Investera i Nobelpristagarnas prestationer – Artificiella neurala nätverk, grunden för AI

Nobelpristagarnas historia

Nobelpriset är det mest prestigefyllda priset i den vetenskapliga världen. Det skapades enligt Alfred Nobels testamente för att ge ett pris “till dem som under det föregående året har gjort den största nyttan för mänskligheten” inom fysik, kemi, fysiologi eller medicin, litteratur och fred.

Ett sjätte pris skapades senare för ekonomiska vetenskaper av Sveriges riksbank, officiellt kallat Priset i ekonomiska vetenskaper, ofta bättre känt som Nobelpriset i ekonomi.

Beslutet om vem som ska tilldelas priset fattas av flera svenska akademiska institutioner.

Arvfrågor

Beslutet att skapa Nobelpriset kom till Alfred Nobel efter att han läste sin egen dödsannons, efter ett misstag av en fransk tidning som missförstod nyheten om hans brors död. Titeln “Dödsfärdens köpmän är död” kritiserade Nobel för hans uppfinning av rökfria sprängämnen, där dynamiten var den mest kända.

Hans uppfinningar hade stor inverkan på modern krigföring, och Nobel köpte ett massivt järn‑ och stålföretag för att göra det till en stor vapentillverkare. Eftersom han först var kemist, ingenjör och uppfinnare insåg Nobel att han inte ville bli ihågkommen som en man som tjänade en förmögenhet på krig och andras död.

Nobelpriset

Idag förvaras Nobels förmögenhet i en fond som investeras för att generera intäkter till att finansiera Nobelstiftelsen samt den guldbelagda gröna medaljen, diplom och penningpriset på 11 miljoner SEK (ungefär 1 miljon USD) som tilldelas vinnarna.

Källa: Britannica

Ofta delas Nobelprispengarna mellan flera vinnare, särskilt inom vetenskapliga områden där det är vanligt att 2 eller 3 ledande personer bidrar tillsammans eller parallellt till ett banbrytande upptäckt.

Nobelpriset inom datavetenskap?

Vanligtvis tillskrivs Nobelpriset i fysik upptäckter om universums grundläggande natur, som svarta hål (2020) eller exoplaneter (2019). Det kan också vinnas för viktiga framsteg inom materialvetenskap, som kvantprickar (2023), laser (2018) eller LED‑lampor (2014).

Men årets vinnare är lite mer okonventionella, med fokus på dataanalys. Mer exakt tillskrevs priset Geoffrey Hinton och John Hopfield för deras bidrag till att skapa artificiella neurala nätverk.

Källa: Nobelpriset

Detta är ett mycket aktuellt Nobelpris, där neurala nätverk är kärnteknologin bakom de flesta av de senaste årens framsteg inom AI, inklusive stora språkmodeller, men också maskinseende (inklusive för självkörande fordon) och tekniska AI‑system som används i nya läkemedelsupptäckter, materialvetenskap med mera.

Vad är neurala nätverk?

Chips kontra neuroner

När datorer uppfanns växte snabbt hoppet att de skulle kunna utvecklas till mänskliga intellektuella förmågor. Men i praktiken, medan datorer blev allt mer imponerande på beräkningar och sedan bildgenerering, förblev de “dumma” när det gällde verklig resonemangsförmåga.

Till stor del beror detta på att en datorkrets är mycket annorlunda än de neuroner som bildar hjärnan. Medan en kiselchip kan utföra miljontals binära beräkningar (0 eller 1) mycket snabbt, är neuroner mer som en analog signal, med stor komplexitet och “brus” i signalen.

Alltså kräver datorer exakt programmering för att utföra en beräkning; de kan inte riktigt “lära” sig något utan följer bara kodade instruktioner till punkt och pricka.

Neurala nätverk är annorlunda. De kan tackla problem som är för vaga och komplicerade för att hanteras med steg‑för‑steg‑instruktioner. Ett exempel är att tolka en bild för att identifiera objekten i den, något som datorer är notoriskt dåliga på, därav “Är du människa?”‑testet på vissa webbplatser.

Källa: Google

Hur neuroner fungerar

Neuroner följer i de flesta fall inte en strikt förutbestämd programmering. Istället fungerar de genom en återkopplingsslinga av förstärkta anslutningsmönster.

Det fungerar så att neuroner stärker kopplingen till andra neuroner när de arbetar tillsammans. Detta skapade idén att simulera hur neuroner fungerar i en dator, med flera sammankopplade noder.

