Sådan flytter du din AI fra analyse til fundamental opdagelse

Sådan flytter du din AI fra analyse til fundamental opdagelse

Når vi taler om kunstig intelligens i erhvervslivet, handler samtalen typisk om effektivisering. AI kan analysere salgsdata, optimere logistikkæder og automatisere repetitive opgaver. Den er en utrættelig analytiker, der finder mønstre i kendte datasæt. Men hvad nu hvis AI’s virkelige potentiale slet ikke ligger i at analysere det, vi allerede ved, men i at opdage det, vi endnu ikke forstår?

En nylig udvikling fra fysikkens verden sender chokbølger langt ud over laboratoriet og direkte ind i bestyrelseslokalerne. Forskere ved Emory University har brugt en specialdesignet AI til at gøre noget, man tidligere troede var forbeholdt mennesker: at afdække nye, fundamentale naturlove. Dette er ikke bare endnu en historie om smart dataanalyse. Det er et bevis på, at AI er ved at udvikle sig fra et værktøj til optimering til en partner i fundamental opdagelse. Og den tilgang kan blive en afgørende konkurrencefordel for innovative virksomheder.

Fra Big Data til nye spilleregler

For at forstå potentialet må vi se på, hvad forskerne rent faktisk gjorde. De studerede et fænomen kaldet "støvet plasma" – en kompleks tilstand af stof, hvor mikroskopiske partikler interagerer på kaotiske og svært forudsigelige måder. I årtier har fysikere kæmpet med at modellere disse interaktioner præcist, fordi kræfterne mellem partiklerne ikke følger de simple, gensidige love, vi kender fra skolebøgerne.

I stedet for at bede en AI om at forudsige en enkelt partikels bevægelse baseret på eksisterende teorier, vendte forskerne processen på hovedet. De fodrede et neuralt netværk med rå observationsdata af partiklernes bevægelser og bad det i bund og grund om at finde ud af, hvilke "spilleregler" der styrede systemet. Resultatet var forbløffende. AI-modellen afdækkede de skjulte, envejsrettede kræfter mellem partiklerne med over 99 % nøjagtighed. Den formulerede en ny fysisk lov, som havde været skjult i dataene hele tiden.

Pointen er, at AI’en ikke blev trænet på en kendt sandhed. Den udledte sandheden fra kaos. Dette er et paradigmeskifte inden for AI i R&D, der flytter fokus fra at bekræfte hypoteser til at generere dem.

Hvad et "AI-eureka"-øjeblik betyder for din virksomhed

Du leder måske ikke efter nye naturlove i plasma, men din virksomhed har med garanti sine egne komplekse systemer, hvis spilleregler er ukendte. Det kan være alt fra uforudsigelige kundebevægelser i et digitalt økosystem til komplekse kemiske reaktioner i en produktionsproces. Her er, hvordan den nye tilgang kan revolutionere forskellige sektorer:

• Materialevidenskab: I stedet for at teste tusindvis af kendte materialekombinationer for at finde en med de ønskede egenskaber, kan en AI analysere data fra mislykkede eksperimenter og udlede helt nye principper for, hvordan man designer materialer. Målet er ikke at finde den rette blanding, men at opdage en ny "opskrift" på innovation.
• Lægemiddelindustrien: Frem for kun at bruge AI til at forudsige, hvilke eksisterende molekyler der kan virke mod en sygdom, kan den analysere cellulære data for at opdage hidtil ukendte biologiske mekanismer. Dette kan åbne døren for helt nye klasser af medicin, som vi slet ikke kunne forestille os i dag.
• Produktion og ingeniørvidenskab: Ethvert komplekst system – fra en vindmølles aerodynamik til flowet i en forsyningskæde – er styret af underliggende principper. Ved at lade en AI analysere rå sensordata kan man afdække skjulte inefficienser eller dynamikker, der muliggør et design- eller procesgennembrud, frem for blot en marginal forbedring.

Kernen er at flytte sig fra at spørge: "Baseret på hvad vi ved, hvad er den bedste løsning?" til at spørge: "Baseret på disse data, hvad er de fundamentale regler, vi slet ikke kendte til?"

Sådan implementerer du en opdagelses-drevet AI-strategi

At omstille sig til denne nye måde at anvende AI på kræver mere end blot ny software. Det kræver et nyt mindset. Her er tre skridt til at komme i gang:

1. Identificér jeres "sorte bokse": Hvor i jeres forretning eller R&D-proces støder I konstant på problemer, der er for komplekse til at modellere? Hvor er I afhængige af mavefornemmelse, tradition og "trial-and-error"? Disse områder, hvor I har masser af data men ringe forståelse, er de perfekte kandidater til opdagelses-drevet AI.
2. Prioritér rå, ufiltrerede data: For at AI kan opdage nye principper, har den brug for at se virkeligheden, som den er – ikke som jeres eksisterende modeller beskriver den. Invester i at indsamle høj-kvalitets, rå data fra jeres mest komplekse systemer. Data er brændstoffet til den næste generation af AI i R&D.
3. Byg bro mellem domæneeksperter og AI-specialister: En AI kan finde en matematisk sammenhæng, men den forstår ikke den fysiske eller kommercielle kontekst. Gennembruddet opstår, når jeres kemiker, ingeniør eller markedsanalytiker kan fortolke de mønstre, AI'en finder. Det tværfaglige samarbejde er afgørende for at omsætte en matematisk opdagelse til et forretningsmæssigt gennembrud.

Fremtiden tilhører dem, der tør spørge

Gennembruddet ved Emory University er et varsel om fremtiden. Snart vil den mest værdifulde anvendelse af kunstig intelligens ikke være at give os bedre svar, men at hjælpe os med at stille helt nye spørgsmål. Konkurrencefordelen vil ikke ligge hos dem, der er bedst til at analysere fortiden, men hos dem, der er hurtigst til at afdække de skjulte principper, der vil forme fremtiden.

Udfordringen til enhver leder og strateg er derfor klar: Hvad er jeres virksomheds "støvede plasma"? Hvilket komplekst, kaotisk og værdifuldt system tør I lade en AI undersøge, ikke for at få et svar, men for at finde en helt ny måde at tænke på?