Pinakabagong Tagumpay ng AI: Ano ang Bago at Ano ang Susunod?

Ang artificial intelligence (AI) ay patuloy na lumalago ang kahalagahan, dahil sa mataas nitong potensyal na baguhin ang mga industriya.

Ang pagsasagaw ng katalinuhan ng tao sa mga makina ay nagdudulot ng mga benepisyo tulad ng pagtaas ng kahusayan at produktibidad, pinahusay na katumpakan at paggawa ng desisyon, mga bagong oportunidad sa trabaho, at pinahusay na karanasan ng customer.

Bilang resulta, ang AI ay naging pangunahing tagapagpasigla ng paglago ng korporasyon, kung saan higit sa 70% ng mga negosyo ang gumagamit nito. Ipinapakita ng mga pagtatantiya na ang pandaigdigang merkado ng AI ay maaaring umabot sa trilyon sa taong 2030, dulot ng pagtaas ng pamumuhunan at mga teknolohikal na pag-unlad.

Sa taong ito lamang, nakita natin ang malalaking pag-unlad: Inilunsad ng OpenAI ang isang malalim na research agent na may higit sa 25% na antas ng katumpakan sa benchmark na Humanity’s Last Exam; Naglabas ang DeepSeek ng DeepSeek‑R1, na gumagamit ng chain‑of‑thought reasoning; Inilunsad ng Baidu ang Ernie X1 at Ernie 4.5; at ipinakilala ng Stability AI ang bagong modelo, Stable Virtual Camera, na nagpapahintulot sa mga larawan na gawing 3D na eksena.

Samantala, nakikipagtulungan ang Google sa MediaTek ng Taiwan upang paunlarin ang susunod na henerasyon ng Tensor Processing Units (TPUs) upang mabawasan ang gastos sa produksyon at ang pag-asa sa mga kasalukuyang kasosyo. Kasabay nito, isang konsorsyum na binubuo ng OpenAI, Oracle (ORCL ), SoftBank, at MGX ang inanunsyo ang The Stargate Project kasama ang pamahalaan ng US.

Noong nakaraang linggo, inanunsyo ng Nvidia (NVDA ) ang bagong hanay ng “AI personal supercomputers” na pinapagana ng Grace Blackwell chip platform. Ipinakilala ni CEO Jensen Huang ang DGX Spark at DGX Station sa GTC 2025 upang payagan ang mga gumagamit na mag‑prototype, mag‑fine‑tune, at magpatakbo ng mga AI model ng iba’t ibang laki sa edge.

Kaya, tingnan natin ang ilan sa mga pinakabagong pangunahing tagumpay na naabot ng mga mananaliksik sa pamamagitan ng AI sa iba’t ibang sektor.

I‑click dito upang malaman kung ang AI ay puro hype lamang o may substansya sa paglago nito.

AI Solving Its Own Learning Challenges

Hindi lamang naglilipat ang AI sa ibang mga sektor, kundi tumutulong pa ito sa sarili nito sa pamamagitan ng pagpapahintulot sa pag‑develop ng mas sopistikadong mga sistema ng AI sa pamamagitan ng mga pag‑unlad sa data analysis, machine learning, at automation, na nagreresulta sa mas mabilis na pagproseso, mas tumpak na prediksyon, at mas mahusay na paggawa ng desisyon. 

Sa buwang ito, nagpakilala ang mga mananaliksik ng mga bagong memristive component na mas matibay, maaaring gumana sa parehong analog at digital na mode, at tumatakbo sa mas malawak na saklaw ng boltahe.

Ang mga katangiang ito ay makakatulong upang tugunan ang tinatawag na “catastrophic forgetting,” na nangyayari kapag nakakalimutan ng mga artificial neural network ang mga naunang natutunan. Karaniwang nangyayari ito kapag ang mga deep neural networks (DNNs), na dinisenyo upang tularan ang utak ng tao, ay sinanay para sa isang bagong gawain, at ang bagong optimization ay sumasapaw sa dati nang natutunan.

Hindi nagkakaroon ng ganitong problema ang ating utak, dahil sa kakayahan nitong ayusin ang antas ng pagbabago sa synapse. Gayundin, pinaniniwalaan na ang iba’t ibang antas ng plasticity ay nagbibigay-daan sa ating utak na permanenteng matuto ng mga bagong bagay nang hindi nakakalimutan ang mga luma. Nakamit ng mga mananaliksik ang katulad na bagay gamit ang kanilang bagong memristor.

