Dažādiem cilvēkiem ir dažādi priekšstati par labumu, bet lūdzu, tikai daži no milzīga skaita AI/ML tehnoloģiju pienesumu pēdējās dekādes laikā:

• jaunu proteīnu dizains "no nulles" un esošo īpašību prognozēšana [1] (pie reizes atrisinot dekādēm ilgi iestrēgušo proteīnu telpiskās savākšanās (folding) modelēšanas problēmu) ar ļoti plašām un tālejošām implikācijām jaunu zāļu vielu un molekulārbioloģijas tehnoloģiju izstrādē [2]
• precīzākas un laicīgākas slimību diagnostikas iespējas (ļoti daudz publikāciju; par šo specifisko tēmu pats esmu sarakstījis nodaļu nozares literatūrā, ja ir interese, jautāt personīgi)
• precīzākas un mazākus skaitļošanas resursus prasošas meteoroloģijas prognozes [3]
• visa mašīntulkošanas nozare kā tāda, ar masīvu progresu tieši pēdējo divu-triju gadu laikā [4]
• ļoti nopietnu līmeni sasniegusi un strauji attīstošamies robotu tehnoloģija [5], t.sk. medicīnas [6] un transporta [7] jomās
• līdz šim nebijušas iespējas vizuālās mākslas [8][9] un mūzikas [10] jomās
• būtiski uzlabojumi datorgrafikā [11][12]
• programmēšanas digitālie asistenti [13][14]

Šādi varētu turpināt lappusēm ilgi.

[1] https://www.deepmind.com/research/highlighted-research/alphafold
[2] https://openbioml.org/
[3] https://www.nature.com/articles/s41467-022-32483-x
[4] https://arxiv.org/abs/2106.02242 un liels skaits citu publikāciju
[5] https://www.bostondynamics.com/atlas
[6] https://wiki.tum.de/display/dlma/Deep+learning+robotic+guidance+for+autonomous+vascular+access
[7] https://neptune.ai/blog/self-driving-cars-with-convolutional-neural-networks-cnn
[8] https://www.midjourney.com/
[9] https://stability.ai/blog/stable-diffusion-announcement
[10] https://www.harmonai.org/
[11] https://en.wikipedia.org/wiki/Deep_learning_super_sampling
[12] https://en.wikipedia.org/wiki/Deep_learning_anti-aliasing
[13] https://github.com/features/copilot
[14] https://www.tabnine.com/