AI gedachten / AI thoughts

Als je vandaag de dag aan een willekeurige voorbijganger vraagt wat AI is, dan is de kans groot dat in het antwoord ‘ChatGPT’ genoemd wordt. Of op zijn minst een andere toepassing die op taalmodellen gebaseerd is. Dat is niet juist, maar wel begrijpelijk. Maar er zijn heel veel meer soorten AI, en ze hebben allemaal andere kenmerken.

De analogie die ik eerder trok tussen Generatieve AI (chatbots) en auto’s  helpt om te begrijpen welke soorten AI er eigenlijk zijn. We gaan het hele wagenpark aan voertuigen langs.

De vergelijking

Als we computerelectronica vergelijken met de uitvinding van het wiel, dan is internet (‘de informatiesnelweg’, kent u die term nog?) te vergelijken met verharde wegen. De menselijke kennis die door computers en internet wordt opgeslagen en verspreid, is te vergelijken met de spierkracht die gebruikt wordt om voertuigen te bewegen. Niet-menselijke kennis, zoals de informatie die in data en modellen zit, kan dan weer vergeleken worden met mechanische aandrijving door middel van motoren en brandstof. Met brandstof ga je sneller, kom je verder met minder moeite, maar moet je ook bijwerkingen voor lief nemen.

Er zijn veel soorten voertuigen, met veel verschillende manieren om ze aan te drijven, en ze hebben allemaal hun unieke kenmerken: het is een heel wagenpark. Laten we eens kijken of die vergelijking werkt.

Het wiel – de computer

Waarvoor is het eerste wiel gebruikt? Waarschijnlijk voor een kruiwagen-achtige constructie, zodat je op een boerenerf of een bouwplaats zware dingen kon verplaatsen? Koetsen en karren hadden meer mogelijkheden, maar vereisten min of meer begaanbare wegen. Het gebruik van deze voertuigen was beperkt door de beschikbare spierkracht, van mens of dier. Een geavanceerder voertuig is de fiets: de menselijke spierkracht wordt optimaal benut. Het is wel veel complexer apparaat, maar je kunt nog redelijk goed zien en snappen hoe het werkt, ook al zal niet iedereen zijn eigen fiets nog kunnen repareren. Racefietsen zijn super high tech en zijn zo’n beetje het maximale wat je qua snelheid nog met menselijke kracht kunt bereiken.

De PC werd gebruikt om informatie mee op te slaan en te bewerken: teksten schrijven met ‘word processors’, databases van adressen aanleggen, maar ook spelletjes spelen. In eerste instantie waren veel mensen onder de indruk van computers en werden het magische apparaten gevonden, maar later brak het besef breed door “je kunt er alleen maar uithalen wat je er ook ingestopt hebt”. Alles wat een computer deed was door een mens bedacht.

Ook al was alles door een mens bedacht, het gedrag van zo’n machine kon wel heel magisch overkomen: de chatbot ‘ELIZA’ die midden jaren 60 door computerwetenschapper Joseph Weizenbaum werd gemaakt, werkte volgens simpele regels maar gaf gebruikers het gevoel met een mens van doen te hebben. De term ‘artificial intelligence’ werd rond die tijd geboren. Het bedenken en programmeren van rekenregels was de standaard aanpak in dit nieuwe gebied, en je kon er een heel eind mee komen. Bijvoorbeeld met schaakcomputers: alle regels waren er door mensen (zelf geen schaakgrootmeesters) ingestopt, maar werkten zó goed dat ze de wereldkampioen konden verslaan. Indrukwekkend, maar ondanks al die slimme programmeurs zat er toch wel een grens aan wat je kunt bereiken met menselijke kennis. (Deze soort AI werd ook wel GOFAI – Good Old Fashioned AI genoemd, en toen men zich realiseerde dat er grenzen aan deze aanpak zaten, leidde dat tot een ‘AI Winter’).

