forskning har funnet at tarmmikrobiomet vårt² også kan påvirke utviklingen av koronararteriesykdom, som tar livet av nesten 20 millioner mennesker hvert år.

Det menneskelige tarmen er tydelig fascinerende, men også et komplekst økosystem av billioner av mikroorganismer. I tillegg til det enorme antallet bakteriearter i tarmen, gjør deres interaksjoner med menneskekjemi det utfordrende for forskere å forstå deres effekter.

Men i et banebrytende steg vendte forskere fra University of Tokyo seg til AI for å takle dette problemet.

De skapte et AI‑system for bedre å forstå hvilke bakterier som produserer hvilke metabolitter, små molekyler som fungerer som kjemiske budbringere og sirkulerer gjennom kroppen vår, påvirker metabolisme, immunitet og hjernefunksjon, og hvordan forholdet mellom bakterier og metabolitter endres i ulike sykdommer.

“Ved nøyaktig kartlegging av disse bakterie‑kjemiske relasjonene, kan vi potensielt utvikle personlig tilpassede behandlinger. Tenk deg å kunne dyrke en spesifikk bakterie for å produsere gunstige menneskelige metabolitter eller designe målrettede terapier som modifiserer disse metabolittene for å behandle sykdommer.”

– Prosjektforsker Tung Dang fra Tsunoda‑labben i Institutt for biologisk vitenskap

Modellen de utviklet er et Bayesian nevralt nettverk kalt VBayesMM³, som takler utfordringen med å identifisere meningsfulle mønstre fra den komplekse interaksjonen mellom billioner av bakterier og metabolitter.

Den bruker en Bayesian‑tilnærming for å identifisere akkurat hvilke bakteriegrupper som påvirker bestemte metabolitter mest. I tillegg måler den usikkerhet i sine spådommer for å forhindre feilaktige konklusjoner, noe som gir forskere mer nøyaktige og pålitelige innsikter.

Ved å bruke sin variasjonelle Bayesian mikrobiom‑multiomics (VBayesMM)‑metode har teamet kunnet identifisere nøkkel‑mikrober både raskt og presist, noe som resulterer i mer nøyaktige estimater. Implementeringen av variasjonell inferens løste samtidig beregningsflaskehalser, og muliggjorde skalerbar analyse av massive datasett.

Teamet vil neste gang jobbe med mer omfattende kjemiske datasett for å fange hele spekteret av bakterielle produkter for å overvinne problemet med nedsatt nøyaktighet når metabolittdata er mer omfattende enn bakteriedata.

“Vi har også som mål å gjøre VBayesMM mer robust når vi analyserer ulike pasientpopulasjoner, ved å innlemme bakterienes ‘familietre’-relasjoner for å gi bedre spådommer, og ytterligere redusere den beregningsmessige tiden som trengs for analyse,” sa Dang. “For kliniske anvendelser er det endelige målet å identifisere spesifikke bakterielle mål for behandlinger eller kostholdstiltak som faktisk kan hjelpe pasienter, og gå fra grunnforskning til praktiske medisinske anvendelser.”

Investeringsvinkel: Presisjonsmedisin med Tempus AI (TEM )

I denne spennende og komplekse verden av livsvitenskap skiller Tempus AI seg ut ved å tilby AI‑drevet presisjonsmedisin for personlig pasientbehandling.

Tempus er et teknologiselskap som fremmer presisjonsmedisin samt legger til rette for oppdagelse og utvikling av optimale terapier. Det har tre produktlinjer:

• Genomikk: Tilbyr neste‑generasjonssekvenserings‑ (NGS) diagnostikk, profilering, molekylær genotyping og andre tester.
• Data: Inkluderer strukturering og de‑identifisering av data generert i laboratoriet før kommersialisering.
• AI‑applikasjoner: Tilbyr diagnostikk, implementerer ny programvare som medisinsk utstyr, og distribuerer kliniske beslutningsstøtteverktøy.

Dette året oppnådde Tempus flere viktige regulatoriske milepæler, inkludert FDA‑godkjenning for Tempus xR IVD‑enheten for å støtte legemiddelutvikling gjennom avansert RNA‑sekvensering. Som følge av dette kan Tempus‑partnere bruke RNA‑analysen til å “mer presist identifisere akkurat hvilke pasienter som mest sannsynlig vil respondere på spesifikke terapier og designe mer effektive kliniske studier.”

