Endre tidslinjen for oppdagelser gjennom bruk av kunstig intelligens (AI)

Fra manuell forskning til automatisering med AI

I noen tid var vitenskapelige fremskritt utelukkende avhengig av innsikten til strålende forskere og ikke kunstig intelligens (AI). De måtte deretter designe og teste hypotesen sin manuelt gjennom tilpassede eksperimenter. Dette var oftest en møysommelig langsom prosess, som tok år fra de første ideene til de faktiske resultatene.

Nylig har høyere nivåer av automatisering muliggjort en reduksjon i manuelt arbeid i grunnleggende forskning. For eksempel, Neste generasjons sekvensering (NGS) har tillatt genomsekvensering på bare noen få dager og til en lavere kostnad, da den første menneskelige genomsekvenseringen i 2003 hadde kostet 3 milliarder dollar og tok et tiår å oppnå.

NGS Sequencer- Kilde: Illumina

Automatisering har gjort det mulig for de fysiske trinnene i forskning å gjøres i massiv skala og lavere kostnader. Men den intellektuelle innsatsen, for eksempel å analysere dataene som kom ut av genomsekvensering, var fortsatt utelukkende avhengig av den menneskelige hjernen og datamaskinassisterte matematiske modeller. Det er inntil AI ble en ny game changer.

Assistere den menneskelige hjernen

Jo mer vitenskapen avanserte, jo mer komplekse ble dataene. Å finne nytt materiale er avhengig av en relativt enkel prosess, som å blande sammen elementer som ikke har blitt testet sammen før.

Men avansert materialvitenskap, for eksempel innen batteriteknologi eller halvledere, krever manipulering av komponenter på nanometernivå, og noen ganger på individuelle atomnivå. Dette gjør modelleringen og forståelsen av prosessen for kompleks til at den menneskelige hjernen fullt ut kan forstå alle tilgjengelige data.

For eksempel kan det å finne det rette materialet for et nytt batteridesign inkludere å bestemme hvilket som skal velges blant 32 millioner potensielle uorganiske materialer. Dette var oppgaven Vijay Murugesan, gruppeleder for materialvitenskap ved PNNL (Pacific Northwest National Laboratory).

Tidligere ville utdannede gjetninger, grove datamodeller og manuell testing vært nødvendig for å begrense mulighetene og ville ha tatt år. I stedet etablerte PNNL et samarbeid med Microsoft for å utnytte teknologigigantens ekspertise innen AI.

Undervisning i flere AI-er i kjemi

Microsoft har jobbet lenge med slike applikasjoner, gjennom sitt AI4Science-program. For eksempel, dens MatterGen generative AI "muliggjør bred eiendomsveiledet materialdesign".

kilde: Microsoft

I samarbeid med PNNL har Microsoft spesielt utviklet flere forskjellige AI-er for å evaluere alle de brukbare elementene og deres kombinasjoner.

Den har også en AI dedikert til å finne hvilke materialer som er stabile. Og så en AI som vurderer molekyler basert på deres reaktivitet. Og en annen AI som bedømmer molekylenes evne til å lede energi.

Denne kombinasjonen av AI er ikke designet for å finne alle mulige løsninger på et gitt problem. I stedet ser den på den enorme høystakken av muligheter (i titalls millioner) og prøver å begrense den til noen få gode kandidater.

Denne tilnærmingen tok 32 millioner potensielle materialer ned til 500,000 800 kandidater, og deretter til XNUMX.

Det skiller seg fundamentalt fra en rent datamaskinbasert matematisk modelltilnærming, som i stedet vil prøve å beregne med "brute force" de kjemiske egenskapene til et materiale, ofte ved å simulere det atom for atom. I stedet gjør AI en utdannet "gjetning" om hva bør arbeid ved å bruke analogier, omtrent på samme måte som et menneske ville gjort. Bortsett fra AI-teamet kunne vise 32 millioner ideer på mindre enn 80 timer.

