AI:s senaste genombrott: Vad är nytt och vad kommer härnäst?

Artificiell intelligens (AI) fortsätter att öka i betydelse, tack vare dess stora potential att revolutionera industrier.

Denna simulering av mänsklig intelligens i maskiner ger nämligen fördelar såsom ökad effektivitet och produktivitet, förbättrad noggrannhet och beslutsfattande, nya jobbmöjligheter och förbättrad kundupplevelse.

Som ett resultat har AI blivit en nyckeldrivkraft för företags tillväxt, med mer än 70 % av företagen som använder det. Uppskattningar visar att den globala AI-marknaden kan nå biljoner dollar år 2030, drivet av ökade investeringar och teknologiska framsteg.

Redan i år har vi sett enorma utvecklingar: OpenAI introducerade en djupforskningsagent med över 25 % noggrannhet på Humanity’s Last Exam‑benchmark; DeepSeek släppte DeepSeek‑R1, som använder kedjetänkande resonemang; Baidu lanserade Ernie X1 och Ernie 4.5; och Stability AI presenterade en ny modell, Stable Virtual Camera, som gör det möjligt att omvandla foton till 3D‑scener.

Samtidigt samarbetar Google med Taiwans MediaTek för att utveckla nästa generation av Tensor Processing Units (TPU:er) för att minska produktionskostnader och beroendet av nuvarande partners. Parallellt meddelade ett konsortium bestående av OpenAI, Oracle (ORCL ), SoftBank och MGX The Stargate Project i samarbete med den amerikanska regeringen.

Förra veckan presenterade Nvidia (NVDA ) en ny serie av ”AI‑personliga superdatorer” drivna av deras Grace Blackwell‑chipplattform. VD Jensen Huang visade upp DGX Spark och DGX Station på GTC 2025 för att låta användare prototypa, finjustera och köra AI‑modeller av olika storlekar i kanten.

Så låt oss nu ta en titt på några av de senaste viktiga genombrotten som forskare uppnått med AI inom olika sektorer.

Klicka här för att ta reda på om AI bara är hype eller om det finns substans bakom dess tillväxt.

AI löser sina egna inlärningsutmaningar

AI överför inte bara kunskap till andra sektorer utan bidrar även till sig själv genom att möjliggöra utvecklingen av mer sofistikerade AI‑system via framsteg inom dataanalys, maskininlärning och automatisering, vilket leder till snabbare bearbetning, mer exakta förutsägelser och bättre beslutsfattande.

Denna månad introducerade forskare nya memristiva komponenter som är mycket mer robusta, kan fungera både i analogt och digitalt läge samt fungerar över ett bredare spänningsområde.

Dessa egenskaper kan hjälpa till att lösa problemet med ”katastrofalt glömska”, som uppstår när artificiella neurala nätverk glömmer vad de tidigare lärt sig. Detta sker vanligtvis när djupa neurala nätverk (DNN), designade för att efterlikna den mänskliga hjärnan, tränas för en ny uppgift och den nya optimeringen skriver över tidigare inlärning.

Vår hjärna har inte detta problem, tack vare dess förmåga att justera graden av synaptisk förändring. Dessutom misstänks de olika graderna av plasticitet göra det möjligt för vår hjärna att permanent lära sig nya saker utan att glömma de gamla. Forskare har åstadkommit något liknande med deras nya memristor.

Memristorer beter sig mycket som hjärnceller och förbrukar extremt lite energi. En typ av resistans‑switchande minnesenhet kan memristorer ändra sitt motstånd baserat på den applicerade spänningen. Även när spänningen stängs av kvarstår deras motståndsvärde på grund av deras förmåga att genomgå strukturella förändringar.

Enligt Ilia Valov från Peter Grünberg Institute (PGI-7) vid Forschungszentrum Jülich, som ledde forskningen:

“Memristiva element anses vara idealiska kandidater för lärande‑kapabla, neuro‑inspirerade datorkomponenter modellerade efter hjärnan.”

Trots betydande framsteg sker kommersialiseringen av komponenterna i en mycket långsammare takt på grund av hög felprocent i produktionen, kort livslängd på produkterna och känslighet för mekaniska påverkningar som kan orsaka funktionsfel under drift.

Detta kräver forskning för bättre kontroll av nanoskaliga processer samt nya material och switch‑mekanismer för att minska systemens komplexitet och öka deras funktionsområde, sade Valov.