Anslutningarna mellan dessa noder kan göras starkare eller svagare, vilket bildar en process som kallas “träning”, som fortfarande idag är kärnan i att skapa de senaste AI‑erna.

Källa: Nobelpriset

Idén verkade lovande, men under en period såg den nödvändiga beräkningskraften alltför hög ut, särskilt för de relativt primitiva datorerna på 1960‑ och 1970‑talen.

Hur mänskligt minne fungerar

När vi kommer ihåg eller känner igen något utför vi inte en matematiskt perfekt beräkning av varje pixels färg i en bild. Istället itererar vi från partiella data, försöker skapa en association till något vi redan känner till och identifierar ett igenkännbart mönster.

Fysikern John Hopfield uppfann 1982 Hopfield‑nätverket, en metod för att lagra och återskapa mönster.

Starta med fysik

Han började med att märka att kollektiva egenskaper i många fysiska system är robusta mot förändringar i modellens detaljer. Speciellt magnetiska material får sina speciella egenskaper tack vare atomernas spinn – en egenskap som gör varje atom till en liten magnet.

Egenskapen hos det större materialet kom från att varje atoms spinn påverkade de omkringliggande, vilket ledde till att alla spinn slutligen pekade i samma riktning. Hans modell beskriver fenomenet med olika noder som påverkar varandra.

På samma sätt kan en bild registreras som ett rutnät av noder, var och en med värdet 0 eller 1 (svart eller vit).

Om du jämför en förvrängd bild med detta ursprungliga rutnät kan du beräkna hur mycket varje nod i den förvrängda bilden skiljer sig. Men genom att “trycka” den förvrängda noden närmare en meningsfull position, likt en sluttning i ett förutbestämt landskap, kan du ofta återskapa originalbilden trots förvrängningarna.

Så Hopfield hade skapat ett primitivt, men funktionellt för felkorrigering eller mönsterkomplettering, något som datorer normalt är oförmögna att göra eftersom de är låsta i sin strikta programmering.

Källa: Nobelpriset

Med tillräcklig beräkningskraft kan varje nod lagra vilket värde som helst, inte bara svart och vitt. Till exempel kan det vara ett tal som speglar en exakt färg, på samma sätt som digitala bilder skapas.

Det kan också spegla alla typer av data, inte bara bilder, och skapa en funktionell modell för ett artificiellt associativt minne.

Använda association för förståelse

Till och med enkla djur eller små barn kan prestera extraordinärt bättre än avancerade datorer i mönsterigenkänning, som att identifiera vilken bild som innehåller en hund, en katt eller en ekorre. Detta sker utan någon högre förståelse av begrepp som djur, däggdjur eller arter.

Och kanske viktigare, det kan uppnås med mycket begränsad initial data och erfarenhet, utan ett katalog av miljarder bilder av dessa djur som täcker varje möjlig hållning, färg, form eller utseende.

Analog istället för binär

Eftersom noderna kan innehålla vilken som helst data, kan de användas för kontinuerlig data, som fenomen över tid.

Det möjliggör också effektiv beräkning av interaktioner mellan komplexa system, där svaret på ett stimulus är mer statistiskt än ett binärt ja/nej. Detta sparar både energiförbrukning och beräkningskraft jämfört med traditionell databehandling för denna typ av problem.

Och genom att lägga till fler noder kan mer komplexitet successivt läggas till modellerna.

Boltzmann‑maskinen

Geoffrey Hinton, tillsammans med Terrence Sejnowski och andra medarbetare, arbetade med att förbättra och utvidga Hopfield‑modellens koncept.

Hinton använde idéer från statistisk fysik, ett område som beskriver system med många element som gaser eller vätskor. Eftersom de enskilda komponenterna är så många är det enda sättet att modellera deras beteende att använda statistiska förväntningar snarare än en “hård fysik”-beräkning för varje molekyls temperatur, position, hastighet osv.

För att lägga till sådan kapacitet till Hopfield‑modellen lade han till ett extra “dolt” lager av noder mellan det synliga lagret som tidigare utförde beräkningarna ensam. Även om de är osynliga bidrar de dolda noderna till energinivåerna hos de andra noderna och systemet som helhet.

Källa: Nobelpriset

De kallade detta koncept för Boltzmann‑maskinen, till ära av Ludwig Boltzmann, en fysiker från 1800‑talet som utvecklade statistisk mekanik, grunden för statistisk fysik.