Ang mga memristor ay kumikilos na halos katulad ng mga selula ng utak at kumukonsumo ng napakakaunting enerhiya. Bilang isang uri ng resistance‑switching memory device, maaaring baguhin ng mga memristor ang kanilang resistansya batay sa inilapat na boltahe. Kahit na patayin na ang boltahe, nananatili ang kanilang resistansya dahil sa kakayahang mag‑undergo ng structural changes.

Ayon kay Ilia Valov mula sa Peter Grünberg Institute (PGI‑7) sa Forschungszentrum Jülich, na pinamunuan ang pananaliksik:

“Ang mga memristive element ay itinuturing na perpektong kandidato para sa mga learning‑capable, neuro‑inspired na computer component na ginawang batay sa utak.”

Bagaman malaki na ang progreso, ang komersyalisasyon ng mga component ay nangyayari nang mas mabagal dahil sa mataas na failure rate sa produksyon, maikling lifespan ng produkto, at pagiging sensitibo sa mekanikal na impluwensya na maaaring magdulot ng malfunction habang ginagamit.

Ito ay nangangailangan ng pananaliksik upang mas mapabuti ang kontrol sa nanoscale processes pati na rin sa mga bagong materyales at switching mechanisms upang mabawasan ang komplikasyon ng mga sistema at mapalawak ang kanilang hanay ng mga functionality, ayon kay Valov.

Para sa layuning ito, nagsanib‑pwersa ang mga siyentistang Aleman at Tsino at “natuklasan ang isang ganap na bagong electrochemical memristive mechanism na mas kemikal at elektrikal na matatag” na magpapalawak sa hangganan ng mga aplikasyon sa neuroscience.

I‑click dito upang malaman kung paano magpapauna ang AI‑enabled brain chips sa susunod na hakbang ng ebolusyon ng sangkatauhan.

Memristor Breakthrough for AI’s Continual Learning

Nailathala sa journal Nature Communications¹, tinukoy ng pag-aaral ang dalawang pangunahing mekanismo para sa pag‑function ng bipolar memristors:

1. Electrochemical Metallization (ECM)
2. Valence Change Mechanism (VCM)

Ang ECM memristors ay bumubuo ng metallic filament sa pagitan ng dalawang electrode. Ang maliit na “conductive bridge” na ito ay nagbabago ng electrical resistance at natutunaw kapag binabaliktad ang boltahe. Bagaman nagbibigay ito ng mababang switching voltage at mabilis na switching time, ang mga estado na nalikha ay variable at panandalian.

Ang VCM memristors ay nagbabago ng resistansya sa pamamagitan ng paggalaw ng mga oxygen ion sa interface sa pagitan ng electrode at electrolyte sa pamamagitan ng pagbabago ng Schottky barrier. Bagaman mas matatag, nangangailangan ito ng mataas na switching voltage.

Sa bawat proseso na may kanya‑kanyang mga kalamangan at kahinaan, dinisenyo ng koponan ang isang memristor sa pamamagitan ng pagsasama ng mga benepisyo ng parehong uri, na dati ay itinuturing na imposibleng gawin.

Kaya, ang bagong memristor ay gumagamit ng filament na gawa sa metal oxides (sa halip na ganap na metal tulad ng ECM), na nabubuo sa paggalaw ng mga ion ng oxygen at tantalum. Ito ay napakatatag at hindi ganap na natutunaw.

“Maaari mo itong isipin bilang isang filament na palaging umiiral sa ilang antas at kemikal lamang ang binabago.”

– Valov

Ang bagong, matibay na switching mechanism ay tinatawag na filament conductivity modification mechanism (FCM). Ang mga component na batay sa mekanismong ito ay mas matibay sa mataas na temperatura, nangangailangan ng mas mababang boltahe upang mabuo, may mas malawak na voltage window, at mas kemikal at elektrikal na matatag. Mas mahaba rin ang kanilang lifespan dahil mas kaunting component ang nasusunog sa produksyon, na nagreresulta sa mas mababang rejection rate.

Ang iba’t ibang oxidation state ay nagbibigay-daan din sa memristor na gumana sa parehong binary at analog mode, na makakatulong upang malampasan ang problemang “catastrophic forgetting.”

Ipinaliwanag ni Valov na ang “unique properties” ng bagong two‑terminal ohmic memristor ay “pinapayagan ang paggamit ng iba’t ibang switching mode upang kontrolin ang modulation ng memristor sa paraang hindi nawawala ang naka‑store na impormasyon.”

