Pamumuhunan sa mga Tagumpay ng Nobel Prize – Artipisyal na Neural Networks, Ang Batayan ng AI

Kasaysayan ng Nobel Prize

Ang Nobel Prize ay ang pinaka-prestihiyosong gantimpala sa mundo ng agham. Ito ay nilikha alinsunod sa testamento ni G. Alfred Nobel upang magbigay ng gantimpala “sa mga taong, sa nakaraang taon, nagbigay ng pinakamalaking benepisyo sa sangkatauhan” sa pisika, kimika, pisyolohiya o medisina, panitikan, at kapayapaan.

Isang ikaanim na gantimpala ang kalaunan ay nilikha para sa agham pang-ekonomiya ng Swedish central bank, opisyal na tinatawag na Prize in Economic Sciences, na mas kilala bilang Nobel Prize sa Ekonomiks.

Ang desisyon kung kanino ipagkakaloob ang gantimpala ay nasa kamay ng ilang mga institusyong akademiko sa Sweden.

Mga Alalahanin sa Pamana

Ang desisyon na lumikha ng Nobel Prize ay dumating kay Alfred Nobel matapos niyang basahin ang kanyang sariling obituaryo, kasunod ng isang pagkakamali ng isang pahayagang Pranses na hindi naintindihan ang balita tungkol sa pagkamatay ng kanyang kapatid. Pinamagatang “Ang Mangangalakal ng Kamatayan ay Patay”, pinuna ng Pranses na artikulo si Nobel dahil sa kanyang imbensyon ng mga walang usok na pampasabog, kung saan ang dinamita ang pinakasikat.

Ang kanyang mga imbensyon ay lubhang nakaaapekto sa paghubog ng makabagong digmaan, at bumili si Nobel ng isang napakalaking pabrika ng bakal at bakal upang gawing pangunahing tagagawa ng sandata. Bilang una siyang kimiko, inhinyero, at imbentor, napagtanto ni Nobel na ayaw niyang ang kanyang pamana ay maging alaala ng isang taong kumita nang malaki mula sa digmaan at kamatayan ng iba.

Nobel Prize

Sa kasalukuyan, ang Kayamanan ni Nobel ay nakalagay sa isang pondo na ini-invest upang lumikha ng kita para pondohan ang Nobel Foundation at ang ginto na may plating na berdeng ginto na medalya, diploma, at pinansyal na gantimpala na 11 milyong SEK (tinatayang $1M) na ibinibigay sa mga nanalo.

Pinagmulan: Britannica

Madalas, ang pera ng Nobel Prize ay hinahati sa ilang mga nanalo, lalo na sa mga larangang siyentipiko kung saan karaniwan ang 2 o 3 na nangungunang tao na magkasamang nag-ambag o sabay-sabay sa isang makasaysayang tuklas.

Nobel Prize sa Computing?

Kadalasan, ang Nobel Prize sa Pisika ay ibinibigay para sa mga tuklas tungkol sa pangunahing kalikasan ng Uniberso, tulad ng mga black hole (2020) o exoplanet (2019). Maaari rin itong mapanalunan sa pamamagitan ng mahahalagang pag-unlad sa agham ng materyales, tulad ng quantum dots (2023), lasers (2018), o LEDs (2014).

Pero ang mga nanalo ngayong taon ay medyo hindi pangkaraniwan, na nakatuon sa pagsusuri ng datos. Mas tiyak, ito ay ibinigay kina Geoffrey Hinton at John Hopfield para sa kanilang ambag sa paglikha ng mga artipisyal na neural network.

Pinagmulan: Nobel Prize

Ang Nobel Prize na ito ay napakabago, kung saan ang mga neural network ang pangunahing teknolohiya na responsable sa karamihan ng mga kamakailang pag-unlad sa AI, kabilang ang mga LLM, pati na rin ang machine vision (kasama ang mga self-driving na sasakyan), at mga teknikal na AI na ginagamit sa mga bagong tuklas ng gamot, agham ng materyales, atbp.

Ano ang mga Neural Network?

Mga Chip Kumpara sa mga Neuron

Sa pag-imbento ng mga kompyuter, mabilis na lumago ang pag-asa na maaari silang lumaki sa kapasidad hanggang ma-develop ang mga kakayahang intelektwal na katulad ng tao. Ngunit sa praktika, habang ang mga kompyuter ay naging lalong kahanga-hanga sa pagkalkula, at pagkatapos ay sa paglikha ng imahe, nanatiling “tanga” sila pagdating sa totoong pangangatwiran.