Den oppdaterte AI‑drevne plattformen for hjerte‑bildeanalyse, Tempus Pixel, og AI‑programvaren Tempus ECG‑Low EF har også fått FDA 510(k)‑godkjenning, noe som styrker selskapets posisjon innen AI‑drevet diagnostikk.

Selskapets aksjer med en markedsverdi på 12,73 milliarder dollar handles for tiden til 72,52 $, opp nesten 112 % i år. Bare forrige måned passerte TEM‑aksjene 100‑dollarmarkeringen.

Når det gjelder den finansielle posisjonen, rapporterte Tempus nylig en 84,7 % år‑til‑år økning i inntekter i Q3 2025 til 334,2 millioner dollar, mens bruttofortjenesten økte med 98,4 % til 209,9 millioner dollar. Netto tap for kvartalet var 80 millioner dollar. De avsluttet kvartalet med 764,3 millioner dollar i kontanter og lett omsettelige verdipapirer.

“Ikke bare vokser vi i en utrolig hastighet, å nå positiv justert EBITDA markerer en viktig milepæl og reflekterer styrken i vår underliggende virksomhet,” sa Tempus‑grunnlegger og administrerende direktør Eric Lefkofsky. “En av de vanskeligste oppgavene, og et tegn på forretningsmodellens utholdenhet, er å kunne bremse reinvesteringsraten tilbake i virksomheten og fortsatt opprettholde vekst, noe vi akkurat har oppnådd dette kvartalet.”

Klikk her for en liste over topp biotek‑big‑data‑selskaper.

AI forutsier solstormer dager i forveien—beskytter strømnett & satellitter

En AI‑modell har blitt utviklet for å forutsi solvind langt på forhånd med større nøyaktighet enn eksisterende metoder, og hjelper dermed med å beskytte strømnett, satellitter og navigasjonssystemer mot forstyrrende romhendelser og styrker motstandskraften i vår kritiske infrastruktur.

Solvind er den konstante strømmen av ladede partikler som slippes ut av solen. Den oppstår når solens tvinnede magnetfelt blir forvridd og strukket, noe som får dem til å sprekke før de kobles sammen igjen, og frigjør store mengder energi.

Når disse partiklene får fart, kan de forstyrre jordens atmosfære. De kan ikke bare påvirke strømnett, men også dra satellitter ut av bane, som en kraftig solvind‑hendelse gjorde i 2022, da SpaceX mistet opptil 40 av sine Starlink‑satellitter.

Solstormer er enda kraftigere hendelser, hvor solen skyter energi, partikler og magnetfelt inn i galaksen. Når de rettes mot jorden, kan de skape en stor forstyrrelse i jordens magnetfelt, kalt en geomagnetisk storm. Dette er det som skaper vakre nordlys, men også forårsaker strømbrudd.

Lloyds siste systemrisikoscenario anslår at en alvorlig solstorm kan eksponere den globale økonomien for omtrent 2,4 billioner dollar i tap over fem år, med forventede tap på rundt 17 billioner dollar i dag.

Dette viser et presserende behov for bedre spådommer av disse hendelsene. Så forskere ved NYU Abu Dhabi (NYUAD) gikk inn for nettopp dette, med hjelp av AI.

De har bygd en AI‑modell som kan forutsi solvind⁴ så langt som fire dager før hendelsen inntreffer, mer nøyaktig enn nåværende metoder. Modellen er trent på historiske registre over solvind og ultrafiolette bilder fra NASA‑s Solar Dynamics Observatory (SDO).

Ved å analysere bildene av solen for å oppdage mønstre knyttet til endringer i solvind, klarte NYUAD‑teamet å oppnå en 45 % forbedring i prognosenes nøyaktighet sammenlignet med nåværende operative modeller. I tillegg oppnådde de en 20 % forbedring over tidligere AI‑baserte tilnærminger.

“Dette er et stort steg fremover i å beskytte satellitter, navigasjonssystemer og strøm‑infrastruktur som moderne liv er avhengig av,” sa studiens hovedforfatter, Dattaraj Dhuri. “Ved å kombinere avansert AI med solobservasjoner kan vi gi tidlige varsler som hjelper med å sikre kritisk teknologi på jorden og i rommet.”

