En knutpunkt för evolution – Artificiell intelligens mångsidighet i fokus med senaste framstegen

Innovationer inom artificiell intelligens formar framtiden för företag i nästan alla sektorer. Från sjukvård, tillverkning, finans, utbildning, underhållning och juridik till media, kundservice, transport och mer, har i praktiken ingen större industri förblivit opåverkad av AI.

Enligt en IBM‑undersökning från 2023, 42 % av företag i storskalig verksamhet har redan integrerat AI i sina operationer, medan ytterligare 40 % överväger tekniken för sina organisationer.

Detta är logiskt, med tanke på att AI har potentialen att omvandla produktiviteten och därmed ett lands BNP‑potential.

Enligt uppskattningar från PWC, AI kan potentiellt bidra med 15,7 triljon USD till den globala ekonomin i slutet av detta decennium, där 45 % av de totala ekonomiska vinsterna kommer från AI‑drivna produktförbättringar i form av prisvärdhet, attraktivitet, variation och ökad personalisering, vilket stimulerar konsumentefterfrågan. Samtidigt förväntas 6,6 triljon USD av BNP‑ökningen i lokala ekonomier från AI komma från ökad produktivitet, enligt PWC.

AI blir snabbt en nyckelkälla till disruption och konkurrensfördel, och fungerar som en central knutpunkt för att driva nästan varje bransch framåt. Den enorma potentialen och mångsidigheten hos AI kan ses i de senaste framstegen som gjorts med hjälp av denna teknik. 

Förutsäga termiska egenskaper

En intressant tillämpning av AI är att förutsäga materialens termiska egenskaper. Detta kan hjälpa ingenjörer att designa snabbare mikroelektroniska enheter och mer effektiva energikonversionssystem samtidigt som spillvärme minskas.

Att förstå sambandet mellan struktur och egenskap är viktigt när man designar material med specifika egenskaper. Redan har betydande framsteg gjorts inom maskininlärningsmetoder på detta område. Utmaningar kvarstår dock när det gäller modellernas generaliserbarhet och förmåga att förutsäga egenskaper.

Den senaste forskningen presenterade ett virtuellt nodgraf‑neuronätverk (VGNN) för att tackla dessa problem. I deras virtuella nodmodell kunde forskarna åstadkomma Γ‑fononspektrum och full fonondispersion endast från atomära koordinater. Genom att kombinera deras tillvägagångssätt med ML‑interatomiska potentialer uppnådde teamet mycket högre effektivitet med bättre noggrannhet.

Förmågan att snabbt och exakt beräkna fononbandstrukturer är kritisk eftersom uppskattningsvis 70 % av den energi som produceras globalt faktiskt slutar som spillvärme. Om forskare kan förutsäga hur värme rör sig genom isolatorer och semiconductor, kan mer effektiva kraftgenereringssystem designas. 

Problemet är att materialens termiska egenskaper kan vara mycket svåra att modellera. Detta beror på fononer, en kvant av vibrerande mekanisk energi. 

Dessa subatomära partiklar transporterar värme, och vissa av ett materials termiska egenskaper beror på fonondispersionen, dvs. förhållandet mellan fononernas energi och deras rörelsemängd i kristallstrukturen. Det är inte bara svårt att införliva i en systems design, utan att erhålla dessa data innebär också stora utmaningar. 

Enligt seniorförfattaren Mingda Li, som är lektor i kärnteknik:

“Fononer är boven bakom den termiska förlusten, men att erhålla deras egenskaper är notoriskt svårt, både beräkningsmässigt och experimentellt.”

Det beror på deras extremt breda frekvensintervall att värmebärande fononer är så svåra att förutsäga. Dessutom rör sig och interagerar dessa partiklar med varierande hastigheter.

Forskare har i åratal försökt uppskatta fonondispersionen med ML, men modellerna fastnar eftersom de kräver många högprecisionsberäkningar. 

“Om du har 100 CPU‑er och några veckor, kan du förmodligen beräkna fonondispersionen för ett material. Hela gemenskapen vill verkligen ha ett mer effektivt sätt att göra detta.”