Sa malaking bahagi, ito ay dahil ang chip ng kompyuter ay napakaiba sa mga neuron na bumubuo sa utak. Habang ang silicon chip ay maaaring magsagawa nang napakabilis ng milyun-milyong binary na kalkulasyon (0 o 1), ang mga neuron ay mas analog na signal, na may maraming komplikasyon at “ingay” sa signal.

Kaya ang mga kompyuter ay nangangailangan ng tumpak na pagprograma upang magsagawa ng kalkulasyon, hindi sila tunay na “natututo” at simpleng sinusunod ang nakasulat na mga tagubilin nang eksakto.

Ang mga neural network ay iba. Maaari nilang harapin ang mga problema na masyadong malabo at kumplikado upang pamahalaan ng sunud-sunod na mga tagubilin. Isang halimbawa ay ang pag-interpret ng isang larawan upang tukuyin ang mga bagay dito, isang bagay na kilalang mahina ang mga kompyuter, kaya ang “Are you a human” na pagsusulit sa ilang mga web page.

Pinagmulan: Google

Paano Gumagana ang mga Neuron

Hindi sumusunod ang mga neuron sa mahigpit na pre-established na pagprograma sa karamihan. Sa halip, gumagana sila sa pamamagitan ng feedback loop na nagpapatibay ng mga pattern ng koneksyon.

Paano ito gumagana ay pinapatibay ng mga neuron ang koneksyon sa ibang mga neuron kapag sila ay nagtutulungan. Ito ay nagbigay ng ideya na gayahin sa kompyuter kung paano gumagana ang mga neuron, gamit ang maraming magkakaugnay na node.

Ang mga koneksyon sa pagitan ng mga node na ito ay maaaring palakasin o pahinain, na bumubuo ng prosesong tinatawag na “training”, na hanggang ngayon ay nasa sentro ng paglikha ng pinakabagong AI.

Pinagmulan: Nobel Prize

Ang ideyang ito ay tila may pangako, ngunit sa isang panahon, ang kinakailangang kapangyarihan sa pagkompyut ay tila napakataas, lalo na para sa medyo primitibong mga kompyuter ng 1960s at 1970s.

Paano Gumagana ang Memorya ng Tao

Kapag tayo ay nag-aalala o kumikilala ng isang bagay, hindi tayo gumagawa ng matematikal na perpektong kalkulasyon ng kulay ng bawat pixel ng isang imahe. Sa halip, tayo ay nag-iiterate mula sa bahagyang datos, sinusubukang mag-ugnay sa isang bagay na kilala na, at tinutukoy ang isang kilalang pattern.

Inimbento ng pisiko na si John Hopfield noong 1982 ang Hopfield network, isang paraan upang mag-imbak at muling lumikha ng mga pattern.

Nagsisimula sa Pisika

Nagsimula siya sa pag-obserba na ang mga kolektibong katangian sa maraming pisikal na sistema ay matibay sa mga pagbabago sa detalye ng modelo. Kapansin-pansin, ang mga magnetic na materyales ay nagkakaroon ng kanilang natatanging katangian dahil sa atomic spin – isang katangian na ginagawang maliit na magnet ang bawat atom.

Ang katangian ng mas malaking materyal ay nagmula sa spin ng bawat atom na binabago ang mga nasa paligid nito, na nagreresulta sa lahat ng spin na nagtatapos sa parehong direksyon. Inilarawan ng kanyang modelo ang phenomenon gamit ang iba’t ibang node na nakakaimpluwensya sa isa’t isa.

Gayon din, ang isang imahe ay maaaring irekord bilang isang grid ng mga node, bawat isa ay may halagang 0 o 1 (itim o puti).

Kung ihahambing mo ang isang distorted na imahe sa orihinal na grid na ito, maaari mong kalkulahin kung gaano kalayo ang bawat node ng distorted na imahe. Ngunit sa pamamagitan ng “paghila” ng distorted na node papalapit sa kung saan ito may kahulugan, tulad ng slope sa isang pre-established na tanawin, madalas mong maibalik ang orihinal na imahe sa kabila ng mga distortion.