Investeringsvinkel: Romvær‑AI med IBM (IBM )

Det 293,24 milliarder dollar store IBM er en global leverandør av hybrid‑sky‑ og AI‑tjenester for å oppnå digital transformasjon på tvers av data, applikasjoner og miljøer de opererer i.

For noen måneder siden slapp IBM, i samarbeid med NASA, sin åpne kildekode‑AI‑modell «Surya», for bedre å forstå data samlet fra solobservasjoner og forutsi hvordan solaktivitet påvirker romteknologi og jorden. Med Surya bruker selskapet AI til forskning på romvær og gir et verktøy som hjelper med å beskytte telekommunikasjon, strømnett og GPS‑navigasjon mot forstyrrelser forårsaket av solens skiftende natur.

Per i dag handles IBM‑aksjene til 319 $, opp 42,7 % år‑til‑dag. Den har en EPS (TTM) på 8,07 og en P/E (TTM) på 38,87. IBM betaler en utbytteavkastning på 2,14 %.

For sitt siste kvartal, 3Q25, rapporterte selskapet en 9 % inntektsøkning til 16,3 milliarder dollar. GAAP bruttofortjenestemargin var 57,3 % og non‑GAAP driftsmargin var 58,7 %. Netto kontantstrøm fra driftsaktiviteter var 9,2 milliarder dollar hittil i år, og 7,2 milliarder dollar ble rapportert i fri kontantstrøm.

“Kunder globalt fortsetter å utnytte vår teknologi og domeneekspertise for å drive produktivitet i sine operasjoner og levere reell forretningsverdi med AI.”

– CEO Arvind Krishna

Han bemerket også at IBMs AI‑portefølje oversteg 9,5 milliarder dollar, opp fra 7,5 milliarder dollar i forrige kvartal.

Hvor AI overgår eksperter: medisin, nevrovitenskap & utdanning

Forskere finner at AI konsekvent overgår eksperter på tvers av ulike domener.

Et slikt domene er medisin, hvor “glaukom fortsatt er en av de mest vanlige årsakene til synstap som ikke kan repareres globalt,” og screening er for dyrt. Men AI kan være løsningen, håper Dr. Anthony Khawaja, professor ved University College London Institute of Ophthalmology og hovedforsker i den nye studien, som rapporterte at et trent AI‑program korrekt identifiserte pasienter med glaukom omtrent 90 % av tiden, sammenlignet med 81 % for menneskelige vurderere.

For denne studien evaluerte både menneskelige eksperter og et AI‑program over 6 300 deltakere, hvor nesten 700 hadde glaukom i minst ett øye.

Glaukom er et resultat av skade på synsnerven, vanligvis på grunn av trykkoppbygging inne i øyet, som kan føre til fullstendig blindhet. Menneskelige eksperter og AI vurderte deltakernes glaukom‑risiko basert på vertikal kopp‑disk‑ratio, et nøkkelmål for denne lidelsen som sporer strukturelle endringer i øyet forårsaket av trykkoppbygging.

Ifølge studiens resultater ble kun 11 % av deltakernes øyne antatt å ha glaukom, i tråd med andelen som forventes i rutinemessig screening. Nøyaktigheten, bemerket forskerne, kunne forbedres ytterligere ved å inkludere andre risikofaktorer, som intraokulært trykk.

I en annen studie⁵ forutså store språkmodeller (LLM) utfallet av foreslåtte nevrovitenskapelige studier mer nøyaktig enn menneskelige eksperter, og fremhevet AI‑potensialet til å akselerere forskning.

I stedet for å fokusere på LLM‑ers spørsmål‑svar‑evner, undersøkte studien om modellene kan syntetisere kunnskap for å forutsi fremtidige resultater.

Dermed testet de 15 forskjellige generelle LLM‑er og 171 menneskelige nevrovitenskapseksperter og fant at alle LLM‑ene overgikk nevrovitenskaperne. Mens LLM‑ene i gjennomsnitt hadde 81 % nøyaktighet, hadde mennesker 63 %, som kun økte til 66 % på høyeste ekspertisenivå. Samtidig forbedret trening av en LLM på nevrovitenskapelig litteratur dens nøyaktighet til 86 %.