Källa: Wikipedia

Restricted Boltzmann Machine

I sin ursprungliga design var Boltzmann‑maskinen för komplex för att vara praktiskt användbar. En förenklad version utvecklades, där det inte finns några anslutningar mellan noder på samma lager.

Källa: Nobelpriset

Detta gjorde maskinen mycket mer effektiv, samtidigt som den fortfarande kunde utföra komplex mönsterigenkänning.

En ytterligare förbättring var processen med “för‑träning” av det neurala nätverket, med en serie Boltzmann‑maskiner i lager, ett ovanpå det andra.

Det förbättrade startpunkten för det neurala nätverket och ökade dess förmåga att känna igen mönster.

Påverkan på moderna neurala nätverk

Både Hopfield och Hinton har byggt de grundläggande idéerna bakom neurala nätverk, samt matematiken och verktygen för att utnyttja dem.

Det skulle dock dröja till 2010‑talen innan beräkningskraften vuxit tillräckligt för att neurala nätverk skulle bli stora i den allmänna medvetenheten.

Eftersom den moderna versionen av Boltzmann‑maskinen använder så många sammankopplade lager, kallas de “djupa” neurala nätverk. För att ge ett perspektiv på fältets utveckling använde Hopfield en 30‑nodsmodell i sin publikation 1982, vilket ger 435 möjliga anslutningar. Detta ledde till omkring 500 parametrar att hålla reda på.

På den tiden kunde datorer inte hantera en preliminär 100‑nodsmodell. Idag använder stora språkmodeller (LLM), grunden för verktyg som ChatGPT, en biljon parametrar och deras beräkningsbehov ökar ständigt.

Tillämpningar

Fundamental fysik

Precis som många andra Nobelpriser i fysik är neurala nätverk en upptäckt som driver andra nya upptäckter.

Till exempel har de använts för att sålla igenom och bearbeta de enorma mängder data som behövs för att upptäcka Higgs‑partikeln (Peter Higgs tilldelades Nobelpriset i fysik 2013). De har också använts av andra Nobelpristagare, exempelvis vid mätningar av gravitationsvågor från kolliderande svarta hål eller sökandet efter exoplaneter.

Tillämpad fysik

Verkliga material och fenomen är ofta för komplexa för att modelleras enbart med orsak‑→‑verkan‑modeller på individuell partikelnivå.

Jämfört med detta tillåter neurala nätverk baserade på statistisk fysik dem att vara mycket mer flexibla, och antingen ge rätt svar direkt eller “peka” forskare i rätt riktning.

Detta används nu rutinmässigt av ledande forskningsinstitut för exempelvis att beräkna proteiners struktur och funktion, eller att räkna ut vilka nya materialversioner som har de bästa egenskaperna för mer effektiva solceller eller batterier.

Stora språkmodeller (LLM)

Naturligtvis skulle ingen diskussion om neurala nätverkstillämpningar vara komplett utan att nämna LLM, kärnan i AI‑febern de senaste åren sedan lanseringen av ChatGPT 2022.

Till stor del beror detta på att mänsklig språkproduktion, att “kännas” som en riktig person, länge betraktades som testet för att avgöra om en AI är verkligt intelligent (Turingtestet).

LLM:s egentliga intelligens är hett debatterad, från AI‑entusiasters (eller domedagsprofeters) förväntningar om sann intelligens och teknologisk singularitet till att se dem som ett rent trick som inte levererar användbara resultat.

Trots detta har de ett brett spektrum av tillämpningar, särskilt där de kan utföra billiga uppgifter som tidigare krävde mycket dyrare mänsklig arbetskraft. Detta gäller särskilt verbala uppgifter, såsom:

• Chatbotar och kundservice.
• Kodutveckling och verifiering.
• Översättning och lokalisering.
• Marknadsundersökningar.
• Sökning och svar på frågor.
• Analys av stora dokument och dataset.
• Utbildning

Intill LLM:s kan bildgenerering också skapa ett helt nytt flöde av bilder i vår digitala era, både för nyttiga och potentiellt skadliga ändamål (desinformation, utpressning osv.).

Maskin‑ och datorsyn

Som den ursprungliga tillämpningen av neurala nätverk tillbaka till Hopfield är det logiskt att bildigenkänning nu är en kärnpotential för neurala nätverk.