För detta ändamål har tyska och kinesiska forskare gått samman och ”upptäckt en fundamentalt ny elektro‑kemisk memristiv mekanism som är kemiskt och elektriskt mer stabil” som kommer att bredda horisonten för neurovetenskapliga tillämpningar.

Klicka här för att lära dig hur AI‑drivna hjärnchips kommer att bana vägen för nästa språng i mänsklighetens evolution.

Memristor‑genombrott för AI:s kontinuerliga inlärning

Publicerad i tidskriften Nature Communications¹, identifierade studien två primära mekanismer för funktionen av bipolära memristorer:

1. Elektrokemisk metallisering (ECM)
2. Valensförändringsmekanism (VCM)

ECM‑memristorer bildar en metallisk filament mellan de två elektroderna. Denna lilla ”ledande bro” förändrar elektriskt motstånd och löser upp sig när spänningen vänds. Detta möjliggör låga switch‑spänningar och snabba switch‑tider, men de genererade tillstånden är variabla och kortlivade.

VCM‑memristorer ändrar motståndet genom rörelsen av syrejoner vid gränssnittet mellan elektroden och elektrolyten genom att förändra Schottky‑barriären. Detta är relativt stabilt men kräver höga switch‑spänningar.

Eftersom varje process har sina egna för- och nackdelar designade teamet en memristor genom att kombinera fördelarna med båda typerna, något som tidigare ansågs omöjligt.

Den nya memristorn använder ett filament av metalloxider (istället för att vara helt metalliskt som ECM), som bildas av syre‑ och tantalumjoners rörelse. Den är mycket stabil och löser sig aldrig helt.

“Du kan tänka dig det som ett filament som alltid existerar i någon grad och bara modifieras kemiskt.”

– Valov

Den nya, robusta switch‑mekanismen kallas filament‑ledningsförändringsmekanism (FCM). Komponenter baserade på denna mekanism är mer motståndskraftiga mot höga temperaturer, kräver lägre spänningar för att producera, har ett bredare spänningsintervall och är kemiskt samt elektriskt mer stabila. Deras livslängd är också längre eftersom färre komponenter går sönder under produktionen, vilket ger en lägre avvisningsgrad.

De olika oxidationsstaterna möjliggör dessutom att memristorn kan fungera både i binärt och analogt läge, vilket kan hjälpa till att övervinna problemet med ”katastrofalt glömska”.

Valov förklarade att den nya två‑terminal‑ohmiska memristorns ”unika egenskaper” ”möjliggör användning av olika switch‑lägen för att kontrollera memristorns modulering på ett sätt som gör att lagrad information inte går förlorad.”

Forskare har redan implementerat den nya memristiva komponenten i en artificiell neuronnätsmodell i en simulering och uppnått hög mönsterigenkänningsnoggrannhet på flera bilddatamängder.

Teamet kommer nu att utforska andra material som kan vara ännu bättre och mer stabila. Valov är säker på att deras ”resultat kommer ytterligare att driva utvecklingen av elektronik för ’beräkning‑i‑minnet’-applikationer.”

Nu är ett av de ledande företagen inom AI‑området Microsoft (MSFT ), som har investerat 12 miljarder dollar i ChatGPT‑tillverkaren OpenAI och erbjuder AI‑produkter som Copilot, Azure AI Studio och AI‑drivna verktyg inom Microsoft 365, Dynamics 365 och Power Platform. Det teknikjätte med ett börsvärde på 2,9 biljon dollar handlas för närvarande till $394.58, ner 7,17 % YTD. För kvartalet som avslutades den 31 december 2024 rapporterade den rapporterade en ökning på 12 % i intäkterna till 69,6 mdr och ett utspätt EPS på 3,23 $.

Enligt Microsoft‑VD Satya Nadella:

“Vi innoverar över hela vår teknikstack och hjälper kunder att låsa upp hela avkastningen på AI för att fånga den enorma möjligheten som ligger framför oss. Redan har vår AI‑verksamhet överträffat en årlig intäktsnivå på 13 miljarder dollar, upp 175 % år‑över‑år.”

