Ändra tidslinjen för upptäckter genom användning av artificiell intelligens (AI)

Från manuell forskning till automatisering med AI

För en tid sedan förlitade sig vetenskapliga framsteg enbart på insikterna från briljanta forskare och inte på artificiell intelligens (AI). De var tvungna att designa och testa sina hypoteser manuellt genom skräddarsydda experiment. Detta var oftast en smärtsamt långsam process som tog år från de första idéerna till de faktiska resultaten.

På senare tid har högre nivåer av automatisering möjliggjort en minskning av manuellt arbete i grundforskning. Till exempel har Nästa generations sekvensering (NGS) gjort det möjligt att sekvensera ett genom på bara några dagar och till en lägre kostnad, när den första mänskliga genombearbetningen 2003 kostade 3  miljarder dollar och tog ett decennium att genomföra.

NGS-sekvenserare – Källa: Illumina

Automatisering har gjort det möjligt att utföra de fysiska stegen i forskningen i massiv skala och till lägre kostnad. Men den intellektuella ansträngningen, till exempel att analysera data från genombearbetning, förlitade sig fortfarande enbart på den mänskliga hjärnan och datorassisterade matematiska modeller. Det var så tills AI blev en ny spelväxlare.

Stödja den mänskliga hjärnan

Ju mer vetenskapen avancerade, desto mer komplexa blev data. Att hitta nya material bygger på en relativt enkel process, som att blanda ihop element som tidigare inte testats tillsammans.

Men avancerad materialvetenskap, till exempel inom batteriteknik eller halvledare, kräver manipulation av komponenter på nanometerskala och ibland på enskilda atomnivå. Detta gör modelleringen och förståelsen av processen för komplex för den mänskliga hjärnan att helt greppa all tillgänglig data.

Att exempelvis hitta rätt material för en ny batteridesign kan innebära att välja bland 32  miljoner potentiella oorganiska material. Detta var uppgiften som Vijay Murugesan, gruppledare för materialvetenskap på PNNL (Pacific Northwest National Laboratory), stod inför.

Tidigare skulle utbildade gissningar, grova datormodeller och manuella tester ha krävts för att begränsa möjligheterna och det skulle ha tagit år. Istället etablerade PNNL ett samarbete med Microsoft (MSFT ) för att utnyttja teknikjättens expertis inom AI.

Lära flera AI:s kemi

Microsoft har under lång tid arbetat med sådana tillämpningar genom sitt AI4Science‑program. Till exempel möjliggör deras generativa AI MatterGen “bred egenskapsstyrd materialdesign”.

Källa: Microsoft

I samarbete med PNNL har Microsoft specifikt utvecklat flera olika AI‑system för att utvärdera alla möjliga element och deras kombinationer.

De har också en AI som är dedikerad till att hitta vilka material som är stabila. Och sedan en AI som utvärderar molekyler baserat på deras reaktivitet. Och ytterligare en AI som bedömer molekylernas förmåga att leda energi.

Denna kombination av AI är inte avsedd att hitta varje möjlig lösning på ett givet problem. Istället tittar den på den enorma höstacken av möjligheter (i tiotals miljoner) och försöker begränsa den till några få bra kandidater.

Detta tillvägagångssätt reducerade 32  miljoner potentiella material till 500 000 kandidater, och sedan till 800.

Det skiljer sig fundamentalt från en ren datormodellbaserad matematisk metod, som i stället försöker beräkna de kemiska egenskaperna för ett material med “brute force”, ofta genom att simulera det atom för atom. Istället gör AI:n en utbildad “gissning” om vad bör fungera genom att använda analogier, ungefär på samma sätt som en människa skulle göra. Förutom att AI‑teamet kunde granska 32  miljoner idéer på mindre än 80 timmar.

Att minska månader eller år av arbete till några dagar eller veckor är en fullständig revolution i takten för vetenskaplig framsteg.

Om detta tillämpas bredare skulle det kunna förändra takten för teknologisk utveckling i mänskliga samhällen fullständigt.

Spara värdefulla resurser

När listan väl hade begränsats till bara 800 kandidater kunde forskarna sedan använda den mer standardiserade metoden för högprestandaberäkning (HPC). Det möjliggjorde beräkning av alla möjliga energitillstånd för de 800 kandidaterna. Därefter användes en blandning av dedikerad AI och HPC för att simulera rörelserna hos varje atom och molekyl i varje material.

Genom att använda HPC på endast några hundra kandidater sparade detta PNNL mycket tid och pengar, eftersom metoden är mycket krävande på beräkningskraft. Detta reducerade kandidatlistan till endast 150.

Härifrån, en utvärdering av kostnader, tillgänglighet och andra praktiska överväganden, reducerade den ursprungliga listan på 32  miljoner kandidater till en blygsam 23. Intressant nog var 5 av de 23 redan kända, vilket demonstrerar metodens relevans, då den “återupptäckte” dessa 5 material oberoende.