Kaya nakalikha si Hopfield ng isang primitive, ngunit functional para sa error correction o pattern completion, isang bagay na karaniwang hindi kayang gawin ng mga kompyuter, dahil sila ay nakatali sa kanilang mahigpit na pagprograma.

Pinagmulan: Nobel Prize

Sa sapat na kapangyarihan sa pagkompyut, bawat node ay maaaring mag-imbak ng anumang halaga, hindi lamang itim at puti. Halimbawa, maaari itong maging isang numero na naglalarawan ng eksaktong kulay, katulad ng paraan ng paglikha ng mga digital na imahe.

Maaari rin itong magpakita ng lahat ng uri ng datos, hindi lamang mga imahe, na lumilikha ng functional na modelo para sa isang artipisyal na associative memory.

Paggamit ng Asosasyon para sa Pag-unawa

Kahit ang simpleng hayop o maliliit na bata ay maaaring magpakita ng napakagandang pagganap kumpara sa mga advanced na kompyuter sa pagkilala ng pattern, tulad ng pagtukoy kung aling larawan ang naglalaman ng aso, pusa, o ardilya. Ginagawa ito nang walang anumang mas mataas na pag-unawa sa mga konsepto tulad ng hayop, mammals, o species.

At marahil mas mahalaga, ito ay maaaring makamit gamit ang napakakaunting paunang datos at karanasan, sa halip na isang katalogo ng bilyong mga larawan ng mga hayop na ito na sumasaklaw sa bawat posibleng postura, kulay, hugis, o anyo na maaaring ipakita.

Analog sa Halip na Binary

Dahil ang mga node ay maaaring maglaman ng anumang datos, maaari silang magamit para sa patuloy na datos, tulad ng mga phenomenon sa paglipas ng panahon.

Ito ay nagbibigay din ng epektibong kalkulasyon ng interaksyon sa pagitan ng mga komplikadong sistema, kung saan ang sagot sa isang stimulus ay mas estadistikal kaysa binary na oo/hindi. Nakakatipid ito sa parehong konsumo ng enerhiya at kapangyarihan sa pagkompyut kumpara sa tradisyunal na pagkompyut para sa ganitong uri ng problema.

At sa pamamagitan ng pagdagdag ng higit pang mga node, maaaring unti-unting madagdagan ang komplikasyon sa mga modelo.

Ang Boltzmann Machine

Si Geoffrey Hinton, kasama si Terrence Sejnowski at iba pang mga katrabaho, ay nagtrabaho sa pagpapabuti at pagpapalawak ng konsepto ng Hopfield model.

Gumamit si Hinton ng mga ideya mula sa statistical physics, isang larangan na naglalarawan ng mga bagay na may maraming elemento tulad ng mga gas o likido. Dahil napakarami ng mga indibidwal na sangkap, ang tanging paraan upang imodelo ang kanilang pag-uugali ay ang paggamit ng statistical expectations ng kanilang pag-uugali, sa halip na isang “hard physics” na kalkulasyon mula sa temperatura, lokasyon, bilis, atbp. ng bawat molekula.

Upang idagdag ang ganitong kapasidad sa Hopfield model, nagdagdag siya ng karagdagang “hidden” na layer ng mga node sa pagitan ng nakikitang layer na dati ay nag-iisa sa pagkompyut. Bagaman hindi nakikita, ang mga hidden na node ay nag-aambag sa antas ng enerhiya ng ibang mga node at ng buong sistema.

Pinagmulan: Nobel Prize

Tinawag nila ang konseptong ito na Boltzmann machine, bilang parangal kay Ludwig Boltzmann, isang pisiko noong ika-19 na siglo na nag-develop ng statistical mechanics, ang pundasyon ng statistical physics.

Pinagmulan: Wikipedia

Restricted Boltzmann Machine

Sa orihinal nitong disenyo, ang Boltzmann machine ay masyadong kumplikado upang maging praktikal na magamit. Isang pinasimpleng bersyon ang binuo, kung saan walang mga koneksyon sa pagitan ng mga node sa parehong layer.

Pinagmulan: Nobel Prize

Nagdagdag ito ng malaking kahusayan sa makina, habang nananatiling kayang magsagawa ng komplikadong pagkilala ng pattern.

Isang karagdagang pagpapabuti ay ang proseso ng “pre-training” ng neural network, gamit ang serye ng mga Boltzmann machine sa mga layer, isa sa itaas ng isa.