“Vi tror det ikke vil ta lang tid før forskere bruker AI‑verktøy for å designe de mest effektive eksperimentene for sine spørsmål. Selv om vår studie fokuserte på nevrovitenskap, var vår tilnærming universell og bør kunne anvendes på tvers av all vitenskap.”

– Seniorforfatter Bradley Love, professor ved UCL Psychology & Language Sciences

AI har ifølge Cambridge‑forskere en klar fordel når det gjelder prediktiv modellering og dataanalyse. Når den får tilgang til rettidig data i form av volum, variasjon og sannhetstrekk, kan den optimalisere kostnader og forsyningskjeder, designe høy‑ytelsesprodukter raskere, og reagere på markedssvingninger i sanntid.

“Å ignorere generativ AI i bedriftsstrategi er ikke lenger levedyktig,” sa studiens medforfattere.

Dette er bare toppen av isfjellet, selv om andre studier har funnet at AI til og med utmerker seg i grunnleggende språkmekanikk⁶ men mangler tematisk konsistens når det gjelder assay‑evaluering, overgår menneskelige eksperter i gjenkjenning av smerte hos sauer⁷ ved bruk av samme visuelle informasjon, og matcher eller overgår dermatologer⁸ i bildedrevet huddiagnostikk.

Investeringsvinkel: Gemini‑adopsjon gjennom Alphabet Inc. (GOOG )

Når det gjelder investering i AI‑kraft, er Alphabet et verdig alternativ, som har ledet AI‑gjennombrudd gjennom Google DeepMind og Google Research.

Nylig slapp Google DeepMind og et AI‑drevet utdanningsteknologiselskap, Eedi, utforskende forskning⁹ som viser at menneske‑i‑sløyfen AI‑veiledning overgår ren menneskelig støtte.

Prøven ble gjennomført i fem britiske videregående klasserom, hvor kjerneundervisning ble levert av LearnLM, Googles generative AI‑modell finjustert for pedagogikk. De fant at menneske‑AI‑teamet var like effektivt (93 %) i å hjelpe elever umiddelbart rette en feil de gjorde som en ren menneskelig veileder (91,2 %). Teamet var like godt på å hjelpe elever med å løse underliggende misforståelser.

Ved måling av “kunnskaps­overføring”, som refererer til hvordan veiledning på ett problem påvirker en elevs evne til å løse et nytt, forbedret en ren menneskelig veileder læringen med 4,5 prosentpoeng, mens menneske‑AI‑teamet økte den med 10 prosentpoeng.

“Disse funnene markerer et milepæl for ansvarlig, sikker og effektiv AI i utdanning. Neste steg er å skalere dette fra en utforskende pilot til en storskalig prøve.”

– Irina Jurenka, forskningsforsker hos Google DeepMind

Samtidig har teknologigigantenes multimodale AI‑modell Gemini gjort flere fremskritt, oppnådd gullmedaljenivå i 2025 International Collegiate Programming Contest (ICPC) World Finals, etter en gullmedalje‑seier i International Mathematical Olympiad. Googles flaggskip‑AI‑app har nå over 650 millioner månedlige aktive brukere.

Dermed er Google dypt involvert i AI‑innovasjon, og dette har hjulpet aksjen til å stige nesten 54 % i år, nå handlet litt over 293 $. Det 3,5 billioner dollar store selskapet betaler også et utbytte på 0,29 %.

Nylig rapporterte selskapet en inntekt på 102,35 billioner dollar for Q3 2025, drevet av solid momentum i sky‑virksomheten, som har hatt sterk AI‑etterspørsel. Selskapet planlegger nå å øke kapitalutgiftene til mellom 91 billioner‑93 billioner dollar, etter å ha hevet forventningene fra 75 billioner til 85 billioner dollar tidligere i år. De fleste utgiftene går til infrastruktur som datasentre.

Avsluttende tanker

AI har tatt verden med storm, men den er ikke lenger en frittstående innovasjon. I stedet fungerer den som et bindvev som knytter sammen et økende antall transformative teknologier. Som nevnt ovenfor hjelper den oss med å dekode mysteriene i det menneskelige mikrobiomet, forutsi solstormer, og til og med overgå eksperter i vitenskap og medisin. Likevel representerer disse gjennombruddene bare en liten del av hvordan AI påvirker nesten hver grense av menneskelig virksomhet.