Tidigare forskningsmetodik skulle ha förlitat sig tungt på dyr och långsam HPC. AI‑metoden minskade istället HPC till bara 10 % av den totala beräkningstiden. Att AI‑beräkningarna var molnbaserade, snarare än att använda dyrbar & sällsynt superdatorstid från forskningsinstitut, bidrog också till ökad effektivitet.

De nästa stegen

Samarbetet mellan Microsoft och PNNL kring batterimaterial var bara början på ett flerårigt samarbetsavtal. I slutändan är tanken att generera så mycket data att veta vilket nytt material som behövs för att designa ett nytt batteri blir lika enkelt som att bara fråga AI‑systemet om det.

“Visionen vi arbetar mot är generativa material där jag kan be om en lista med nya batteriföreningar med de egenskaper jag önskar,” – Nathan Baker, produktledare för Azure Quantum Elements.

Det är också värt att notera att den nuvarande metoden förlitar sig på klassisk beräkning. Men Microsofts AI‑programmering och mjukvara är designade för att uppgraderas till kvantberäkning så snart tekniken är tillräckligt mogen.

Detta skulle ge en oöverträffad beräkningskraft för ämnen som kemiska och biologiska simuleringar, med en ökning av beräkningskapaciteten med flera storleksordningar (x100‑10 000). Så vi befinner oss fortfarande i ett mycket tidigt stadium av AI:s arbete med att designa nya molekyler och material.

Tillämpningsområden

Det första experimentet fokuserade på batterimaterial. Men många andra områden kan sannolikt dra nytta av sådan avancerad insikt i kemi, liksom att applicera AI på andra vetenskaper, alla redan i Microsofts pipeline:

• Halvledare.
• Kvantberäkning & kryptografi.
• Visuell och ljud
• Molekylärbiologi & genomik.
• Bioteknik och läkemedel i allmänhet.
• Förnybar energi & klimatförändringar.
• Jordbruk & ekologi.
• Ekonomi.
• Samhällsvetenskaper.
• Teoretisk matematik.

Varje av dessa områden har sett forskning kämpa på grund av den enorma mängden data och komplexiteten i de frågor som hanteras. På samma sätt som pilotprojektet med batterier kan varje område dra nytta av insikter från AI.

AI-drivna vetenskapsaktier

1. Microsoft

MSFT Prisdiagram

Microsoft har varit i centrum av teknikindustrin nästan sedan starten med sitt fortfarande dominerande operativsystem Windows. Det är nu också en ledare inom företagsprogramvara (Office365, Teams, LinkedIn, Skype, GitHub), spel (Xbox och flera förvärv av spelstudior), samt i molnet (Azure).

På senare tid har de gjort stora framsteg inom AI. Detta inkluderar konsument‑AI som Bing Image Creator och deras fördjupade partnerskap med OpenAI. Det inkluderar också mer affärsinriktade initiativ, som Copilot för Microsoft 365 och Microsoft Research. Copilot har nu utplaceras till detaljhandeln och mindre företag också.

Microsoft har byggt ett rykte som det företags‑centrerade teknikjätten, jämfört med mer konsument‑fokuserade företag som exempelvis Apple (AAPL ) eller Facebook. Med AI som blir allt viktigare i affärsmodeller bör Microsofts redan etablerade närvaro i moln‑ och företagslösningar ge dem ett försprång i att distribuera AI i skala och i kundförvärv.

Samarbetet/kvasi‑ägandet med AI‑utvecklingsledare som OpenAI kommer också att befästa Microsofts position som en AI‑kraftkälla.

2. NVIDIA

NVDA Prisdiagram

NVidia hade initialt en dominerande position på grafikkortsmarknaden (GPU), främst använd för högpresterande spel och 3D‑modellering. GPU:er kan köra beräkningar parallellt och skiljer sig i detta avseende från processorer (CPU).

Designen av deras hårdvara visade sig vara mycket väl lämpad för kryptovalutamining (särskilt Bitcoin), vilket skapade en stark tillväxtvåg för företaget.

Nu visar det sig att den är lika kraftfull för att träna AI, vilket gör NVIDIAs hårdvara till ryggraden i AI‑revolutionen.

NVidia utvecklar nu skräddarsydda beräkningssystem för olika AI‑tillämpningar, från självkörande bilar, till tal‑AI och konverserande AI, generativ AI, eller cybersäkerhet.

Det är sannolikt att Nvidia (NVDA ) inte är färdig med att hitta nya användningsområden för sin AI‑hårdvara, vilket visas av Microsoft‑forskning med PNNL. Till exempel utvecklar NVidia nu ett helt sortiment av lösningar för läkemedelsupptäckt, samt AI‑drivna medicinska enheter och AI‑assisterad medicinsk bildbehandling.

Källa: NVidia

Det är troligt att på mycket lång sikt kan konkurrenter till NVidia börja utmana företagets initiala försprång. Men för den överskådliga framtiden, med den explosion av efterfrågan på AI‑dedikerad beräkningskraft, kommer NVidia att förbli den främsta leverantören av alla nya AI‑träningsdatacenter som byggs.