Pinabuti nito ang panimulang punto ng neural network, na nagpalakas ng kakayahan nitong magkilala ng pattern.

Epekto sa Modernong Neural Network

Parehong sina Hopfield at Hinton ay nagtatag ng mga pangunahing ideya sa likod ng mga neural network, pati na rin ang matematika at mga kasangkapan upang magamit ang mga ito.

Gayunpaman, aabutin hanggang 2010s bago lumago nang sapat ang kapangyarihan sa pagkompyut para sa mga neural network na maging malaki sa pangkalahatang kamalayan.

Dahil ang modernong bersyon ng Boltzmann machine ay gumagamit ng napakaraming magkakaugnay na layer, tinatawag itong “deep” neural networks. Upang magbigay ng perspektibo sa pag-unlad ng larangan, gumamit si Hopfield ng 30-node na modelo sa kanyang publikasyon noong 1982, na nagresulta sa 435 na posibleng koneksyon. Ito ay nagdala sa humigit-kumulang 500 na parameter na kailangang subaybayan.

Noong panahong iyon, hindi kayang hawakan ng mga kompyuter ang isang tinatayang 100-node na modelo. Ang mga LLM (Large Language Models) ngayon, na batayan ng mga tool tulad ng ChatGPT, ay gumagamit ng isang trilyong parameter at patuloy na dinadagdagan ang kanilang pangangailangan sa pagkompyut.

Mga Aplikasyon

Pundamental na Pisika

Tulad ng maraming iba pang Nobel Prize sa Pisika, ang mga neural network ay isang tuklas na nagpapasigla sa iba pang mga bagong tuklas.

Halimbawa, ginamit ang mga ito upang salain at iproseso ang napakalaking dami ng datos na kinakailangan upang matuklasan ang Higgs particle (si Peter Higgs ay ginawaran ng Nobel Prize sa Pisika noong 2013). Ginamit din ito ng iba pang mga mananaliksik na nanalo ng Nobel Prize, tulad ng pagsukat ng mga gravitational wave mula sa nagbanggaan na mga black hole o ang paghahanap ng mga exoplanet.

Aplikadong Pisika

Ang mga totoong materyales at phenomenon ay madalas na masyadong kumplikado upang i-modelo gamit lamang ang cause -> effect na modelo sa antas ng indibidwal na particle.

Kumpara dito, ang mga neural network na batay sa statistical physics ay nagbibigay ng mas malaking flexibility, at maaaring direktang magbigay ng tamang sagot o “tumuturo” sa mga siyentista sa tamang direksyon.

Ito ay ngayon rutin nang inilalapat ng mga nangungunang institusyong pananaliksik upang, halimbawa, kalkulahin ang estruktura at function ng mga protein molecule, o alamin kung aling mga bagong bersyon ng materyal ang maaaring magkaroon ng pinakamahusay na katangian para magamit sa mas epektibong solar cell o baterya.

LLMs

Siyempre, walang kumpletong pag-uusap tungkol sa mga aplikasyon ng neural network kung hindi nababanggit ang LLMs, ang sentro ng AI frenzy sa mga nakaraang taon mula nang ilabas ang ChatGPT noong 2022.

Sa malaking bahagi, ito ay dahil ang pagbuo ng wika na kahawig ng tao, “pakiramdam” na parang totoong tao, ay matagal nang itinuturing na pagsubok kung saan maituturing natin ang AI na tunay na matalino (ang Turing Test).

Ang tunay na intelihensiya ng mga LLM ay mainit na pinagtatalunan, mula sa opinyon ng mga AI enthusiast (o doom-mongers) na umaasang makakamit ang tunay na intelihensiya at teknolohikal na singularidad anumang sandali, hanggang sa pagtingin dito bilang isang simpleng trick na hindi makapaghatid ng kapaki-pakinabang na resulta.

Gayunpaman, mayroon silang malawak na hanay ng mga aplikasyon, lalo na kung saan maaari nilang gawin ang mga murang gawain na dati ay inilalaan sa mas mamahaling tao. Ito ay partikular na totoo para sa karamihan ng mga verbal na gawain, tulad ng:

• Chatbot at serbisyo sa customer.
• Pag-develop at beripikasyon ng code.
• Pagsasalin at lokalizasyon.
• Pananaliksik sa merkado.
• Paghahanap at pagsagot sa mga tanong.
• Pagsusuri ng malalaking dokumento at dataset.
• Edukasyon

Kasama ng mga LLM, ang paglikha ng imahe ay maaaring magdulot ng isang bagong daloy ng mga larawan sa ating digital na panahon, para sa kapaki-pakinabang at posibleng mapaminsalang layunin (disinformation, blackmail, atbp.).