– Co‑lead author Ryotaro Okabe, en kemistudent på masternivå

De ML‑modeller som används för högprecisionsberäkningar av fonondispersion kallas graf‑neuronätverk (GNN). Dessa nätverk omvandlar ett materials atomstruktur till ett kristallgraf.

Kristallgrafen består av flera noder som är kopplade med kanter. Noderna representerar atomer, medan kanterna fungerar som de interatomiska bindningarna mellan atomerna.

GNN har fungerat bra för att beräkna elektrisk polarisation och magnetisering, bland andra kvantiteter. De är dock helt enkelt inte tillräckligt flexibla för att exakt förutsäga fonondispersionen, som är en otroligt högdimensionell kvantitet.

Att modellera fononernas rörelsemängdsrum med en fast grafstruktur fungerar inte eftersom de rör sig runt atomer på olika axlar. Detta kräver flexibilitet, vilket forskarna införde genom virtuella noder.

Medan grafnoder används för att representera atomer, granskade teamet idén och kom fram till att “grafnoder kan vara vad som helst. Och virtuella noder är ett mycket generiskt tillvägagångssätt som du kan använda för att förutsäga många högdimensionella kvantiteter.”

Genom att lägga till flexibla virtuella noder till den fasta kristallstrukturen skapade teamet ett nytt ramverk kallat virtuellt nodgraf‑neuronätverk (VGNN). Genom att låta VGNN:s output variera i storlek blir den inte begränsad av den fasta kristallstrukturen.

Dessa virtuella noder kan dock bara ta emot meddelanden från riktiga noder. Så medan de uppdateras tillsammans med de riktiga noderna under beräkning, påverkar de inte modellens noggrannhet.

Som co‑lead author Abhijatmedhi Chotrattanapituk, som är masterstudent i elektroteknik och datavetenskap, förklarade: de riktiga noderna har ingen aning om att virtuella noder finns. Han sade:

“Det sätt vi gör detta på är mycket effektivt i kodning. Du genererar bara några fler noder i ditt GNN.”

Genom att låta virtuella noder representera fononer behöver VGNN‑modellen inte utföra många komplexa beräkningar när den förutsäger fonondispersionen, vilket gör den mer effektiv än GNN.

Det nya AML‑ramverket som skapats av forskare från MIT och andra har faktiskt visat sig förutsäga fonondispersioner upp till en miljon gånger snabbare än traditionella, icke‑AI‑baserade metoder. Jämfört med andra AI‑baserade tekniker är detta ramverk 1 000 × snabbare med jämförbar eller till och med bättre noggrannhet. 

När man förutsäger ett materials värmekapacitet fann forskarna modellen något mer exakt, med förutsägelsefel två storleksordningar lägre i vissa fall.

Enligt forskarna kan modellen uppskatta fonondispersioner för några tusen material på bara några sekunder med en personlig dator. Detta möjliggör utforskning av fler material med specifika termiska egenskaper. Det kan till och med användas för att beräkna fonondispersioner i legeringssystem, vilket är särskilt utmanande för traditionella modeller.

Inom mikroelektronik, där värmehantering är en stor utmaning för att göra dem snabbare, kan den nya metoden vara extremt fördelaktig och hjälpa till att utveckla mer effektiva mikroelektroniska enheter. Metoden kan dessutom underlätta designen av energigenereringssystem som producerar mer kraft och högre verkningsgrad. 

Forskare föreslår tre versioner av den nya modellen, var och en kapabel att uppskatta fononer direkt från materialets atomära koordinater men med ökande komplexitet.

Här är två företag som kan dra nytta av denna AI‑relaterade utveckling för att förutsäga materialens termiska egenskaper:

#1. Intel

Som ledande tillverkare av mikroprocessorer är värmehantering avgörande för Intel (INTC ). Förbättrade AI‑modeller kan hjälpa till att designa snabbare, mer effektiva processorer med bättre värmeavledning, vilket ökar produktprestanda och livslängd samt gör Intel mer konkurrenskraftigt.