Brandstof en motoren – data en modellen

Voertuigen kregen een flinke boost toen de verbrandingsmotor werd uitgevonden. Stoommachines, benzinemotoren of dieselmotoren zorgden ervoor dat spierkracht van mensen of dieren niet meer nodig was. De rol van de mens is dan om voertuigen te besturen, niet meer om ze zelf aan te drijven. Met de introductie van de T-Ford en de lopende band waren auto’s op weg om een massaproduct te worden.

Er zijn dan wel aanvullende voorzieningen nodig zoals een systeem om brandstof te produceren en te distribueren (laadpalen, benzinepompen). De eisen aan wegen wordt strenger omdat de snelheden hoger zijn, er moeten wetten komen om alles een beetje veilig te houden. En er zijn bijeffecten zoals lawaai, stank en vervuiling.

Op dezelfde manier kregen AI-toepassingen een enorme boost toen het verzamelen en opslaan van data grootschalig en goedkoop mogelijk werd en er manieren werden gevonden om daar met behulp van statistische technieken modellen mee te bouwen.

Eenvoudige toepassingen van deze data-gebaseerde toepassingen konden aanbevelingen doen (“mensen die dit product kochten, zijn ook geïnteresseerd in …”). Meer geavanceerde modellen die van héél veel data gebruik maken (deep learning) konden plaatjes of spraak herkennen. De meeste toepassingen van AI zijn dan ook in bedrijfsomgevingen.

Met al die data is het niet meer nodig om de kennis van mensen expliciet in regels te programmeren. Veel data verzamelen, deep learning doen, klaar. De rol van de mens is om min of meer zinnige toepassingen te bedenken. Aanvullende voorzieningen zijn nodig om al die data te verzamelen, te transporteren en op te slaan, en er moesten ook allerlei wetten komen om de datagraaihonger een beetje te beteugelen. En er waren bijeffecten zoals privacy-inbreuken en hoog energieverbruik van datacenters.

En toen moest het nog november 2022 worden.

De introductie van ChatGPT heeft van AI een massaproduct gemaakt. ChatGPT en al zijn opvolgers zijn een nog verder opgevoerde versie van die ‘deep learning’ AI-systemen. In plaats van relatief simpele taken als plaatjes herkennen (“dit product wordt afgekeurd vanwege een productiefout”) of spraak herkennen (“Siri, wat voor weer wordt het?”), konden ze nu ook plaatjes en tekst zelf produceren. De term hiervoor is Generatieve AI.

De eerste toepassingen van data-gedreven AI zou je met bromfietsen of motorfietsen kunnen vergelijken: één toepassing, relatief efficiënt, en veilig als je er goed mee omgaat. De chatbots met hun grote populariteit en brede toepassing zijn dan de personenauto’s. AI die in complexe medische diagnostiek gebruikt wordt of het ontwerpen van nieuwe geneesmiddelen kun je dan weer vergelijken met raceauto’s.

Voertuigen en AI die de fysieke wereld verandert

Tot nu toe zijn de gepresenteerde voertuigen en AI-systemen vooral bedoeld om met mensen te interacteren. Maar gemotoriseerde voertuigen kunnen méér dan mensen vervoeren. Brandweerauto’s, hijskranen en grasmaaiers: ze voeren werk uit in onze fysieke omgeving. Bij AI-systemen zie je iets vergelijkbaars. Dit worden dan agents genoemd. Zo’n agent kan namens zijn gebruiker een mailtje beantwoorden, de verwarming hoger zetten, of boodschappen bij een online supermarkt bestellen, betalen en laten bezorgen.

Zelfrijdende auto’s rijden inmiddels al op verschillende plaatsen rond en hebben daarmee wisselend succes. Stel je voor dat er zelfrijdende (en zelfhandelende!) bulldozers, tanks en asfalteermachines zouden zijn! Wat zou dáár nu mis mee kunnen gaan?