Senaste om Microsoft

AI inom sjukvården, förbättrar diagnos av Parkinsons sjukdom

Inom sjukvården hjälper AI till att minska kostnader och uppnå bättre patientresultat genom att förbättra diagnostik, behandling och patientvård via sjukdomsdetektion, personlig medicin och förbättrad effektivitet i administrativa uppgifter.

Nu kommer AI att hjälpa kliniker att differentiera diagnosen av Parkinsons sjukdom och relaterade tillstånd snabbare och med större noggrannhet.

Diagnosen av Parkinsons sjukdom ligger för närvarande mellan 55 % och 78 % under de första fem åren av bedömning, delvis på grund av att dess närbesläktade rörelsestörningar delar likheter, vilket kan göra en definitiv diagnos initialt svår.

Ett nytt AI‑modell utvecklad av forskare vid University of Florida och UF Health Norman Fixel Institute for Neurological Diseases har dock en precision på över 96 %.

Som studien påpekade är det särskilt utmanande att med en bildbaserad metod diagnostisera och särskilja Parkinsons sjukdom (PD), progressiv supranukleär pares (PSP) och multipel systematrofi (MSA) Parkinsoniska varianter. Men ny data har visat att det är möjligt med diffusion‑viktad MR kombinerat med sjukdomsspecifika maskininlärnings‑algoritmer.

Studien, finansierad av National Institutes of Health och publicerad i JAMA Neurology, beskrev Automated Imaging Differentiation for Parkinsonism (AIDP), en automatiserad MRI‑behandlings‑ och ML‑programvara med en icke‑invasiv biomarkörteknik.

MRI‑tillverkare, David Vaillancourt, professor vid UF Department of Applied Physiology and Kinesiology, noterade att de inte kommunicerar med varandra på grund av konkurrens på marknaden och använder sin egen programvara och sekvenser.

Forskare utvecklade därför ny programvara som fungerar över alla dessa. Verktyget kommer att hjälpa läkare att öka sin diagnostiska effektivitet mellan olika sjukdomar, sade Vaillancourt.

Medan diffusion‑viktad MR i AIDP hjälper till att identifiera var neurodegeneration sker genom att mäta hur vattenmolekyler diffunderar i hjärnan, analyserar algoritmen skanningen för att leverera resultaten.

Algoritmen har rigoröst testats mot kliniska diagnoser och genomförts på 21 platser, inklusive två i Kanada och 19 i USA.

“Detta är ett exempel där innovationen mellan teknik och artificiell intelligens har bevisats förbättra diagnostisk precision, vilket ger oss möjlighet att ytterligare förbättra behandlingen för patienter med Parkinsons sjukdom.”

– Michael Okun, M.D., chef för Norman Fixel Institute for Neurological Diseases vid UF Health.

Forskare siktar nu på att få godkännande från den amerikanska livsmedels- och läkemedelsmyndigheten (FDA).

Användning av AI för att förutsäga kardiovaskulär risk via mammogram

Ytterligare en djupinlärningsmodell visade potential att förutsäga kardiovaskulär risk baserat på mammogrambilder, ett viktigt verktyg för cancerundersökning. Denna separata studie presenterad vid American College of Cardiology’s (ACC) Annual Scientific Session kombinerar AI:s kraft med mammogram för att analysera kalciumuppbyggnad i artärerna inom bröstvävnaden.

Kalciumuppbyggnad i blodkärl är en indikator på kardiovaskulär skada som är förknippad med åldrande eller tidig hjärtsjukdom. Kvinnor med kalciumuppbyggnad i artärerna har enligt tidigare studier 51 % högre risk för hjärtsjukdom och stroke.

Trots att hjärtsjukdomar är en ledande dödsorsak i USA är de hos kvinnor ofta underdiagnostiserade, vilket kan förändras med AI‑drivna mammogram‑screeningsverktyg som utnyttjar tester som många kvinnor rutinmässigt får.

I USA utförs cirka 40 miljoner mammogram varje år. Dessa röntgenbilder används för att screena för bröstcancer. Även om dessa bilder visar bröstartärkalkyl, rapporteras informationen inte till patienterna eller deras läkare.