Machine at Computer Vision

Bilang orihinal na aplikasyon ng mga neural network mula kay Hopfield, makatuwiran na ang pagkilala ng imahe ay ngayon isang pangunahing potensyal na aplikasyon ng mga neural network.

Minsan, ang machine vision ay ginagamit upang ilarawan ang limitadong pagkakakilanlan sa mas kontroladong industriyal na kapaligiran, habang ang computer vision ay naglalayong magkaroon ng mas kahawig ng paningin ng tao.

Pinagmulan: Solomon

Self-Driving

Isang pangunahing sub-segment ng larangang ito ay ang mga self-driving na sasakyan, dahil sa huli, ang mga tao ay gumagamit ng kanilang visual pattern recognition upang ligtas na patakbuhin ang kanilang multi-ton na mga sasakyan.

Sa ngayon, karamihan sa mga self-driving system ay umaasa sa kombinasyon ng mga kamera at iba pang sensor upang manatiling ligtas (tulad ng radar at LIDAR), maliban sa Tesla (TSLA ) na nakatuon eksklusibo sa human-like machine vision (salamat sa mas malaking dataset, na ibinibigay ng fleet ng mga sasakyan ng Tesla).

Ang sapat na training data, manu-manong anotasyon ng milyun-milyong komplikadong totoong sitwasyon, at pati na rin ang custom hardware na nagpapababa ng konsumo at nagpapabilis ng reaction time, ay malamang na magiging panalong kombinasyon para sa unang kumpanya na makakamit ang trillion-dollar na premyo para sa pag-develop ng unang tunay na level 5 na full driving automation.

Medikal

Maraming diagnostic sa medisina ang hindi nakadepende sa mga lab test kundi sa manu-manong interpretasyon ng isang sinanay na espesyalista ng mga imahe na ginawa ng X-ray machine, MRI, scanner, atbp.

Maaaring tumagal ng taon para sa isang eksperto upang maging tunay na bihasa sa gawaing ito, na halos sining na rin ito. Sa halip, maaaring mura at palagiang suriin ng AI ang milyong-milyong medikal na imahe na may predictable na resulta.

Maaari rin itong magamit upang mag-diagnose ng mga kondisyon na dati ay hindi pinaniniwalaang maaaring matuklasan sa pamamagitan ng scans, tulad ng ADHD.

At marahil hindi halata, ang AI na gumagamit ng neural network ay maaari ring tumulong sa mga surgeon, tulad ng French Pixee Medical, na nagbibigay-daan sa 3D tracking gamit ang smartphone o smart glasses para sa orthopedic surgery.

Maaaring i-automate ng AI ang mahalagang proseso ng pagre-record ng operasyon, lalo na para sa mga paulit-ulit at prone sa error na gawain. Dahil ang mga surgeon ay nakakalimot ng mga instrumento sa loob ng pasyente sa humigit-kumulang 1500 operasyon bawat taon sa US, maaaring makatulong ang computer vision na ganap na alisin ang isyung ito sa pamamagitan ng awtomatikong pagsubaybay sa lahat ng ginamit sa operasyon.

Bioresearch

Mula sa drug discovery hanggang sa pag-predict ng protein folding, ang mga neural network ay makapangyarihang kasangkapan para sa mga mananaliksik sa medisina at biyolohiya.

Sa kasalukuyan, binabago nito ang paraan ng pag-develop ng mga bagong therapy, tulad ng tinalakay natin sa “Top 5 AI & Digital Biotech Companies”. Maaari rin itong mag-ambag sa mas konsistent na datos, na madalas problema sa agham ng biyolohiya, kung saan marami pang datos ang nililikha sa pamamagitan ng manu-manong input, tulad ng pagbibilang ng mga selula ng dugo.

Maaaring maresolba ito gamit ang AI machine vision, gamit ang mga produkto tulad ng Shonit mula sa Sigtuple na ngayon ay kayang magbigay ng maaasahan at standardisadong bilang ng lahat ng uri ng selula ng dugo.