Na‑implement na ng mga mananaliksik ang bagong memristive component sa isang artificial neural network model sa simulation, na nakamit ang mataas na pattern recognition accuracy sa maraming image dataset.

Ngayon, susuriin ng koponan ang iba pang materyales na maaaring mas maganda at mas matatag pa. Kumpiyansa si Valov na ang kanilang “resulta ay higit pang magpapaunlad sa pag‑develop ng electronics para sa ‘computation‑in‑memory’ applications.”

Ngayon, isa sa mga nangungunang kumpanya sa larangan ng AI ay ang Microsoft (MSFT ), na nag‑invest ng $12 bilyon sa ChatGPT maker na OpenAI at nag‑aalok ng mga AI product tulad ng Copilot, Azure AI Studio, at mga AI‑powered tool sa Microsoft 365, Dynamics 365, at Power Platform. Ang tech giant na may market cap na $2.9 trilyon ay kasalukuyang nagte‑trade sa $394.58, bumaba ng 7.17% YTD. Para sa quarter na nagtapos noong Disyembre 31, 2024, ito ay nag‑report ng 12% pagtaas sa revenue na umabot sa $69.6 bilyon at diluted EPS na $3.23.

Ayon kay Microsoft CEO Satya Nadella:

“Inobasyon kami sa buong tech stack at tinutulungan ang mga customer na i‑unlock ang buong ROI ng AI upang samantalahin ang napakalaking oportunidad sa hinaharap. Sa kasalukuyan, ang aming AI business ay lumampas na sa annual revenue run rate na $13 bilyon, tumaas ng 175% taon‑taon.”

Latest on Microsoft

AI In Healthcare, Improving Parkinson’s Diagnosis

Sa sektor ng healthcare, tumutulong ang AI na bawasan ang gastos at makamit ang mas magagandang resulta para sa pasyente sa pamamagitan ng pagpapabuti ng diagnostics, paggamot, at pangangalaga sa pasyente gamit ang disease detection, personalized medicine, at pinahusay na kahusayan sa mga administratibong gawain.

Ngayon, tutulong ang AI sa mga clinician na mas mabilis at mas tumpak na ma‑diagnose ang Parkinson’s disease at mga kaugnay na kondisyon.

Sa kasalukuyan, ang diagnosis ng Parkinson’s disease ay nasa pagitan ng 55% at 78% sa loob ng unang limang taon ng pagsusuri, bahagi nito ay dahil sa mga kapatid na movement disorder na may pagkakahawig, na nagpapahirap sa tiyak na diagnosis sa simula.

Gayunpaman, isang bagong AI model na binuo ng mga mananaliksik sa University of Florida at UF Health Norman Fixel Institute for Neurological Diseases ay may precision rate na lampas sa 96%.

Ayon sa pag-aaral, ang paggamit ng imaging‑based approach upang i‑diagnose at i‑differentiate ang Parkinson’s disease (PD), progressive supranuclear palsy (PSP), at multiple system atrophy (MSA) Parkinsonian variants ay partikular na hamon. Subalit, kamakailang datos ay nagpakita na posible ito gamit ang diffusion‑weighted MRI na sinamahan ng disease‑specific machine learning (ML) algorithms.

Ang pag-aaral, na pinondohan ng National Institutes of Health at na nailathala sa JAMA Neurology², ay nagdetalye ng Automated Imaging Differentiation for Parkinsonism (AIDP), isang automated MRI processing at ML software na tampok ang noninvasive biomarker technique.

Ayon kay David Vaillancourt, propesor sa UF Department of Applied Physiology and Kinesiology, hindi sila nagkikipag‑communicate sa isa’t isa dahil sa kompetisyon sa merkado at gumagamit ng kanilang sariling software at sequences.

Kaya, “nag‑develop kami ng bagong software na gumagana sa lahat ng ito.” Ang tool ay makakatulong sa mga doktor na mapataas ang diagnostic efficacy sa pagitan ng iba’t ibang disorder, ayon kay Vaillancourt.

Habang tumutulong ang diffusion‑weighted MRI sa AIDP na tukuyin kung saan nagaganap ang neurodegeneration sa pamamagitan ng pagsukat kung paano kumikilos ang mga water molecule sa utak, sinusuri ng algorithm ang brain scan upang magbigay ng resulta.

Ang algorithm ay masusing sinubukan laban sa mga diagnosis sa klinika at isinagawa sa 21 na site, kabilang ang dalawa sa Canada at 19 sa US.