Ibland används maskinsyn för att beskriva begränsad identifiering i en mer kontrollerad industriell miljö, medan datorsyn strävar efter en mer mänsklig syn.

Källa: Solomon

Självkörande

Ett stort delsegment av detta område är självkörande fordon, eftersom mänskliga förare använder sin visuella mönsterigenkänning för att säkert styra sina flera ton‑tunga fordon.

För närvarande förlitar sig de flesta självkörande system på en blandning av kameror och andra sensorer för att vara säkra (såsom radar och LIDAR), med undantag för Tesla som fokuserar uteslutande på mänsklig‑lik maskinsyn (tack vare ett mycket större dataset som tillhandahålls av Teslas fordonsflotta).

Tillräcklig träningsdata, manuell annotering av miljontals komplexa verkliga situationer och även specialiserad hårdvara som minskar energiförbrukning och snabbar upp reaktionstider kommer sannolikt att bli vinnande kombination för det första företaget som vinner den biljon‑dollar‑priset för att utveckla den första verkliga nivå‑5‑fullautomatiserade körningen.

Medicinsk

Många diagnostiska metoder inom medicin beror inte på laboratorietester utan på manuell tolkning av en utbildad specialist av bilder från röntgen, MR, skannrar med mera.

Det kan ta år för en expert att bli riktigt skicklig på denna uppgift, vilket är lika mycket konst som vetenskap. Istället kan AI billigare och konsekvent analysera miljontals medicinska bilder med förutsägbara resultat.

Det kan även användas för att diagnostisera tillstånd som tidigare ansågs omöjliga att upptäcka med skanningar, som ADHD.

Och kanske mindre uppenbart, AI med neurala nätverk kan också assistera kirurger, som det franska Pixee Medical, som möjliggör 3D‑spårning med en smartphone eller smarta glasögon för ortopedisk kirurgi.

AI kan också automatisera den kritiska proceduren att registrera operationen, särskilt för repetitiva och felbenägna uppgifter. Eftersom kirurger glömmer instrument i patienten i cirka 1500 operationer per år i USA, kan datorsyn lika väl hjälpa till att eliminera detta problem helt genom att automatiskt hålla reda på allt som används under operationen.

Bioresearch

Från läkemedelsupptäckt till förutsägelse av proteinveckning är neurala nätverk kraftfulla verktyg för forskare inom medicin och biologi.

Redan nu revolutionerar de hur nya terapier utvecklas, som vi diskuterade i “Topp 5 AI‑ & Digital Biotech‑företag“. Det kan också bidra till mer konsekventa data, vilket ofta är ett problem inom biovetenskaper där många data fortfarande skapas manuellt, som att räkna blodceller.

Detta kan lösas med AI‑maskinsyn, med produkter som Shonit från Sigtuple som nu kan leverera pålitliga och standardiserade räkningsresultat för alla typer av blodceller.

Källa: Sigtuple

Industri & produktion

Från kvalitetskontroll & komponentinspektion till helt automatiserad montering kan maskin‑/datorsyn göra produktionslinjen mer flexibel och reagerande på förändringar i produktionsprocessen.

Det kan både minska kostnader genom att minska behovet av mänsklig insats samt förbättra kvalitet och produktionshastighet.

Robotics

När robotar har lämnat fabriksgolvet för att interagera med mer komplexa vardagsmiljöer måste de snabbt förbättra sina mönsterigenkänningsförmågor.

Från robothundar till leveransrobotar, och kanske snart humanoida personliga assistenter, sammanfogas robotar i allt högre grad med AI via neurala nätverk för att hjälpa oss i dagliga uppgifter.

Jordbruk

Jordbruksrobotar använder i allt högre grad maskinsyn för att identifiera ogräs eller mogna frukter och ersätta tråkigt manuellt arbete eller destruktiva storskaliga maskinverktyg.

Detta kan påverka mer än bara jordbruk och våra livsmedelssystem, utan även ekologisk återställning, med starka effekter på jordhälsa, framväxten av nya jordbrukspraxis och kanske bättre verktyg för återplantering och hantering av invasiva arter.

Militärt

Trots att detta väcker komplexa etiska frågor är det en historisk regel att ny teknik också undersöks för dess potentiella militära fördelar.

Och eftersom en nation alltid kommer att ligga i framkant, måste de andra hålla jämna steg.

AI används redan för att identifiera mål och analysera data på slagfältet, inklusive i pågående verkliga krig som Ukraina och Gaza, något vi diskuterade i “Topp 10‑drönare och drönar‑krigsförings‑aktier“.