Å redusere måneder eller år med arbeid til noen få dager eller uker er en fullstendig revolusjon i tempoet for vitenskapelig fremgang.

Hvis det brukes bredere, kan dette fullstendig endre tempoet i den teknologiske fremgangen i menneskelige samfunn.

Sparer dyrebare ressurser

Når listen ble begrenset til bare 800 kandidater, kunne forskerne ta i bruk den mer standardmetoden High-Performance Computing (HPC). Det gjorde det mulig å beregne alle mulige energitilstander for de 800 kandidatene. Deretter ble en blanding av dedikert AI og HPC brukt for å simulere bevegelsene til hvert atom og molekyl inne i hvert materiale.

Ved å bruke HPC på bare noen få hundre kandidater sparte dette PNNL for mye tid og penger, da dette er en metode som er veldig sulten på datakraft. Dette reduserte kandidatlisten til bare 150.

Derfra reduserte en evaluering av kostnader, tilgjengelighet og andre praktiske hensyn den opprinnelige 32 millioner kandidatlisten til bare 23. Interessant nok var 23 allerede kjente av de 5, noe som demonstrerer relevansen til metoden, da den "re- oppdaget" disse 5 materialene uavhengig.

Tidligere forskningsmetodikk ville i stor grad vært avhengig av dyre og trege HPC. AI-metoden reduserte i stedet HPC til bare 10 % av den totale databehandlingstiden. Det faktum at AI-beregningen var skybasert, i stedet for å bruke dyrebare og sjeldne forskningsinstitutters superdatamaskintid, bidro også til å gjøre den mer effektiv.

De neste trinnene

Samarbeidet mellom Microsoft og PNNL om batterimateriale var bare begynnelsen på en flerårig samarbeidsavtale. Til syvende og sist ville ideen være å generere nok data til at det å vite med hvilket nytt materiale å designe et nytt batteri ville være like enkelt som å bare spørre AI-systemet om det.

"Visjonen vi jobber mot er generative materialer der jeg kan be om en liste over nye batteriblandinger med mine ønskede egenskaper," – Nathan Baker, produktleder for Azure Quantum Elements.

Det er også verdt å være oppmerksom på at den nåværende metoden er avhengig av klassisk databehandling. Men Microsofts AI-programmering og programvare er designet for å oppgraderes til å bruke kvantedatabehandling så snart denne teknologien er moden nok.

Dette vil gi enestående datakraft for emner som kjemiske og biologiske simuleringer, og øke datakraften med flere størrelsesordener (x100-10,000 XNUMX). Så vi er fortsatt i det tidlige stadiet av AI som jobber med å designe nye molekyler og materialer.

Bruksområder

Det første eksperimentet var fokusert på batterimaterialer. Men mange andre felt vil sannsynligvis dra nytte av en slik avansert innsikt i kjemi, i tillegg til å bruke AI på andre vitenskaper, alt allerede i Microsofts pipeline:

• Halvledere.
• Kvantedatabehandling og kryptografi.
• Visual og lyd
• Molekylærbiologi og genomikk.
• Bioteknologi og legemidler generelt.
• Fornybar energi og klimaendringer.
• Landbruk og Økologi.
• Økonomi.
• Samfunnsfag.
• Teoretisk matematikk.

Hvert av disse feltene har sett forskning som sliter på grunn av den store mengden av data og kompleksiteten til problemene. I likhet med pilotprosjektet om batterier, kan hver enkelt dra nytte av innsikt fra AI-er.

AI-drevne vitenskapsaksjer

1. Microsoft

Microsoft Corporation (MSFT -0.84%)

Microsoft har vært i sentrum av teknologibransjen nesten siden starten med det fortsatt dominerende operativsystemet Windows. Det er nå også ledende innen bedriftsprogramvare (Office365, Teams, LinkedIn, Skype, GitHub), spill (Xbox og oppkjøp av flere videospillstudioer), og i skyen (Azure).

