"AI is here to stay"

De schok

Je kent het misschien wel ... Je hoort of leest iets en merkt dat het je toch dieper raakt dan je eerst dacht. Deze ervaring had ik bij het beluisteren van een podcast van AI Report. In de podcast van 15/05/2025 komt MIT-professor Michiel Bakker aan bod. Hij vertelt over hoe volgens hem de wereld zal veranderen met AI en plakt er ineens een tijd op: 3 tot 5 jaar ... (Beluister zelf de podcast op Spotify)

In dezelfde aflevering gaan Alexander Klöpping en Wietse Hage, de makers van de podcast, verder in op het effect van AI op het onderwijs. Na enkele dagen sudderen werd het voor mij duidelijk: We staan op de rand van een tijdperk, een nieuwe wereld en onze maatschappij en ons onderwijs zijn hier niet klaar voor.

Wat is AI?

Artificiële intelligentie is de mogelijkheid van een machine om mensachtige vaardigheden te vertonen, zoals redeneren, leren, plannen en creativiteit. Het is een tak binnen de computerwetenschappen die al meer dan 50 jaar oud is, maar pas de laatste jaren met de ontwikkeling van neurale netwerken heel wat vooruit heeft geboekt.

Computerprogramma's worden meestal ontwikkeld op basis van een beslisboom. Elke mogelijke situatie wordt op voorhand bedacht door de programmeur. Als die een mogelijke input uit het oog heeft verloren, zal het programma een fout bevatten, wat we een "bug" noemen. Met een neuraal netwerk stappen we af van logica. Een neuraal netwerk vormt, na training, een zwarte doos waarbij de input wordt gekoppeld aan output, zonder dat we het rechtstreeks pad in het denkproces nog kunnen volgen. Het programma kan verschillende output genereren telkens met een bijhorende statistische zekerheid. Je krijgt dus niet meer: "Het antwoord is A", maar "Met 65% zekerheid is het antwoord A, met 15% zekerheid is het antwoord B, ...". Dit lijkt wel een stap achteruit, maar heeft één groot voordeel: het programma kan ook een antwoord geven op input waarvoor het niet getraind is. Het programma zal in dat geval een output genereren volgens de trend die uit de trainingsdata naar voor komt. Er zijn dus geen "bugs" meer die het programma volledig laten vastlopen, maar er is ook geen zekerheid over de uitkomst.
Dit is volledig nieuw. We zijn allemaal gewend dat een computer steeds hetzelfde antwoord geeft, maar dit is niet meer het geval bij AI. Het heeft dus weinig zin om feitelijke kennis te vragen die alleen maar juist of fout kan zijn. Toch verwachten mensen steeds het 100% correcte antwoord van een AI-systeem: een eerste valkuil.

Een neuraal netwerk trainen

Het trainen van een neuraal netwerk gaat gepaard met een enorme grote dataset. In het geval van een "large language model" zoals ChatGPT, krijgt het netwerk gigantische hoeveelheden tekst te verwerken. Bij het trainen worden parameters van paden in het denkproces aangepast tot ze de verwachte output genereren. Zo krijgt het pad waarbij de zin "De koning van het land" wordt gegenereerd een hoger gewicht dan de zin "de koning van de appelflap". Statistisch zal de eerste zin veel meer voorkomen dan de tweede zin.

Hoeveel parameters heeft zo'n neuraal netwerk dan nodig? Veel, ... heel veel. GPT-3 van OpenAI werd in 2020 losgelaten op de wereld en had meer dan 150 miljard parameters, voldoende om vlotte teksten te genereren zonder al teveel fouten. Bij GPT-4 wordt geschat dat het gaat om 1,7 biljoen parameters. Hierdoor krijgt het neurale netwerk meer nuance en kunnen ook andere elementen toegevoegd worden zoals genereren van afbeeldingen, geluidsfragmenten, bestanden enzovoort.

Wat kan AI?

Het heeft geen zin om op te lijsten wat AI kan. Daarom geef ik hierbij drie voorbeelden.