#2. NVIDIA

Effektiv värmehantering är essentiell för NVIDIAs högpresterande GPU:er som används i datacenter, spel och AI‑applikationer. Förbättrade AI‑modeller kan leda till bättre kylningslösningar, vilket förbättrar produktprestanda och tillförlitlighet. Detta banar väg för design av energieffektiva AI‑system och stärker NVIDIAs marknadsposition.

Säkerställa likvärdighet

Ett separat papper förbättrade samtidigt rättvisa genom att införa strukturerad slumpmässighet i allokeringen av knappa resurser med AI. Detta gör det möjligt för ML‑baserade modellförutsägelser att hantera inneboende osäkerheter utan att kompromissa med effektiviteten.

Under det senaste året har populariteten för generativ AI som ChatGPT gjort tekniken till en integrerad del av företag. Organisationer har i allt högre grad vänt sig till ML‑modeller för att fördela sina knappa resurser, såsom välfärdsförmåner. Detta kan omfatta allt från att granska CV:n till att välja kandidater för jobbintervjuer till att vårdpersonal rangordnar patienter för den begränsade tillgången på livräddande medicinska resurser som ventilatorer eller organ baserat på deras överlevnadsgrad.

När man använder AI‑modeller är målet att uppnå rättvisa förutsägelser genom att minska bias. Detta uppnås ofta med tekniker som kalibrering av de genererade poängen eller justering av modellens funktioner för att fatta beslut. 

Medan det traditionellt antas att algoritmer är rättvisa, argumenterar ett nytt papper av forskare från Northeastern University och MIT att uppnå rättvisa med ML ofta kräver slumpmässighet. Deras analys fann att randomisering är särskilt fördelaktig när en modells beslut involverar osäkerhet. Dessutom, när samma grupp konsekvent får negativa beslut, måste randomisering tillämpas för att förbättra rättvisan.

Forskarna presenterade ett ramverk för att införa specifik randomisering i modellens beslut. Metoden kan skräddarsys för att passa individuella situationer och förbättra rättvisa utan att skada modellens noggrannhet eller effektivitet.

“Även om du kunde göra rättvisa förutsägelser, bör du då bestämma dessa sociala allokeringar av knappa resurser eller möjligheter strikt utifrån poäng eller rangordningar? När saker skalar och vi ser fler och fler möjligheter beslutas av dessa algoritmer, kan de inneboende osäkerheterna i dessa poäng förstärkas. Vi visar att rättvisa kan kräva någon form av randomisering.”

– Huvudförfattaren, Shomik Jain, en doktorand i IDSS

Denna nya forskning byggs på ett tidigare papper som undersökte skadorna med att använda deterministiska system i skala och fann att ML‑modellers användning i deterministisk resursallokering förstärker befintliga ojämlikheter och förstärker bias. Enligt seniorförfattaren Ashia Wilson, en huvudutredare i LIDS:

“Randomisering är ett mycket användbart begrepp inom statistik, och till vår förtjusning uppfyller det rättvisekrav från både ett systematiskt och individuellt perspektiv.”

Genom att utforska när randomisering kan förbättra rättvisa antog det senaste papperet filosofen John Broomes idé om lotteriers värde för att uppnå rättvisa, och argumenterade för behovet av randomisering i situationer med knappa resurser för att hedra alla anspråk genom att ge varje person en chans. Jain sade:

“När du erkänner att människor har olika anspråk på dessa knappa resurser, kommer rättvisa att kräva att vi respekterar alla individers anspråk. Om vi alltid ger någon med ett starkare anspråk resursen, är det rättvist?”

En deterministisk allokering där ett starkare anspråk alltid får resursen kan leda till systemisk exkludering eller förvärra orättvisor. Maskininlärningsmodeller kan också göra misstag, som upprepas när en deterministisk metod används.

Pappret noterade att randomisering kan hjälpa att övervinna dessa problem. Dock bör inte alla beslut randomiseras lika mycket. Ett mindre säkert beslut bör ha mer randomisering.

Till exempel innebär njurallokering att projicera livslängd, vilket är mycket osäkert, och när två patienter bara skiljer sig fem år, blir det ännu svårare att mäta. Wilson sade:

“Vi vill utnyttja den nivån av osäkerhet för att skräddarsy randomiseringen.”