Under de mest oroande senaste utvecklingarna kan vi nämna utvecklingen av den senaste versionen av den ryska Lancet, en självmords‑drönare/missil som använder AI‑maskinsyn för att identifiera och rikta in sig på fiendens fordon i den sista delen av sin bana.

Att ge dödsbeslutet till ett automatiserat system är ett uppenbart mycket farligt steg, som verkligen känns som materialet i en science‑fiction‑film precis innan ett AI‑uppror mot mänskligheten.

Så vi kan bara hoppas att militära styrkor globalt kommer att nå en förståelse för vilken teknik som får användas eller inte, på samma sätt som kärnvapen hanteras.

Risker med neurala nätverk

Det är värt att nämna att Geoffrey Hinton, som vann årets Nobelpris också är mycket bekymrad över den snabba utvecklingen inom AI‑teknik.

Efter Turingpriset 2018 och Nobelpriset 2024 är det sannolikt att hans varning kommer att höras ännu tydligare än tidigare.

“Jag har plötsligt ändrat mina åsikter om huruvida dessa saker kommer att bli mer intelligenta än oss.

Jag tror att de nu är mycket nära och att de i framtiden kommer att vara mycket mer intelligenta än oss. Hur överlever vi det?”

Geoffrey Hinton

Kommer vår AI‑entusiasm att fördärva oss till en framtid som i Matrix‑ eller Terminator‑filmerna? Kanske inte, men eftersom ultrakomplexa neurala nätverk i princip är en svart låda förstår deras skapare inte fullt ut att etiska och säkerhetsregler sannolikt behövs innan en felaktig AI orsakar oåterkallelig skada.

Investera i neurala nätverk

Neurala nätverk blir nu nästan synonymt med AI‑teknik i stort, eftersom en växande sammansmältning av discipliner sker inom sektorn.

Eftersom neurala nätverk kräver stora dataset för för‑träning och träning tenderar de för närvarande att vara domänen för mycket stora teknikföretag eller välfinansierade startup‑företag.

Du kan investera i AI‑relaterade företag via många mäklare, och du kan här, på securities.io, hitta våra rekommendationer för de bästa mäklarna i USA, Kanada, Australien och Storbritannien, såväl som i många andra länder.

Om du inte är intresserad av att plocka specifika AI‑relaterade företag kan du också titta 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) som ger en mer diversifierad exponering för att kapitalisera på AI.

Företag med neurala nätverk

1. Microsoft

Microsoft har varit i centrum av teknikindustrin nästan sedan starten med sitt fortfarande dominerande operativsystem Windows.

(MSFT )

Det är nu också en ledare inom företagsprogramvara (Office365, Teams, LinkedIn, Skype, GitHub), spel (Xbox och flera förvärv av spelstudior), och i molnet (Azure).

På senare tid har de gjort stora framsteg inom AI. Detta inkluderar konsument‑AI som Bing Image Creator och mer affärsinriktade initiativ, som Copilot för Microsoft 365 samt Microsoft Research. Copilot har nu rullats ut till detaljhandeln och mindre företag också.

Källa: Constellation Research

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

Samarbetet/kvasi‑ägandet med AI‑utvecklingsledare som OpenAI (bakom ChatGPT) kommer också cementera Microsofts position som AI‑kraftverk.

2. NVIDIA

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

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

Nu verkar den vara 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‑er, generativa AI‑er, eller cybersäkerhet.

Det är troligt att Nvidia ännu inte har hittat nya användningsfall för sin AI‑hårdvara, vilket visas av Microsofts forskning med PNNL. Till exempel utvecklar NVidia nu ett helt sortiment av lösningar för läkemedelsupptäckt, samt AI‑drivna medicintekniska produkter och AI‑assisterad medicinsk bildbehandling.

Källa: NVidia

Det är sannolikt att på mycket lång sikt kan konkurrenter till NVidia börja utmana företagets initiala försprång på allvar.

Men för den överskådliga framtiden, med tanke på den explosion i efterfrågan på AI‑dedikerad beräkningskraft, kommer NVidia förbli den främsta leverantören av alla nya AI‑tränings‑datacenter som byggs.

Och om AI är en ny teknologisk guldrusch är investeringsvisdomen att föredra säljare av hackor och spadar snarare än att satsa på att hitta guld.

I AI‑ruschen är verktygen för närvarande NVidia AI‑chips.