Pinagmulan: Sigtuple

Industriya at Produksyon

Mula sa quality control at inspeksyon ng mga komponent, hanggang sa ganap na automated na pag-assemble, ang machine/computer vision ay maaaring gawing mas flexible at reaktibo ang production line sa anumang pagbabago sa proseso ng produksyon.

Maaaring bawasan nito ang gastos sa pamamagitan ng pagbabawas ng pangangailangan sa input ng tao, pati na rin mapabuti ang kalidad at bilis ng produksyon.

Robotics

Habang lumalabas ang robotics mula sa pabrika upang makipag-ugnayan sa mas kumplikadong pang-araw-araw na kapaligiran, kailangan nilang mabilis na paigtingin ang kanilang kakayahan sa pattern recognition.

Mula sa mga robodog hanggang sa mga delivery robot, at marahil sa lalong madaling panahon mga humanoid personal assistant, ang mga robot ay patuloy na nagsasama sa AI gamit ang neural network upang tulungan tayo sa pang-araw-araw na gawain.

Pagsasaka

Ang mga robot sa pagsasaka ay patuloy na gumagamit ng machine vision upang tukuyin ang mga damo o hinog na prutas at palitan ang nakakapagod na manu-manong paggawa o mapanirang malakihang mga makina.

Maaaring hindi lamang ito makakaapekto sa pagsasaka at ating sistemang pangkain kundi pati na rin sa ecological restoration, na may malakas na epekto sa kalusugan ng lupa, pag-usbong ng mga bagong praktis sa pagsasaka, at marahil mas magagandang kasangkapan para sa reforestation at pamamahala ng invasive species.

Militar

Sa kabila ng pag-usbong ng mga kumplikadong tanong etikal, ito ay isang patakaran sa kasaysayan na anumang bagong teknolohiya ay sinusuri rin para sa potensyal nitong magbigay ng kalamangan sa militar laban sa kalaban.

At dahil palaging may isang bansa na gumagawa nito, kailangan ding sumabay ang iba.

Ang AI ay ginagamit na upang tukuyin ang mga target at suriin ang datos sa battlefield, kabilang ang mga patuloy na totoong digmaan tulad ng Ukraine at Gaza, isang bagay na tinalakay natin sa “Top 10 Drones And Drone Warfare Stocks”.

Kabilang sa pinaka-nakababahalang kamakailang pag-unlad, maaari naming banggitin ang pag-develop ng pinakabagong bersyon ng Russian Lancet, isang suicide drone/misil na gumagamit ng AI machine vision upang tukuyin at targetin ang mga sasakyan ng kalaban sa huling bahagi ng kurso nito.

Ang pagbibigay ng desisyon sa pagpatay sa isang automated system ay halatang napakadelikadong hakbang, na tila materyal ng isang science fiction movie bago pa man maganap ang AI rebellion laban sa sangkatauhan.

Kaya maaari lamang nating asahan na ang mga puwersang militar sa buong mundo ay magkakaroon ng pag-unawa kung aling teknolohiya ang maaaring gamitin o hindi, katulad ng pamamahala sa mga nuclear weapon.

Mga Panganib ng Neural Network

Mahahalagang banggitin na si Geoffrey Hinton na nanalo ng Nobel Prize ngayong taon ay lubos ding nag-aalala sa pag-usad ng teknolohiya ng AI.

Pagkatapos ng Turing Prize noong 2018 at ng Nobel Prize noong 2024, malamang na mas maririnig ang kanyang babala kaysa dati.

“Bigla kong binago ang aking pananaw kung ang mga bagay na ito ay magiging mas matalino kaysa sa atin.

Sa tingin ko, napakalapit na nila ito ngayon at magiging mas matalino kaysa sa atin sa hinaharap. Paano tayo makakaligtas mula dito?”

Geoffrey Hinton

Pamumuhunan sa Neural Networks

Pamumuhunan sa Neural Networks

Ang mga neural network ay halos nagiging katumbas na ng AI technology sa pangkalahatan, dahil may patuloy na pagsasanib ng mga disiplina sa sektor.

Dahil ang mga neural network ay nangangailangan ng malalaking dataset para sa pre-training at training, kadalasan ay nasasakupan ito ng napakalaking mga tech company o napaka-well-funded na mga startup.

Maaari kang mamuhunan sa mga kumpanyang may kaugnayan sa AI sa pamamagitan ng maraming broker, at dito, sa securities.io, makikita mo ang aming mga rekomendasyon para sa pinakamahusay na mga broker sa USA, Canada, Australia, at UK, pati na rin sa maraming ibang bansa.