3. CrowdStrike

CRWD Prisdiagram

Ju mer världen förlitar sig på AI och digitalisering, desto viktigare blir sammankopplad cybersäkerhet.

CrowdStrike (CRWD ) grundades med ett moln‑först‑tänk i cybersäkerhet. Företagets erbjudande täcker alla kategorier av cybersäkerhetshot, och bland deras kunder finns 15 av de 20 största amerikanska bankerna, 70 av Fortune‑100‑företagen och 556 av Global 2000.

CrowdStrikes tillväxt stöds av en snabbt expanderande total adresserbar marknad (TAM), som förväntas växa med 13 % CAGR de kommande två åren. Med ytterligare erbjudanden under utveckling förväntas företaget expandera sin TAM från nuvarande 76  miljarder dollar till 158  miljarder dollar år 2026.

Källa: CrowdStrike

En annan tillväxtfaktor för CrowdStrike är expansionen av affärer med befintliga kunder. När en kund börjar med åtminstone en cybersäkerhetsmodul, fortsätter de ofta att integrera fler moduler, med 62 % av kunderna som använder fem eller fler moduler och 23 % som använder sju eller fler moduler.

Denna dynamik skapar en miljö som låter CrowdStrike öka sina marginaler när ett förhållande har utvecklats tillräckligt länge, med en imponerande total bruttomarginal på 78 % år 2023.

Övergången till molnet pågår fortfarande för många stora företag. Detta skapar en stor möjlighet för en marknadsledare som CrowdStrike att hjälpa dem att överföra sin cybersäkerhetsstrategi till molnet också.

Företaget bör också se sin internationella verksamhet växa, med fortfarande tre fjärdedelar av Global 2000‑företagen som ännu inte har gått in i CrowdStrikes ekosystem.

Det moln‑först‑tänk som CrowdStrike har gjort det möjligt att snabbt ta marknadsandelar och har nu replikerats av alla stora cybersäkerhetsföretag. Så investerare bör uppmärksamma CrowdStrikes förmåga att behålla sitt försprång trots ökande motattacker från branschen.

4. Adobe

ADBE Prisdiagram

Vid första anblicken kan framväxten av generativ AI, särskilt bildgenerering, verka som ett hot mot ägaren av viktig grafikprogramvara som Photoshop, InDesign, After Effects, Lightroom eller Illustrator.

Det skulle vara att glömma att Adobe (ADBE ) har varit en pionjär i mjukvaruindustrin, som en av de första att gå över till en molnbaserad prenumerationsmodell, när branschpraxis var att sälja den senaste programvaruversionen för tusentals dollar.

Samma sak gäller för AI, med Adobe Firefly. Detta AI‑verktyg för bildgenerering integreras nu sömlöst med Adobes andra program, vilket låter dig skapa bilder från enkel text, generera en rik bild från en enkel 3D‑modell, eller till och med “generativ fyllning”, som expanderar en befintlig bild på ett fotorealistiskt sätt.

Källa: Adobe

Med AI som sänker den kompetensbarriär som krävs för att skapa logotyper, tidningar eller för att modifiera bilder, kommer erbjudandet och efterfrågan på originalinnehåll sannolikt att växa.

Genom att omfamna förändring och AI kommer Adobe sannolikt att behålla sin position som ledande mjukvarupaket för alla visuella kreativa verk, och till och med utöka sin räckvidd ytterligare.

5. Upstart

UPST Prisdiagram

Upstart (UPST ) är en lånemarknadsplats som drivs av AI, lanserad långt innan AI blev ett centrum för teknikdiskussioner 2023.

Upstarts process är mestadels automatiserad, med 87 % av beviljade lån som helt beslutas genom automatisering.

Idén bakom Upstart är att det befintliga kreditscore‑systemet är ineffektivt och föråldrat. Med mycket mer data tillgänglig är det möjligt att identifiera lånerisker bättre och därmed erbjuda billigare lån till en stor del av befolkningen.

Detta innebär att Upstarts metod kan identifiera personer med höga FICO‑poäng men som i praktiken har hög risk för att fallera på sina lån. Och omvänt är personer med låga FICO‑poäng inte så benägna att fallera.

Källa: Upstart

Den totala adresserbara marknaden är stor, med ett årligt värde på 4  biljoner dollar från personliga, bil-, bostads‑ och småföretagslån.

På grund av stigande räntor och minskad efterfrågan på lån har Upstart upplevt viss intäktsnedgång och förluster år 2023, tillsammans med resten av branschen.

Denna tillfälliga minskning i lånevolym har inte bromsat Upstarts expansion av sitt lånepartnernätverk, med 100 banker, upp från 71 året innan och endast 10 vid börsintroduktionen 2020, samt 61 återförsäljare, upp från 39 i början av 2023.

Investerare i Upstart måste hoppas att det växande nätverket är ett tydligt tecken på värdet av Upstarts teknik och dess potential att bli en stor ursprungare av lån på den amerikanska marknaden.

Kontinuerliga framsteg i AI‑beräkning kan också ge dem ett försprång på en mycket konkurrensutsatt lånevärderingsmarknad.