Etter hvert som den konvergerer med big data, bioteknologi, sky‑computing, robotikk og kvantevitenskap, akselererer AI tempoet i oppdagelser og muliggjør integrasjoner som skaper smartere systemer og en smartere verden.

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

Referanser

1. Mussavi Rizi, M., Fernández, D., Kramer, J. L. K., Saigal, R., DiGiorgio, A. M., Beattie, M. S., Ferguson, A. R., Kyritsis, N., Torres‑Espín, A., & TRACK‑SCI. Modellering av baner for rutinemessige blodprøver som dynamiske biomarkører for utfall ved ryggmargsskade. npj Digital Medicine 8:470 (2025). https://doi.org/10.1038/s41746-025-01782-0
2. Lee, S., Raza, S., Lee, E.-J., Chang, Y., Ryu, S., Kim, H.-L., Kang, S.-H., & Kim, H.-N. Metagenom‑samlede genomer avslører mikrobielle signaturer og metabolske veier knyttet til koronararteriesykdom. mSystems e00954-25 (2025). https://doi.org/10.1128/msystems.00954-25
3. Dang, T., Lysenko, A., Boroevich, K. A., & Tsunoda, T. “VBayesMM: variational Bayesian nevralt nettverk for å prioritere viktige relasjoner i høy‑dimensjonale mikrobiom‑multiomics‑data.” Briefings in Bioinformatics 26(4), bbaf300 (2025). https://doi.org/10.1093/bib/bbaf300
4. Sinha, A., Dhuri, D., Vasanth, R., Hanasoge, S., et al. “Et multimodalt enkoder‑dekoder nevralt nettverk for å forutsi solvindhastighet ved L1.” The Astrophysical Journal Supplement Series 258(2): 1–? (2025). https://doi.org/10.3847/1538-4365/adf436
5. Luo, X., Rechardt, A., Sun, G., Nejad, K. K., Yáñez, F., Yilmaz, B., Lee, K., Cohen, A. O., Borghesani, V., Pashkov, A., Marinazzo, D., Nicholas, J., Salatiello, A., Sucholutsky, I., Minervini, P., Razavi, S., Rocca, R., Yusifov, E., Okalova, T., Gu, N., Ferianc, M., Khona, M., Patil, K. R., Lee, P. S., Mata, R., Myers, N. E., Bizley, J. K., Musslick, S., Bilgin, I. P., Niso, G., Ales, J. M., Gaebler, M., Ratan Murty, N. A., Loued‑Khenissi, L., Behler, A., Hall, C. M., Dafflon, J., Bao, S. D. & Love, B. C. Store språkmodeller overgår menneskelige eksperter i å forutsi resultater innen nevrovitenskap. Nature Human Behaviour 9, 305–315 (2025). https://doi.org/10.1038/s41562-024-02046-9
6. Bouziane, K. & Bouziane, A. M. AI versus menneskelig effektivitet i essay‑vurdering. Discover Education 3:201 (2024). https://doi.org/10.1007/s44217-024-00320-6
7. Feighelstein M., Luna S.P., Silva N.O., Trindade P.E., Shimshoni I., van der Linden D., & Zamansky A. “Sammenligning mellom AI og menneskelig ekspertprestasjon i akutt smertevurdering hos sauer.” Scientific Reports 15(1):626 (2025). https://doi.org/10.1038/s41598-024-83950-y (PubMed)
8. Ma, X., & Li, Z. Kunstig intelligens i dermatologi: en gjennomgang. International Journal of Dermatology and Venereology 7, 227–235 (2025). https://doi.org/10.1097/IJD.0000000000000000
9. Gomes, B., McKee, K. R., Veerubhotla, A. S., Modi, A., Rysbek, A., Huber, A., Wiltshire, S., Gillick, D., et al. “AI‑veiledning kan trygt og effektivt støtte studenter: En utforskende RCT i britiske klasserom.” arXiv pre‑print (Nov 2025). Tilgjengelig på: https://storage.googleapis.com/deepmind-media/LearnLM/learnLM_nov25.pdf