För att bestämma omfattningen av randomisering som krävs i olika förhållanden använde forskarna statistiska metoder för kvantifiering av osäkerhet för att visa att kalibrerad randomisering kan producera rättvisare resultat utan att avsevärt påverka modellens effektivitet eller nytta.

“Det finns en balans att hålla mellan total nytta och att respektera rättigheterna för de individer som får en knappa resurs, men ofta är kompromissen relativt liten.”

– Wilson

Medan randomisering kan vara mycket fördelaktig för att förbättra rättvisa i områden som universitetsantagning, noterade forskningen även situationer som straffrätt där randomisering av beslut faktiskt kan skada individer snarare än att förbättra rättvisan. 

Framtida planer innefattar att studera andra användningsfall och undersöka effekten av randomisering på faktorer som priser och konkurrens, samt hur detta kan användas för att förbättra ML‑modellers robusthet. Nu kommer vi att titta på två företag som kan dra stor nytta av denna utveckling:

#1. UnitedHealth Group 

UnitedHealth (UNH ) Group Inc. kan förbättra rättvisa i patientvårds‑hantering och resursfördelning genom att införa strukturerad slumpmässighet i AI‑modeller. Detta minskar bias och säkerställer lika tillgång till behandlingar, i linje med UnitedHealths åtagande att erbjuda högkvalitativ, prisvärd vård.

Det rapporterade intäkter på 98,9 miljarder USD för andra kvartalet 2024, vilket motsvarar en ökning med 6 miljarder USD jämfört med föregående år.

#2. Pfizer 

Pfizer Inc. (PFE ) kan använda strukturerad slumpmässighet i AI för att säkerställa rättvis patienturval i kliniska prövningar och lika fördelning av experimentella behandlingar. Detta stödjer Pfizers uppdrag att främja hälso‑jämlikhet och gynna en bredare befolkning.

Ekonomiskt rapporterade Pfizer årliga intäkter på 58,5 miljarder USD år 2023.

Personliga språkinlärningssystem

En annan intressant AI‑tillämpning realiseras i att generera personliga berättelser för att hjälpa barn med språkinlärning. Genom att använda generativ AI och hemlig IoT‑teknik syftar den senaste studien till att erbjuda ett effektivt och skräddarsytt sätt att hjälpa barn att förbättra sin tal‑ och kommunikationsförmåga. 

Språkutveckling hos barn är av enorm betydelse, eftersom den påverkar deras kognitiva och akademiska tillväxt. Givet den roll språket spelar i barns övergripande sociala utveckling måste språkutvecklingen regelbundet utvärderas så att tidiga språkinterventioner kan ges. 

Traditionellt har en ”en‑storlek‑passar‑alla”‑metod använts via standardiserade vokabulärlistor och färdiga material för språktest och interventioner. Detta sker trots att barn lär sig språk genom interaktion med sin omgivning, och eftersom de växer upp i olika miljöer leder det till variation i vokabulärexponering.

För att övervinna bristerna i detta konventionella tillvägagångssätt utvecklade ett forskarlag ett innovativt utbildningssystem som anpassas till varje barns unika miljö. 

Detta personliga språkinlärningssystem heter “Open Sesame? Open Salami! (OSOS).” Det kombinerar talpatologiteori med praktisk expertis och anpassar sig till variationer i barns språkutveckling genom individuell viktning av faktorer och flexibel vokabulärurvalskriterier. 

Drivet av generativ AI och omfattande sensorteknik profilerar OSOS ett barns språkmiljö, extraherar personligt anpassade prioriterade ord och skapar skräddarsydda berättelser som naturligt inkluderar dessa ord. Systemet består av tre huvudmoduler:

1. Personlig språkprofilerare
2. Målvokabulär‑extraktor
3. Personlig interventions‑hjälpgenerator

Profileraren ska distribueras i hemmet och integreras i hushållsapparater eller smarta högtalare för att samla in talprov. Föräldrar styr när inspelning startas och stoppas.