Den nya studien använde en AI‑bildanalysteknik som tidigare inte använts på mammogram för att visa att tekniken kan fylla detta gap genom att automatiskt bedöma kalkyl och sedan ge en kardiovaskulär riskbedömning. Enligt studiens huvudförfattare, Theo Dapamede, MD, PhD, och postdoktorand vid Emory University i Atlanta:

“Vi ser en möjlighet för kvinnor att bli screenade för cancer och dessutom få en kardiovaskulär screening från sina mammogram. Vår studie visade att bröstartärkalkyl är en bra prediktor för kardiovaskulär sjukdom, särskilt hos patienter under 60 år. Om vi kan screena och identifiera dessa patienter tidigt kan vi hänvisa dem till en kardiolog för vidare riskbedömning.”

För att bygga verktyget tränade forskarna en AI‑modell för att segmentera kalkifierade kärl i mammogrambilder. Modellen använder sedan dessa ljusa pixlar för att beräkna risken för framtida kardiovaskulära händelser baserat på data från över 56 000 patienter.

“Framsteg inom djupinlärning och AI har gjort det mycket mer genomförbart att extrahera och använda mer information från bilder för att möjliggöra opportunistisk screening.”

– Dapamede

Studiefynden visade att den nya modellen presterade väl i att identifiera kardiovaskulär risk hos patienter med låg, måttlig eller hög risk baserat på mammogrambilder.

Enligt dem ökar frekvensen av allvarliga kardiovaskulära händelser med nivån av bröstartärkalkyl hos kvinnor under 60 samt de mellan 60 och 80 år efter att ha beräknat risken för död från en akut hjärtattack, stroke eller någon annan orsak efter två och fem år.
Detta gör verktyget särskilt lämpligt för att ge tidig varning om hjärtsjukdomsrisk hos yngre kvinnor, vilket möjliggör tidiga insatser.

Studiernas resultat visar också att de med högsta nivån av bröstartärkalkyl, över 40 mm², hade avsevärt lägre femårsöverlevnad utan händelser jämfört med de med lägst nivå, under 10 mm².

Forskarna planerar nu att få FDA‑godkännande och göra verktyget tillgängligt för bredare användning. I framtiden planeras även att undersöka liknande AI‑modeller för att analysera biomarkörer för andra tillstånd, såsom njursjukdom, som kan extraheras från mammogram.

Nu, när det gäller företag som driver AI inom sjukvården, GE HealthCare Technologies (GEHC ) är starkt investerade i tekniken och integrerar den i sina produkter för att förbättra patientvård och effektivisera klinikernas arbetsflöden. Företaget med ett börsvärde på 37,26 mdr har för närvarande aktier som handlas till 81,49 $, upp 4,23 %. I 4Q24 ökade dess intäkter med 2 % till 5,3 mdr medan utspätt EPS var 1,57 $.

Senaste om GE HealthCare Technologies

AI inom materialvetenskap: Optimering av tunna filmers tillväxtprocesser

Materialvetenskap är kritisk för moderna framsteg eftersom den möjliggör utveckling av nya material och förbättring av befintliga. AI inom detta område bidrar genom att påskynda upptäckten och designen av nya material, optimera befintliga samt förbättra tillverkningsprocesser.

Forskare från Tokyo University of Science (TUS), ledda av professor Masato Kotsugi, har nu använt AI för att optimera tillväxtprocesser för tunna filmer genom att förutsäga dendritisk tillväxt i dem.

Dessa processer spelar en nyckelroll i utvecklingen av halvledarenheter, kommunikationsteknologier och sensorteknologier.

Tunna filmer växer nu genom att lägga ner små lager av material på ett substrat. För att fullt utnyttja prestandan hos flerskiktsfilm‑enheter måste substratet tillverkas med hög precision eftersom det har ett betydande inflytande på den strukturella konfigurationen, vilket i sin tur påverkar deras funktion och prestanda.

Strukturerna påverkas dock kraftigt av tillväxtprocessens förhållanden såsom sammansättning, atmosfär och ytfel. Under tillväxtprocessen för storskalig tillverkning, som är viktig för kommersiell tillämpning, uppstår ett stort hinder i form av dendritiska strukturer.

Dessa trädliknande grenmönster minskar tunna filmers planhet och observeras ofta i material som grafen, koppar och borofen, särskilt i den tidiga tillväxtfasen och i flerskiktsfilmer.

Eftersom mikrostrukturen direkt påverkar enhetens prestanda är det kritiskt att minska dendritisk bildning. För att göra det måste vi först förstå de förhållanden som orsakar dendritisk grenbildning. Existerande metoder för att studera dendriter förlitar sig dock på enkel visuell analys och subjektiv tolkning, vilket kräver omfattande trial‑and‑error.