Kung hindi ka interesado sa pagpili ng partikular na AI-related na kumpanya, maaari ka ring tumingin sa mga ETF tulad ng ARK Artificial Intelligence & Robotics UCITS ETF (ARKI), Global X Robotics & Artificial Intelligence ETF (BOTZ), o WisdomTree (WT ) Artificial Intelligence and Innovation Fund (WTAI) na magbibigay ng mas diversified na exposure upang makinabang sa AI.

Mga Kumpanya ng Neural Network

1. Microsoft

Ang Microsoft (MSFT ) ay nasa gitna ng industriya ng teknolohiya halos mula pa nang ito ay itinatag dahil sa patuloy nitong namamayani na operating system na Windows.

MSFT Tsart ng Presyo

Naging lider na rin ito sa enterprise software (Office365, Teams, LinkedIn, Skype, GitHub), gaming (Xbox at maraming pagkuha ng mga video game studio), at sa cloud (Azure).

Mas kamakailan, nagkaroon ito ng magandang pag-unlad sa AI. Kabilang dito ang ilang consumer-grade na AI tulad ng Bing Image Creator at mas nakatuon sa negosyo na mga inisyatiba, tulad ng Copilot para sa Microsoft 365 at Microsoft Research. Ang Copilot ay ngayon inilalagay na rin sa retail at mas maliliit na kumpanya.

Pinagmulan: Constellation Research

Nakuha ng Microsoft ang reputasyon bilang enterprise-centered na higanteng tech, kumpara sa mga mas consumer-focused na kumpanya tulad ng Apple (AAPL ) o Facebook. Sa pagtaas ng kahalagahan ng AI sa mga business model, ang preexisting na presensya ng Microsoft sa cloud at enterprise services ay dapat magbigay sa kanila ng head start sa pag-deploy ng AI sa malawakang sukat at sa pagkuha ng mga customer.

Ang pakikipagtulungan/quasi-ownership sa mga lider ng AI development tulad ng OpenAI (na kilala sa ChatGPT) ay magpapatibay din sa posisyon ng Microsoft bilang AI powerhouse.

2. NVIDIA

Nagsimula ang NVidia na may dominanteng posisyon sa merkado ng graphics card (GPU), karamihan ay ginagamit para sa high-end gaming at 3D modelization. Ang mga GPU ay kayang magsagawa ng mga kalkulasyon nang sabay-sabay at naiiba sa mga processor (CPU) sa aspetong ito.

Ang disenyo ng hardware nito ay napatunayang napakabagay para sa cryptocurrency mining (lalo na sa Bitcoin), na nagdulot ng malakas na pag-unlad para sa kumpanya.

Ngayon, lumalabas na ito ay kasing lakas din para sa pag-training ng AI, na ginagawa ang hardware ng Nvidia (NVDA ) bilang gulugod ng AI revolution.

Ngayon, ang NVidia ay nagde-develop ng custom computing systems para sa iba’t ibang AI application, mula sa self-driving cars hanggang speech at conversational AIs, generative AIs, o cybersecurity.

Malamang na hindi pa natagpuan ng Nvidia ang mga bagong use case para sa AI hardware nito, tulad ng ipinakita ng pananaliksik ng Microsoft kasama ang PNNL. Halimbawa, ngayon ay nagde-develop ang NVidia ng buong hanay ng mga solusyon para sa drug discovery, pati na rin ng AI-powered na mga medikal na device at AI-assisted na medical imaging.

Pinagmulan: NVidia

Malamang na sa napakahabang panahon, maaaring magsimulang seryosong hamunin ng mga kakompetensya ng NVidia ang unang head start ng kumpanya.

Ngunit para sa nakikitang hinaharap, dahil sa pagputok ng pangangailangan para sa AI-dedicated na kapangyarihan sa pagkompyut, mananatiling pangunahing supplier ang NVidia ng lahat ng bagong AI-training data centers na itinatayo.

At kung ang AI ay isang bagong tech gold rush, ang karunungan sa pamumuhunan ay pumili ng mga nagbebenta ng pick at pala kaysa sa pagtaya sa paghahanap ng ginto.

Sa AI rush, ang mga piniling kasangkapan ay sa ngayon ang NVidia AI chips.