För detta ändamål användes hemliga IoT‑enheter för att fånga och övervaka barnens dagliga miljö och språke exponering. Barnens vokabulär analyserades sedan med talarskiljning, som identifierar och isolerar olika talare, samt morfologisk analys för att bedöma de minsta semantiska enheterna i språket.

Extraktorn analyserar uttalandena och extraherar en valbar prioriterad ordlista som rekommenderas för barnet. Varje ord analyseras genom att beräkna poäng baserade på kritiska faktorer relaterade till talpatologi.

Generatorn erbjuder i sin tur intervention i form av berättelser, en vanlig klinisk praxis och del av de flesta barns naturliga rutiner. För att skapa personligt material använde teamet avancerade generativa AI‑tekniker, inklusive GPT‑4 och Stable Diffusion. Dessa lösningar möjliggjorde produktion av skräddarsydda böcker som sömlöst integrerar varje barns mål‑vokabulär. 

Teamet testade det personliga språkinlärningssystemet med nio familjer under en fyra‑veckorsperiod. Resultaten visade systemets tillämpbarhet i vardagliga miljöer och demonstrerade effektivt barnens inlärning av mål‑vokabuläret.

“Vårt mål är att utnyttja AI för att skapa anpassade guider skräddarsydda för olika individers nivåer och behov.”

– Huvudförfattare Jungeun Lee från POSTECH

De två företagen nedan kan dra nytta av AI‑drivna personliga språkinlärningssystem:

#1. Amazon

Amazon (AMZN ), med sina omfattande AI‑ och IoT‑kapaciteter, kan integrera personliga språkinlärningssystem i sina smarta hem‑enheter som Alexa. Detta skulle möjliggöra för föräldrar att använda Alexa för att i realtid fånga och analysera sina barns språkutveckling och erbjuda skräddarsydda inlärningserfarenheter.

År 2023 ökade Amazons totala intäkter med 12 % till 575 miljarder USD, med betydande bidrag från Nordamerika, International och AWS‑segmenten. 

Intäkterna i Nordamerika steg med 12 % till 353 miljarder USD, internationella intäkter ökade med 11 % till 131 miljarder USD, och AWS‑intäkterna steg med 13 % till 91 miljarder USD. Rörelseresultatet ökade från 12,2 miljarder USD 2022 till 36,9 miljarder USD 2023, medan fritt kassaflöde vände från minus 11,6 miljarder USD 2022 till plus 36,8 miljarder USD.

#2. Alphabet Inc. (Google)

Google kan distribuera personliga språkinlärningssystem via sina Google Home‑ och Nest‑enheter. Genom att utnyttja Googles AI‑expertis kan dessa enheter erbjuda anpassat lärandeinnehåll och spåra språkutveckling, vilket underlättar mer effektiva språkinterventioner för barn.

År 2023 ökade Alphabet Inc. (GOOG ) s totala intäkter till 307,4 miljarder USD, upp från 282,8 miljarder USD 2022. Google Services, inklusive Google Search och YouTube‑annonser, genererade 272,5 miljarder USD, medan Google Cloud tjänade 33,1 miljarder USD. Rörelseresultatet steg till 84,3 miljarder USD, med Google Cloud som vände en förlust på 1,9 miljarder USD 2022 till en vinst på 1,7 miljarder USD. Totala tillgångar nådde 402,4 miljarder USD, inklusive 110,9 miljarder USD i kontanter.

Slutsats

Som vi har sett med dessa senaste framsteg har AI mångsidiga användningsområden, från att hjälpa barn med språkutveckling till att designa mer effektiva energikonversionssystem och högpresterande mikroelektroniska enheter. Det visar tydligt hur kraftfull AI:s mångsidighet är. 

AIs förmåga att hantera stora datamängder, utföra repetitiva uppgifter effektivt, lära sig från data och förbättras över tid gör den till en verkligt disruptiv kraft för en rad industrier som innoverar, förbättrar sin effektivitet och produktivitet, minskar kostnader och förbättrar beslutsfattande. Mot denna bakgrund uppvisar AI en enorm potential som mycket väl kan överstiga våra nuvarande uppskattningar, för att transformera industrier och i sin tur våra liv.

Klicka här för att lära dig allt om investeringar i artificiell intelligens.