“Ito ay isang halimbawa kung saan napatunayan na ang inobasyon sa pagitan ng teknolohiya at artificial intelligence ay nagpa‑angat ng diagnostic precision, na nagbibigay sa atin ng pagkakataon na higit pang mapabuti ang paggamot para sa mga pasyenteng may Parkinson’s disease.”

– Michael Okun, M.D., director ng Norman Fixel Institute for Neurological Diseases sa UF Health.

Ngayon, ang mga mananaliksik ay naglalayong makakuha ng pag‑aprobahan mula sa US Food and Drug Administration (FDA).

Using AI to Predict Cardiovascular Risk through Mammograms

Isa pang deep learning model ang nagpakita ng potensyal sa pag‑predict ng cardiovascular risk batay sa mga larawan ng mammogram, isang mahalagang tool sa cancer screening. Ang pag-aaral na ito ay inilahad sa American College of Cardiology’s (ACC) Annual Scientific Session at pinagsasama ang kapangyarihan ng AI sa mammograms upang suriin ang calcium buildup sa mga arterya sa loob ng breast tissue.

Ang calcium buildup sa mga daluyan ng dugo ay senyales ng cardiovascular damage na kaugnay ng pagtanda o maagang yugto ng sakit sa puso. Ayon sa mga nakaraang pag-aaral, ang kababaihan na may calcium buildup sa mga arterya ay may 51% na mas mataas na panganib ng sakit sa puso at stroke.

Bagaman isa ito sa nangungunang sanhi ng kamatayan sa US, ang mga sakit sa puso sa kababaihan ay madalas na hindi napapansin, na maaaring mabago ng mga AI‑powered na tool sa mammogram screening na mas pinapakinabangan ang mga pagsusuri na regular na ginagawa ng maraming kababaihan.

Sa US, humigit‑kumulang 40 milyong mammogram ang isinasagawa bawat taon. Ang mga X‑ray na ito ay ginagamit upang mag‑screen para sa breast cancer. Habang ipinapakita ng mga larawan ang breast artery calcifications, ang impormasyong ito ay hindi ini‑report sa mga pasyente o kanilang mga clinician.

Gumamit ang bagong pag‑aral ng AI image analysis technique na hindi pa nagamit dati sa mammograms upang ipakita na ang teknolohiya ay makakatulong punan ang puwang na ito sa pamamagitan ng awtomatikong pagtatasa ng calcification at pagbibigay ng cardiovascular risk rating. Ayon sa lead author ng pag‑aral, si Theo Dapamede, MD, PhD, at post‑doc fellow sa Emory University sa Atlanta:

“Nakikita namin ang pagkakataon para sa mga kababaihan na ma‑screen para sa kanser at kasabay nito ay magkaroon ng cardiovascular screen mula sa kanilang mga mammogram. Ipinakita ng aming pag‑aral na ang breast arterial calcification ay magandang predictor para sa cardiovascular disease, lalo na sa mga pasyenteng mas bata sa edad na 60. Kung ma‑screen at matukoy natin ang mga pasyenteng ito nang maaga, maaari natin silang i‑refer sa cardiologist para sa karagdagang risk assessment.”

Upang buuin ang tool, sinanay ng mga mananaliksik ang isang AI model upang i‑segment ang mga calcified vessels sa mga larawan ng mammogram. Ang model ay pagkatapos gumagamit ng mga maliwanag na pixel upang kalkulahin ang panganib ng cardiovascular events sa hinaharap batay sa datos ng mahigit 56,000 pasyente. 

“Ang mga pag‑unlad sa deep learning at AI ay nagpadali nang malaki ang pag‑extract at paggamit ng karagdagang impormasyon mula sa mga larawan upang magsagawa ng opportunistic screening.”

– Dapamede

Ipinakita ng mga resulta ng pag‑aral na mahusay ang bagong model sa pagtukoy ng cardiovascular risk ng mga pasyente sa mababa, katamtaman, o mataas na panganib batay sa mga larawan ng mammogram.

Ayon sa kanila, tumataas ang rate ng malalang cardiovascular events kasabay ng antas ng breast arterial calcification sa mga kababaihan na mas bata sa 60 at sa mga nasa pagitan ng 60 at 80 matapos kalkulahin ang panganib ng kamatayan mula sa matinding heart attack, stroke, o anumang sanhi sa dalawa at limang taon.

Ito ay ginagawang ang tool na ito ay partikular na angkop para magbigay ng maagang babala ng panganib sa sakit sa puso sa mas batang kababaihan, na nagbibigay-daan sa maagang interbensyon.