Nylig har det gjort gode fremskritt på AI. Dette inkluderer noen forbruker-klasse AI som Bing Image Creator og dens utdype partnerskapet med OpenAI. Det inkluderer også mer forretningsfokuserte initiativer, som Copilot for Microsoft 365 og Microsoft Research. Copilot er nå distribuert til detaljhandel og mindre selskaper også.

Microsoft har fått et rykte for å være den bedriftssentrerte teknologigiganten, sammenlignet med mer forbrukerfokuserte selskaper som for eksempel Apple eller Facebook. Ettersom AI blir stadig viktigere i forretningsmodeller, bør den eksisterende tilstedeværelsen til Microsoft i sky- og bedriftstjenester gi den et forsprang når det gjelder å implementere AI i stor skala og i kundeanskaffelser.

Samarbeidet/kvasi-eierskapet med AI-utviklingsledere som OpenAI vil også sementere Microsofts posisjon som et AI-kraftsenter.

2. NVIDIA

NVIDIA Corporation (NVDA -0.18%)

NVidia hadde i utgangspunktet en dominerende posisjon på markedet for grafikkort (GPU), mest brukt til avansert spill og 3D-modellering. GPUer er i stand til å kjøre beregninger parallelt og skiller seg i den forbindelse fra prosessorer (CPU).

Utformingen av maskinvaren viste seg å passe veldig godt for gruvedrift av kryptovaluta (spesielt Bitcoin), og skapte en sterk vekstbølge for selskapet.

Nå ser det ut til at den er like kraftig for trening av AI-er, noe som gjør Nvidias maskinvare til ryggraden i AI-revolusjonen.

NVidia utvikler nå tilpassede datasystemer for forskjellige AI-applikasjoner, fra selvkjørende bils, til tale og samtale-AIer, generative AIereller Cybersecurity.

Det er sannsynlig at Nvidia ikke er ferdig med å finne nye brukstilfeller for AI-maskinvaren, som vist av Microsoft-undersøkelser med PNNL. For eksempel utvikler NVidia nå en hel rekke løsninger for legemiddelfunn, i tillegg til AI-drevet medisinsk utstyr og AI-assistert medisinsk bildebehandling.

kilde: NVidia

Det er sannsynlig at på svært lang sikt kan konkurrenter til NVidia på alvor begynne å utfordre selskapets første forsprang. Men i overskuelig fremtid, med tanke på eksplosjonen i etterspørselen etter AI-dedikert datakraft, vil NVidia forbli hovedleverandøren av alle de nye AI-treningsdatasentrene som bygges.

3. CrowdStrike

CrowdStrike Holdings, Inc. (CRWD + 0.23%)

Jo mer verden er avhengig av kunstig intelligens og digitalisering, jo mer tilkoblet cybersikkerhet blir viktig.

CrowdStrike ble grunnlagt med en sky-første tilnærming til cybersikkerhet. Selskapets tilbud dekker alle kategorier av cybersikkerhetstrusler, og blant kundene er 15 av de 20 største amerikanske bankene, 70 av Fortune 100-selskapene og 556 av Global 2000.

CrowdStrikes vekst støttes av et raskt voksende totalt adresserbart marked (TAM), som forventes å vokse 13 % CAGR i løpet av de neste 2 årene. Med ytterligere tilbud som fortsatt er under utvikling, forventer selskapet å utvide sin TAM fra dagens $76B til $158B innen 2026.

kilde: CrowdStrike

En annen vekstfaktor for CrowdStrike er utvidelsen av virksomheten med eksisterende kunder. Når en klient starter med minst én cybersikkerhetsmodul, fortsetter den vanligvis og fortsetter å integrere flere moduler, med 62 % av klientene som bruker 5 eller flere moduler og 23 % bruker 7 eller flere moduler.

