AIs effekt på alle naturvidenskabers mødre, teoretisk fysik og matematik, vil sandsynligvis blive dyb og grundlæggende. For AI er en ny form for intelligens, ikke blot en højere intelligens. De kommercielle potentialer bliver dog svære at høste. Samlet konklusion på blog rækken er, at de aktuelle AI udbydere står stærkest på kort sigt, på nær på seed området. Men på mellemlangt og langt sigt kan gamle giganter forgå, og ny kan opstå.
Dette blog indlæg er nummer ni i rækken om AIs disruption på innovation
Dette blog indlæg er nummer ni i rækken om den disruptive effekt af en teknologi, der bygger på en ny form for intelligens, der er selvlærende, universally enabling og som giver mulighed for dyb customization:
- Hvor påvirker AI i dag?
- Hvad er det nye og disruptive ved AI?
- AIs effekt på robotics og eksperimentel automatisering
- AIs effekt på klima- og meteoforskning
- AIs effekt på samfundsvidenskab og humaniora
- AIs effekt på undervisning og mental sundhed
- AIs effekt på bioteknologi og lægemidler
- AIs effekt på materialeforskning og kvantekemi
- AIs effekt på teoretisk fysik og matematik
- Hvad bør investeringsstrategier i AI tage højde for?
En ny form for intelligens vil føre til nye grundlæggende erkendelser
AI kommer til at påvirke vores erkendelsesmæssige forståelse af verden, fordi det er en ny form for intelligens, ikke blot en hurtigere intelligens. Dén grundlæggende erkendelse vil påvirke al anden forskning. AI vil dermed særligt påvirke de naturvidenskabelige metoder, dvs. hvordan vi tænker, udforsker og beviser. I sig selv er det kommercielle potentiale således behersket, men samlet kan det være hér, at de største landvindinger kommer til at opstå.
Potentialet er stort. Reelt har vi f.eks. kun vished om de 5-10% af universet, som vi har sanser til at registrere. Resten er mørkt, dvs. det interagerer ikke med lys. Det eneste vi således reelt ved om universet er, at det lader sig beskrive og fremskrive ret præcist ved hjælp af matematik.
Erkendelsesmæssige gennembrud fra AI vil således især påvirke metoder til forskning, dvs. hypotese-generering, simulationer, opdagelser og bevisførelse.
I første omgang vil det især påvirke naturvidenskabernes mødre, fysik og matematik
Konkret har det bl.a. betydning for astro- og kernefysik. Mængden af datasæt fra f.eks. partikelacceleratorer og fra kosmologiske observationer er i dag overvældende. Det gør det svært at se reelle eller betingede korrelationer. Dermed er det også svært at udlede logiske sammenhænge, dvs. opnå reel erkendelse.
- AIs rå regnekraft kombineret med dets mønstergenkendelse har i dag haft succes med at finde mønstre i kvantefelter og kondenseret stof. Det peger mod nye teoretiske rammer.
- Strukturelt har AI været effektivt til at skabe surrogatmodeller (approksimationer) for komplekse systemer, der reducerer beregningstiderne drastisk.
- Gemini 2.5 (DeepThink) har f.eks. skabt gennembrud inden for matematik, fordi den benytter flere måder at tilgå problemer på, og derpå sammenholder den indre logik. Mennesker arbejder ofte på samme måde.
- I 2021 benyttede Sydney University AI modeller baseret på DeepMind til at finde nye mønstre i repræsentationsteori. De er siden hen blevet bevist af mennesker.
- AlphaGeometry og AlphaProof har vist sig effektive til at skabe beviser inden for formel matematik og geometri.
- Desuden har AI-assistenter allerede vist sig effektive som “matematiske partnere”, der tilpasser sig forskernes individuelle arbejdsstil og foreslår metoder til bevisførelse m.v.
- Google DeepMind (basis for Alpha), Caltech og Anthropic er de største AI udbydere indenfor området. Desuden er EXCLAIM projektet inden for nuklear fysik blandt de dominerende systemer.
Samlet for rækken af blog indlæg vil det på kort sigt således være de store AI navne, der vil dominere udviklingen. Seed har dog store muligheder
Samlet for de foregående blog indlæg i denne række, er det således rimeligt at forvente følgende disruptions på investeringshorisonter:
Kort sigt (0–3 år): hyperscalere og chipproducenter står stærkest, men konkurrencen er hård imellem de eksisterende spillere.
- Der er høje entry barriers de fleste steder. Det belønner f.eks. NVidia, TSMC, AMD, Intel og ASML samt Cloud platforme som Microsoft, Google, Meta og Amazon. De sidste udvikler pt. alle deres egne AI chips. Huawei, Xiaomi og Cambricon kan også spille større roller på sigt.
- Materialer, pharma, bioteknologi, mental sundhed, undervisning og klimateknologier får øget seed fokus. Generelt er der store disruptive muligheder på TRL 1-4 niveau.
- Flere udviklingsgennembrud vil være så markante og på så kort tid, at de vil skræmme. Det vil øge de generelle kursudsving imellem AI selskaberne.
- Der vil komme så store gennembrud i retning mod AGI, at mange udviklere vil påstå, at de har den første. Den første har de bedste muligheder for at blive den største og således den mest værdifulde. Det kan i sig selv få geopolitisk betydning.
Men på mellemlangt og langt sigt kan store virksomheder forgå, og nye giganter kan opstå
Mellemlangt sigt (2–6 år). Her opstår nye og disruptive softwarelag og branchespecifikke AI-agenter bliver udbredte. Deep customization bliver grundbetingelse for mange virksomheder, og det vil påvirke deres cost-structures. De værdiskabende led i mange produkter vil blive forskudt. “Slow adopters” kan få det svært, selvom de er store og indflydelsesrige over for deres kunder.
- Materialer, pharma, bioteknologi, mental sundhed, undervisning og klimateknologier vil se gennembrud og mange Unicorns (IPOs på +1 mia. USD).
- AGI fører til, at teknologiens udviklingshastighed vil begynde at overstige, hvad mange specialister kan overskue. Det vil også skabe periodevise usikkerheder og misforståelser. Forkerte strategier kan føre til “Intel” og “VHS” udviklinger for mange hidtidige klenodier.
Lang sigt (+5 år). Materialeforskning, biotek og kvante-augmented AI er blevet så stort, at det kan flytte magtbalancer. Fundamental forskning, dvs. matematik, fysik, kvantekemi osv. kan give gennembrud på størrelse med opdagelsen af elektricitet.