För att tackla dessa problem byggde forskarna en AI‑modell för att analysera dendritiska strukturer. Den innovativa metoden integrerar maskininlärning (ML) och persistent homology (PH) med energianalys för att förena struktur och process i dendritisk tillväxt.

“Vår metod ger nya insikter i tillväxtmekanismer och erbjuder en kraftfull, datadriven väg för optimering av tunna filmers tillverkning.”

– Prof. Kotsugi

Kombinering av AI, PH och energianalys för att studera dendritisk tillväxt

Publicerad i Science and Technology of Advanced Materials: Methods³, studien beskriver modellen som använder persistent homology (PH) för att fånga de komplexa topologiska egenskaperna hos dendritmikrostrukturer, som ofta förbises av traditionella bildbehandlingstekniker.

Medan PH möjliggör flerskalig bedömning av hål och kopplingar inom geometriska strukturer, hjälpte maskininlärningstekniken principal component analysis (PCA) till att reducera de väsentliga dendritmorfologifunktionerna som extraherats via PH till ett 2D‑rum.

Detta hjälpte teamet att kvantifiera strukturella förändringar i dendriter och etablera ett samband mellan dessa förändringar och den fria energin i materialet som påverkar hur dendriter bildas.

Vid bedömning av detta samband upptäckte teamet de specifika förhållanden och dolda tillväxtmekanismer som påverkar dendritisk grenbildning.

“Vårt ramverk kartlägger kvantitativt dendritmorfologi till Gibbs fria energivariationer och avslöjar energigradienter som driver grenbeteende.”

– Kotsugi

Teamet studerade sedan dendrittillväxt på ett hexagonalt koppar (Cu)‑substrat och jämförde resultaten med data från fas‑fält‑simuleringar för att validera deras metod. Kotsugi noterade:

“Genom att integrera topologi och fri energi erbjuder vår metod ett mångsidigt tillvägagångssätt för materialanalys. Genom denna integration kan vi etablera en hierarkisk koppling mellan atomskaliga mikrostrukturer och makroskopiska funktioner över ett brett spektrum av material, vilket banar väg för framtida framsteg inom materialvetenskap.”

Denna metod, enligt honom, kan leda till utveckling av högkvalitativa tunna film‑enheter för höghastighetskommunikation bortom 5G samt framsteg inom högpresterande material, nonequilibrium‑fysik och sensorteknik.

Nu, om vi ser på ett framstående namn inom materialvetenskap som använder AI för innovation, Applied Materials (AMAT ) är bland de främsta. Det utnyttjar AI för att förbättra tillverkning av halvledarchip genom sin AI(x)-plattform, ExtractAI och SEMVision™ H20 System. Företaget med ett börsvärde på 123,6 mdr handlas för närvarande till 151 $, ner 6,5 % YTD. För 1Q25 rapporterade det en intäktsökning på 7 % till 7,17 mdr medan GAAP‑EPS var 1,45 $ och non‑GAAP‑EPS var 2,38 $.

“Industrins drivkraft att påskynda utvecklingen av avancerad beräkning och mer sofistikerad AI får ökad fart. Applied Materials möjliggör de stora arkitekturförändringarna som är kritiska för energieffektiv AI, och vårt fokus på hög‑hastighets‑samskapande skapar unika samarbetsmöjligheter med våra kunder och partners, vilket positionerar Applied för fortsatt tillväxt och överlägsenhet under de kommande åren.”

– VD Gary Dickerson förra månaden

Senaste om Applied Materials

Slutsats

AI har redan börjat omvandla företag över olika branscher. Den snabba innovationstakten erbjuder nu banbrytande lösningar på dess långvariga utmaningar. Med dessa framsteg, som sträcker sig från materialvetenskap, medicinsk diagnostik och personliga superdatorer till lösningar för AI:s egna inlärningsutmaningar, går vi in i en era som lovar en oöverträffad transformation.

Allteftersom AI fortsätter att utvecklas, gör dess förmåga att driva produktivitet, förbättra beslutsfattande och öppna nya fronter den till en av de mest kraftfulla krafter som formar framtiden.

Klicka här för att lära dig allt om att investera i artificiell intelligens (AI).