Від розробки нових матеріалів до картографування ризиків повеней за допомогою хмар — дослідники Microsoft використовують ШІ для вирішення проблем швидше та ефективніше, ніж будь-коли раніше.
З огляду на сталий розвиток та доступність, вони також долають виклики новими дивовижними способами, наприклад, використовуючи водорості для зниження викидів вуглецю від виробництва цементу та створюючи енергоефективний комп’ютер, який використовує датчики камери смартфона та світло.
У 2025 році Microsoft опублікувала численні наукові статті в рецензованих журналах, поділившись своїми висновками з іншими для подальшого розвитку. Ось 10 прикладів, які показують, як штучний інтелект та інші технології прискорюють інновації в банківській справі, охороні здоров’я, біологічних науках та енергетиці, а також прокладають шлях для вкрай необхідних проривів.
I. Квантові обчислення та матеріалознавство
| № | Прорив | Опис та значення |
| 1. | Majorana 1: квантовий процесор | Перший у світі квантовий процесор, що працює на топологічних кубітах. Використовує топопровідник для контролю частинок Майорани. Очікується, що цей прорив дозволить створювати квантові комп’ютери, здатні розв’язувати промислові задачі, недоступні для сучасних комп’ютерів, протягом років, а не десятиліть. |
| 2. | MatterGen та MatterSim: Відкриття матеріалів за допомогою ШІ | Generative AI інструмент MatterGen створює нові неорганічні матеріали, пропускаючи етап тривалого та дорогого експериментального скринінгу. MatterSim допомагає швидко симулювати властивості цих матеріалів, прискорюючи інновації у сфері батарей, паливних елементів та енергетики. |
| 3. | Цемент із морськими водоростями | Розроблено новий тип низьковуглецевого бетону, який використовує висушені та подрібнені морські водорості. Ця формула, розроблена за допомогою ШІ, має на 21% нижчий потенціал глобального потепління (GWP), ніж традиційний цемент, що є важливим для скорочення глобальних викидів CO2. |
II. Охорона здоров’я та біологія (MedTech)
| № | Прорив | Опис та значення |
| 4. | BioEmu-1: прогнозування стабільності білків | Генеративна модель глибокого навчання, яка може генерувати тисячі структур білків за годину. Це значно прискорює прогнозування стабільності білків та функціональних змін, що є критично важливим для розробки більш ефективних ліків. |
| 5. | RAD-DINO: ШІ та рентгенівські дані | Мультимодальна фундаментальна модель ШІ, розроблена у співпраці з Mayo Clinic, яка інтегрує текст та рентгенівські зображення. Це дозволяє клініцистам швидше та точніше аналізувати радіологічні результати, покращуючи догляд за пацієнтами. |
| 6. | FCDD: покращення скринінгу раку молочної залози | Нова модель ШІ, що покращує раннє виявлення раку молочної залози, особливо у жінок зі щільною тканиною молочної залози. FCDD генерує МРТ-карти, які точно локалізують підозрювані пухлини, перевершуючи інші моделі ШІ та знижуючи кількість хибнопозитивних результатів. |
| 7. | Управління біоризиками ШІ (Dual-Use) | Microsoft очолила конфіденційний проєкт, який розробив багаторівневу систему доступу (tiered-access system) для даних і методів у біології. Це необхідно для управління біологічними ризиками та запобігання зловмисному використанню ШІ-технологій для розробки шкідливих токсинів чи патогенів. |
III. Інфраструктура, обчислення та навколишнє середовище
| № | Прорив | Опис та значення |
| 8. | Aurora: прогнозування погоди за допомогою ШІ | Фундаментальна модель ШІ, яка точніше та швидше прогнозує не лише погоду, а й широкий спектр атмосферних та екологічних подій (забруднення повітря, тропічні циклони). Генерує прогнози за секунди, а не за години, як традиційні суперкомп’ютерні системи. |
| 9. | Картування повеней із космосу | Модель глибокого навчання від Microsoft AI for Good Lab, що використовує радарні знімки супутників для картування зон повеней навіть крізь хмари та вночі. Це дозволило створити глобальну карту повеней за 10-річний період, надаючи політикам важливі дані для підготовки до стихійних лих. |
| 10. | Аналоговий оптичний комп’ютер (AOC) | Прототип комп’ютера, який використовує світло (замість цифрової електроніки) для ефективного розв’язання складних оптимізаційних задач та прискорення виведення ШІ (AI inference). Це потенційно дозволить виконувати ключові обчислення зі значно меншим споживанням енергії та вищою швидкістю. |