Denne dynamikken skaper et miljø som lar CrowdStrike øke marginene sine når et forhold har utviklet seg lenge nok, med en imponerende total bruttomargin på 78 % i 2023.

Overgangen til skyen pågår fortsatt stort sett for mange store selskaper. Dette skaper en stor mulighet for en markedsleder som CrowdStrike til å hjelpe dem med å overføre cybersikkerhetsstrategien sin til skyen også.

Selskapet bør også se sin internasjonale virksomhet vokse, med fortsatt 3/4 av Global 2000-selskapene som ennå ikke har kommet inn i CrowdStrike-økosystemet.

Cloud-first-tilnærmingen til CrowdStrike har tillatt den å ta markedsandeler raskt og er nå replikert av alle de store cybersikkerhetsselskapene. Så investorer vil være oppmerksomme på CrowdStrikes evne til å beholde sin fordel til tross for flere motangrep fra industrien.

4. Adobe

Adobe Inc. (ADBE + 1.62%)

Ved første øyekast kan fremveksten av generativ AI, spesielt bildegenerering, være en trussel for eieren av viktig grafisk programvare som Photoshop, InDesign, After Effects, Lightroom eller Illustrator.

Dette ville være å glemme at Adobe har vært en banebryter i programvareindustrien, og var en av de første som gikk over til en skybasert abonnementsmodell, da bransjepraksisen solgte den nyeste programvareversjonen for tusenvis av dollar.

Det samme gjelder for AI, med Adobe Firefly. Dette AI-bildegenereringsverktøyet blir nå sømløst integrert med Adobes andre programmer, slik at du kan generere bilder fra enkel tekst, lage et rikt bilde fra en enkel 3D-modell, eller til og med "generativ fyll", utvide et eksisterende bilde på en fotorealistisk måte .

kilde: Adobe

Med AI som senker ferdighetsbarrieren som kreves for å lage logoer eller magasiner, eller for å endre bilder, vil tilbudet og etterspørselen etter originalt innhold sannsynligvis vokse.

Ved å omfavne endring og AI, vil Adobe sannsynligvis beholde sin posisjon som en ledende programvarepakke for alle visuelle kreative verk, og til og med utvide rekkevidden.

5. oppkomling

Upstart Holdings, Inc. (OPPST -0.57%)

Upstart er en lånemarkedsplass drevet av AI, lansert mye før AI ble et senter for teknisk samtale i 2023.

Upstarts prosess er for det meste automatisert, med 87 % av innvilgede lån fullt ut avgjort gjennom automatisering.

Tanken bak Upstart er at det eksisterende kredittscoresystemet er ineffektivt og utdatert. Med mye mer tilgjengelig data er det mulig å identifisere lånerisiko bedre og som et resultat gi billigere lån til en stor del av befolkningen.

Dette betyr at Upstarts metode kan identifisere personer med høy FICO-score, men som i praksis har en høy risiko for å misligholde lånene sine. Og omvendt, folk med lave FICO-score er ikke så sannsynlige å misligholde.

kilde: oppkomling

Det totale adresserbare markedet er stort, med en årlig $4T som stammer fra personlige, bil-, hjemme- og småbedriftslån.

På grunn av stigende renter og redusert etterspørsel etter lån, har Upstart opplevd noe nedgang i inntekter og tap i 2023, sammen med resten av sin bransje.

Dette midlertidige tilbakeslaget i lånevolum har ikke bremset Upstarts utvidelse av utlånspartnernettverket, med 100 banker, opp fra 71 året før og bare 10 ved børsnoteringen i 2020, og 61 forhandlere, fra 39 tidlig i 2023.

Investorer i Upstart må håpe at det voksende nettverket er et tydelig tegn på verdien av Upstart-teknologien og potensialet til å bli en stor opphavsmann for lån i det amerikanske markedet.

Kontinuerlig fremgang i AI-beregningen kan også gi den en fordel i et svært konkurransedyktig kredittvurderingsmarked.