Ipinakita rin ng mga resulta ng pag‑aral na ang mga may pinakamataas na antas ng breast arterial calcification, higit sa 40 mm², ay may mas mababang limang‑taong rate ng event‑free survival kumpara sa mga may pinakamababang antas, mas mababa sa 10 mm².

Ang susunod na hakbang ng mga mananaliksik ay makakuha ng pag‑aprobahan mula sa FDA at gawing mas malawak ang paggamit nito. Sa hinaharap, plano rin nilang tingnan ang paggamit ng katulad na AI model upang suriin ang mga biomarker para sa iba pang kondisyon, tulad ng kidney disease, na maaaring makuha mula sa mga mammogram.

Ngayon, pagdating sa mga kumpanyang nagpapaunlad ng AI sa healthcare, ang GE HealthCare Technologies (GEHC ) ay malaki ang pamumuhunan sa teknolohiya at isinasama ito sa mga produkto nito upang mapabuti ang pangangalaga sa pasyente at mapahusay ang workflow ng clinician. Ang kumpanya na may market cap na $37.26 bilyon ay kasalukuyang nagte‑trade sa $81.49, tumaas ng 4.23%. Sa 4Q24, tumaas ang kita nito ng 2% sa $5.3 bilyon habang ang diluted EPS ay $1.57.

Latest on GE Healthcare Technologies

AI in Material Science: Optimizing Thin-film Growth Processes

Mahalaga ang material science sa mga makabagong pag‑unlad dahil nagbibigay ito ng kakayahan upang lumikha ng mga bagong materyales at pagbutihin ang umiiral na. Ang AI sa larangang ito ay tumutulong sa pamamagitan ng pagpapabilis ng pagtuklas at disenyo ng mga bagong materyales, pag‑optimize ng mga umiiral, at pagpapabuti ng mga proseso ng paggawa.

Gamit ang AI, na‑optimize ng mga mananaliksik mula sa Tokyo University of Science (TUS), pinamunuan ni Propesor Masato Kotsugi, ang mga proseso ng thin‑film growth sa pamamagitan ng pag‑predict ng dendritic growth sa mga ito.

Ang mga prosesong ito ay may mahalagang papel sa pag‑develop ng semiconductor devices, communication technologies, at sensor technologies.

Sa kasalukuyan, ang mga thin film ay nilalagay sa pamamagitan ng pag‑deposit ng maliliit na patong ng materyales sa isang substrate. Subalit, upang ganap na magamit ang performance ng mga multilayer film device, ang substrate ay dapat eksaktong gawin dahil ito ay may malaking impluwensya sa structural configuration, na nagtatakda ng kanilang function at performance.

Gayunpaman, ang mga estruktura ay malaki ang apektado ng mga kondisyon ng growth process tulad ng composition, atmosphere, at surface defects. Sa panahon ng large‑area fabrication, na mahalaga para sa komersyal na aplikasyon, lumilitaw ang isang malaking balakid sa anyo ng dendritic structures.

Ang mga pattern na kahawig ng punong‑kahoy na ito ay nagbabawas ng pagiging patag ng thin films at karaniwang nakikita sa mga materyales tulad ng graphene, copper, at borophene, lalo na sa maagang yugto ng growth at sa multilayer films.

Dahil direktang nakakaapekto ang microstructure sa performance ng device, kritikal na mabawasan ang dendritic formation. Upang magawa ito, kailangan muna nating maunawaan ang kondisyon na nagdudulot ng dendritic branching. Ang kasalukuyang mga paraan ng pag‑aaral ng dendrites ay nakadepende sa simpleng visual analysis at subjective interpretation, na nangangailangan ng maraming trial at error.

Upang tugunan ang mga isyung ito, bumuo ang mga mananaliksik ng isang AI model upang suriin ang dendritic structures. Ang makabagong metodong ito ay nag‑integrate ng machine learning (ML) at persistent homology (PH) kasama ang energy analysis upang pagdugtungin ang structure at process sa dendritic growth.

“Nagbibigay ang aming approach ng mga bagong pananaw sa mga mekanismo ng growth at nag‑aalok ng isang makapangyarihang, data‑driven na landas para sa pag‑optimize ng thin‑film fabrication.”