Nou… in de AI-wereld bestáát dat equivalent van de zelfrijdende graafmachine, cirkelzaag en sneeuwschuiver al: het veelbesproken OpenClaw dat helemaal zelfstandig álles kan doen wat jij achter je computer ook kunt doen. We hebben inmiddels zo’n groot deel van ons leven van een digitaal laagje voorzien, dat zo’n bot een flink deel van onze dagelijkse wereld kan besturen. En voor die dingen waar je echt nog een mens nodig hebt, kunnen ze zelfs een mens inhuren.

Inzichten uit deze vergelijking

Het gebruiken van spierkracht voor voortbeweging is vermoeiend dus het is logisch om dat te automatiseren door motoren die op brandstof lopen. Idem voor computersystemen die op menselijke kennis draaien: je moet best goed nadenken, veel praten en samenwerken voordat die kennis in een computerprogramma zit. Dus als je dat met het verzamelen en automatisch analyseren van data op kunt lossen is dat aantrekkelijk.

Die brandstof moet ergens vandaan komen en de behoefte eraan is zo groot (kijk de blog over de Jevons-paradox nog even na) dat onze eigen voorraden, als we die al hebben, niet genoeg zijn. Heel veel geopolitieke verwikkelingen zijn dan ook gedreven door olie. (Twee voorbeelden: de Golfoorlog zou niet hebben plaatsgevonden als het belangrijkste exportproduct van Irak broccoli zou zijn, en Nederlands Indië werd bezet door Japan vanwege de olie.) Ook is het voor een land niet automatisch zo dat het hebben van olie er ook voor zorgt dat de bevolking daarvan profiteert – zie Venezuela of Nigeria.

Met data is het precies zo. Datakolonialisme is een term die al regelmatig valt. Vrijwel alle AI-taalmodellen zijn getraind op data die zonder toestemming, laat staan vergoeding, verkregen is. (Alle AI-modellen? Nee, een klein project in een klein land verzet zich moedig.) Er zijn meer parallellen tussen data en olie die ik in deze blog verder uitgewerkt heb.

Een andere parallel is ook duidelijk: het bovenmatig gebruiken van brandstofvoertuigen voor verplaatsing is slecht voor onze gezondheid omdat we onze spierkracht te weinig gebruiken. Op dezelfde manier is het bovenmatig leunen op AI-modellen die het denken van ons overnemen slecht voor ons eigen inzicht. Te veel gebruik van GenAI leidt tot slechtere besluiten, zoals teveel gebruik van de auto slecht is voor de lichamelijke conditie.

Een laatste parallel. Bij voertuigen is een heel stelsel wetten en regels ontstaan. In de 19^e eeuw al had je de vereiste om een ‘locomobiel’ te laten voorafgaan door een rode vlag. Verkeersregels, rijbewijzen en veiligheidseisen kwamen daar vanzelf achteraan. Sommige regels lieten nog wel even op zich wachten: veiligheidsgordels werden pas in 1975 verplicht. Het zijn niet alleen overheden die traag waren: de overduidelijk nuttige veiligheidsgordels kreeg felle tegenstand. “Ze zijn onveilig! Wat als ik het kanaal inrijd, en dan zit ik vast in die dingen!” (Ik hoor het mijn opa nog zeggen.)

Met AI is het niet veel anders. De AI Act ligt onder vuur omdat het innovatie zou belemmeren. Critici schamperen dat Europa weer het braafste jongetje van de klas wil zijn. Net zoals maximumsnelheden, alcholverbod en gordels best laat verplicht werden, lopen we met echte maatregelen in de digitale wereld meestal een beetje achter. Het verbod op sociale media voor kinderen had in feite ook al 15 jaar geleden kunnen worden ingevoerd en zelfs in de VS is er nu een grote zaak tegen Facebook. Dus ja, er zullen nog wel wat meer doden moeten vallen voordat de niet-Europeanen regels gaan stellen. (De ruzie tussen Anthropic en het Amerikaanse Ministerie van Oorlog maakt het risico ‘vallen van doden’ wel heel duidelijk.)