Large language models

We hebben allemaal al teksten laten genereren met Chatgpt, Gemini of Claude. Op dit ogenblik worden door AI geschreven sollicitatiebrieven beoordeeld door AI-systemen. In sommige bedrijven zal je pas op gesprek kunnen komen als je door deze eerste screening met AI geraakt.

Alphafold

Na hun overwinning in het GO-spel met AlphaGo stortte Deepmind zich op een serieuzer probleem: eiwit-structuren. Alle biologische processen in ons lichaam, maar ook heel wat productieprocessen maken gebruik van eiwitten of proteïnen. Deze eiwitten kunnen heel specifiek ingrijpen op allerlei chemische processen. Eiwitten worden opgebouwd uit 21 verschillende aminozuren. De volgorde van deze aminozuren en de lengte van de keten bepalen de vorm en daarmee ook de functie van het eiwit. Het bepalen van de eiwitstructuur met experimentele methoden zoals röntgenkristallografie, NMR of cryo-elektronenmicroscopie kan jaren tot zelfs decennia in beslag nemen. Dankzij Deepmind's AlphaFold wordt dit herleid tot enkele minuten of uren. Op dit ogenblik is het zelfs mogelijk om onbestaande eiwitten te genereren, die potentieel gebruikt kunnen worden in allerhande processen en farmaceutica.
Van AlphaGo werd een bijzonder goede documentaire gemaakt. Bekijk hem op Youtube

Nano banana

Bij het schrijven van deze tekst kwam Nano Banana net uit. Deze nieuwe tool van Google maakt het aanpassen van afbeeldingen en foto's bijzonder eenvoudig. Met enkel tekstcommando's en zonder voorkennis van Photoshop of dergelijke kan je een foto laten aanpassen. Belichting, achtergrond, stijl, maar zelfs lichaamshoudingen worden netjes aangepast volgens jouw instructies. Geef me een paar uur en ik kan mezelf opnieuw haar geven met Photoshop. Nano Banana doet er 15 seconden over... Het is niet perfect, maar komt toch aardig in de buurt.

AI kan niet...

Er is heel wat waar AI nog heel wat moeite mee heeft. AI durft al eens bronnen uitvinden en verzinnen als er onvoldoende beschikbaar zijn. Foutieve informatie wordt met dezelfde zelfverzekerde toon weergegeven. We hebben het allemaal al gezien: "Ach ja, je hebt helemaal gelijk, ik maakte een fout." Waarop je een aangepaste tekst krijgt die exact dezelfde fout bevat.

Doordat AI voortdurend meer spectaculaire dingen kan, lijken we dit ook regelmatig te overschatten. "Vanaf nu kan AI je agenda plannen!" en dan denk je: "Kon AI dat nog niet?". Dit is een tweede valkuil: we overschatten en onderschatten voortdurend wat AI eigenlijk wel of niet kan.

Het effect van AI op onze maatschappij

Het is allemaal nog erg nieuw, waardoor degelijk onderzoek heel schaars is. De eerste resultaten wijzen er wel op dat er grote veranderingen op til zijn.

Een studie van Stanford University "Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence" geeft aan dat er 13% minder jobaanbiedingen zijn voor jongeren tussen 22 en 25 jaar in sectoren waar AI reeds zijn intrede maakte. Het gaat vooral om jobs waarbij er typisch ervaring wordt opgedaan met saai, repetitief werk zoals bugs oplossen in software of opzoekwerk bij een advocatenkantoor. Dit is het resultaat van de huidige beschikbare tools in een beperkt onderzoek. De technologie staat echter niet stil en nog niet iedereen is er even vertrouwd mee. Ik schat in dat de impact alleen maar groter zal worden.

Daarnaast heeft OpenAI een studie vrijgegeven over hoe mensen ChatGPT gebruiken. Naast het toenemende aantal vrouwen dat gebruik maakt van ChatGPT, valt het eveneens op dat vragen die gesteld worden verschuiven. Waar vroeger de focus vooral lag op het genereren van werk gerelateerd materiaal, verschuift het gebruik naar de persoonlijke sfeer. Steeds meer gebruiken mensen AI als raadsman of klankbord om ideeën en bedenkingen te toetsen bij het nemen van beslissingen.