– Prof. Kotsugi

Combining AI, PH, & Energy Analysis to Study Dendritic Growth

Na-publish in Science and Technology of Advanced Materials: Methods³, tinatalakay ng pag‑aral ang model na gumagamit ng persistent homology (PH) upang makuha ang kumplikadong topological features ng dendrite microstructures, na madalas hindi napapansin ng tradisyonal na image processing techniques.

Habang pinapayagan ng PH ang multiscale assessment ng mga butas at koneksyon sa loob ng geometric structures, tinulungan ng ML technique na principal component analysis (PCA) na bawasan ang mahahalagang tampok ng dendrite morphology na nakuha sa pamamagitan ng PH sa isang 2D space.

Nakatulong ito sa koponan na sukatin ang mga pagbabago sa estruktura ng dendrites at magtatag ng ugnayan sa pagitan ng mga pagbabagong ito at ng libreng enerhiya sa materyal na nakakaapekto sa paraan ng pagbuo ng dendrites.

Sa pagsusuri ng ugnayang ito, natuklasan ng koponan ang mga partikular na kondisyon at nakatagong mekanismo ng growth na nakakaapekto sa dendritic branching.

“Ang aming framework ay numerikal na nagma‑map ng dendritic morphology sa Gibbs free energy variations, na nagbubunyag ng mga energy gradient na nagtutulak sa branching behavior.”

– Kotsugi

Sinuri ng koponan ang dendrite growth sa isang hexagonal copper (Cu) substrate at ikinumpara ang mga resulta sa data mula sa phase‑field simulations upang patunayan ang kanilang approach. Binanggit ni Kotsugi:

“Sa pamamagitan ng pagsasama ng topology at libreng enerhiya, ang aming metodo ay nag‑aalok ng isang versatile na paraan sa material analysis. Sa integrasyong ito, maaari naming itatag ang hierarchical na koneksyon sa pagitan ng atomic‑scale microstructures at macroscopic functionalities sa malawak na hanay ng mga materyales, na nagbubukas ng daan para sa mga susunod na pag‑unlad sa material science.”

Ayon sa kanya, maaaring magdala ang metodong ito sa pag‑develop ng mga high‑quality thin‑film device para sa high‑speed communication lampas sa 5G at mga pag‑unlad sa high‑performance materials, nonequilibrium physics, at sensor technology.

Ngayon, kung titignan natin ang isang kilalang pangalan sa larangan ng material science na gumagamit ng AI upang mag‑innovate, ang Applied Materials (AMAT ) ay isa sa mga nangunguna. Ginagamit nito ang AI upang mapabuti ang paggawa ng semiconductor chip sa pamamagitan ng AI(x) platform, ExtractAI, at SEMVision™ H20 System. Ang kumpanya na may market cap na $123.6 bilyon ay kasalukuyang nagte‑trade sa $151, bumaba ng 6.5% YTD. Para sa 1Q25, ito ay nag‑report ng 7% pagtaas sa revenue na umabot sa $7.17 bilyon habang ang GAAP EPS ay $1.45 at non‑GAAP EPS ay $2.38.

“Ang pag‑drive ng industriya upang pabilisin ang pag‑develop ng advanced compute at mas sopistikadong AI ay tumitindi. Ang Applied Materials ay nagbibigay-daan sa mga pangunahing inflection point ng device architecture na kritikal para sa energy‑efficient AI, at ang aming pokus sa high‑velocity co‑innovation ay lumilikha ng natatanging pagkakataon sa pakikipagtulungan sa aming mga customer at partner, na nagpo‑posisyon sa Applied para sa patuloy na paglago at outperformance sa mga darating na taon.”

– CEO Gary Dickerson noong nakaraang buwan

Latest on Applied Materials

Conclusion

Ang AI ay nagsimulang baguhin na ang mga negosyo sa iba’t ibang industriya. Ang mabilis na takbo ng inobasyon ay ngayon nag-aalok ng mga makabagong solusyon sa mga matagal nang hamon nito. Sa mga pag‑unlad na ito, mula sa material science, medikal na diagnostics, at personal supercomputers hanggang sa mga solusyon para sa sariling learning challenges ng AI, pumapasok tayo sa isang panahon na nangangako ng walang kapantay na transformasyon.

Habang patuloy na umuunlad ang AI, ang kakayahan nitong mag‑drive ng produktibidad, mag‑pabuti ng paggawa ng desisyon, at mag‑bukas ng mga bagong frontier ay isa sa pinakamakapangyarihang puwersa na humuhubog sa hinaharap.

I‑click dito upang matutunan ang lahat tungkol sa pamumuhunan sa artificial intelligence (AI).