Conclusie

Als de ontwikkeling van voertuigen net zo gegaan was als met AI nu, dan zou het een behoorlijk zootje geworden zijn: mensen zouden in de verleiding gekomen zijn om boodschappen te gaan doen met hun racewagen, of om de worteltjes uit hun moestuintje met een maai-dors-machine te gaan oogsten.

Toch is dat wat er nu rondom AI wel gebeurt. Als je ChatGPT vraagt om een rekensom op te lossen, of verwacht dat een taalmodel (taalmodel, geen feitenmodel) het laatste nieuws van je lokale voetbalclub kent, dan ben je tools aan het gebruiken op een manier die totaal niet past bij hun ontwerp. Heel begrijpelijk: zo’n ding presenteert zich op een heel overtuigende en alwetende manier. “Ja maar, we zijn geen AI-onderzoekers, hoe moeten wij nu weten waarvoor AI ontworpen is?” Dit is precies de reden dat zogenaamde “AI geletterdheid” zo belangrijk is.

De snelheid van AI-ontwikkeling van de laatste jaren maakt het wel moeilijk om die geletterdheid een beetje op te bouwen: zodra je min of meer weet wat waarvoor het beste werkt, is er alweer wat nieuws. Wat dat betreft was de veel langzamere ontwikkeling van voertuigen beter te behappen omdat iedereen eraan kon wennen dat niet elk apparaat met wielen overal geschikt voor is. Dat heeft de maatschappij met vallen en opstaan geleerd. Ik hoop dat we met de huidige snelheid van ontwikkelingen in AI ook tijd krijgen om na het onvermijdelijke vallen ook weer op te staan.

Epiloog: beperkingen aan deze vergelijking

Voor elke vergelijking geldt dat er grenzen zijn aan de geldigheid ervan. Ik heb verschillende voertuigen ten tonele gevoerd in dit betoog en heb ze stuk voor stuk met een bepaald soort AI weten te vergelijken. Maar ik had graag nog een mooie AI-analogie weten te vinden voor heel andere voertuigen, zoals treinen en vliegtuigen. (Maar dat is niet gelukt.)

Andersom: er zijn nog meer soorten AI die ik niet goed aan een voertuig kon koppelen. Eentje daarvan wil ik nog wel graag uitlichten: zogenaamde ‘hybride AI’ (ook wel ‘neurosymbolic AI’ genoemd, alsof dat duidelijker is…). Deze hybride AI probeert de voordelen van kennisregels te combineren met de voordelen van AI die puur op data gebaseerd is. Als menselijke kennis in een regel te vatten is: vooral doen. Als we die kennis niet hebben, maar wel veel data: dan trainen we zo’n hip deep learning model. In voertuigtermen: als we voldoende spierkracht hebben om ons voort te bewegen dan gebruiken we die, maar als dat ontbreekt hebben we altijd nog een motor. Inderdaad – dan denk je aan de e-bike. Toch zit me dat niet helemaal lekker: hybride AI is wat mij betreft écht de manier om betrouwbare AI-systemen te maken, maar over e-bikes ben ik sceptisch. Ja, het is waar dat e-bikes verreweg de meest efficiënte manier van voortbewegen zijn (lagere footprint dan gewoon fietsen, als je de extra bananen meetelt om de fietser van energie te voorzien). Maar tegelijkertijd worden ze, zeker in de vorm van fatbikes, veel te veel gebruikt door mensen die prima hun eigen spieren kunnen aanspreken.

Maar alles op een rij zettend, vind ik de vergelijking tussen AI en (gemotoriseerde) voertuigen tot nu toe de beste omdat die de meeste dingen over AI met een opmerkelijke parallel verklaart: de werking, de variatie in gebruik, de relatie met wetten en regels, de impact op ons leven, de geopolitiek, en nog zo wat andere aspecten.