Kina nu största bidragsgivare till öppna AI-projekt – forskare utvecklar AI som diagnostiserar ADHD och autism
Kina leder öppna AI-projekt medan forskare utvecklar ADHD-diagnostik med artificiell intelligens.
Maktförskjutning i AI-landskapet
En dramatisk förändring pågår inom AI-utvecklingen. Plattformen Hugging Face rapporterar att deras ekosystem för öppen källkod har nästan fördubblats under 2025, med 11 miljoner användare och över två miljoner offentliga modeller. Men den kanske mest anmärkningsvärda förändringen är geografisk – Kina har tagit ledningen som bidragsgivare till öppna AI-projekt.
Denna utveckling markerar en viktig övergång från konsumtion till skapande. Användare nöjer sig inte längre med färdiga lösningar utan utvecklar egna anpassade modeller och tillämpningar. Mer än 30 procent av Fortune 500-företagen har nu verifierade konton på plattformen, medan nystartade företag rutinmässigt bygger sina produkter på öppna modeller som grundkomponenter.
Genombrott inom medicinsk diagnostik
Parallellt med denna strukturella förändring gör forskare imponerande framsteg inom specifika tillämpningsområden. Ett team har utvecklat LUMINA, ett AI-system som kan diagnostisera ADHD och autism genom att analysera hjärnskanningar med en träffsäkerhet på 84-88 procent.
Systemets styrka ligger i dess tekniska sofistikering. Genom en fyrströms-arkitektur med bipolär aktivering löser LUMINA ett kritiskt problem med traditionella grafneurala nätverk – att de suddar ut viktiga kontrastskillnader mellan hjärnregioner. Genombrottet, testat på 723 patienter, kan revolutionera tidig diagnostik av neuroutvecklingsstörningar hos barn.
När språkmodeller utmanar etablerad vetenskap
En annan fascinerande utveckling kommer från materialforskningen, där stora språkmodeller som DeepSeek-V3 och ChatGPT-4o nu konkurrerar med etablerade statistiska metoder för att förutsäga materielegenskaper. I studier av polysulfon-membran reducerade språkmodellerna felen med över 40 procent för komplexa egenskaper, samtidigt som de visade mycket lägre variation mellan körningar.
Detta är mer än bara imponerande siffror – det representerar en grundläggande förändring i hur vi kan bedriva materialforskning. Språkmodellernas förmåga att integrera omfattande kunskapsbanker med specifika mätdata öppnar nya möjligheter för materialupptäckt, särskilt när tillgänglig data är begränsad.
Utvecklingsverktyg som växer med programmeraren
Inom programvaruutveckling har forskare presenterat MemCoder, ett ramverk som möjliggör för AI-kodningsagenter att utvecklas kontinuerligt tillsammans med mänskliga programmerare. Till skillnad från befintliga verktyg som arbetar med statiska kodögonblicksbilder kan MemCoder analysera projekthistorik och dra lärdomar från tidigare framgångar.
Systemet uppnår 9,4 procent förbättring jämfört med grundmodellen genom att kristallisera människovaliderade lösningar till långsiktig kunskap. Detta exemplifierar en viktig trend – AI-system som inte bara assisterar utan faktiskt samevolverar med sina mänskliga användare.
Standardisering genom öppna ramverk
Slutligen har forskare lanserat vla-eval, ett öppet ramverk som förenklar utvärdering av Vision-Language-Action-modeller för robotik. Genom att lösa problem med duplicerad kod och otydliga testprotokoll uppnår systemet 47 gånger snabbare genomströmning än tidigare metoder.
Detta ramverk representerar en mognadsprocess inom AI-forskningen – från experimentella proof-of-concepts till standardiserade, reproducerbara metoder som hela forskningsgemenskapen kan bygga vidare på.
Vår analys
Vi bevittnar en fundamental omstrukturering av AI-landskapet där öppen utveckling blir den dominerande kraften. Kinas frammarsch inom öppen AI-utveckling, kombinerat med forskningsgenombrott inom medicin, materialvetenskap och utvecklingsverktyg, visar att innovation inte längre är koncentrerad till ett fåtal tekniska stormakter.
Denna demokratisering av AI-utveckling skapar en positiv spiral. När forskare och utvecklare världen över får tillgång till avancerade verktyg och modeller accelererar innovationstakten dramatiskt. Samtidigt leder öppenheten till bättre reproducerbarhet och standardisering – kritiska faktorer för vetenskaplig trovärdighet.
Utvecklingen pekar mot en framtid där AI-innovation blir mer distribuerad, kollaborativ och tillämpningsfokuserad. Istället för att vänta på genombrott från stora teknikföretag ser vi nu hur forskningsteam och mindre aktörer driver utvecklingen framåt inom specifika domäner. Detta är särskilt uppmuntrande för länder som Sverige, där vår starka forskningstradition och tekniska kompetens kan ge oss konkurrensfördelar inom nischområden, även om vi inte kan konkurrera med de största aktörernas resurser inom allmänna språkmodeller.