Verken AI-fasen: narrow via general tot super intelligence

De superkracht van AI voor bedrijven 

Meer dan 100 miljoen gebruikers had ChatGPT al in de eerste zes maanden. Met LLM’s kun je als bedrijf onder meer marketingcontent laten schrijven, ideeën genereren, data analyseren en broncode genereren en laten nakijken. Integreer je de OpenAI-technologieën binnen je eigen Azure-omgeving? Dan kun je bijvoorbeeld specialistische chatbots op basis van eigen data ontwikkelen, ticketverwerking (verder) automatiseren en ruwe data opschonen.  

Hebben we met LLM’s nu AGI bereikt, die wedijvert met menselijke intelligentie? Daarover later meer. Laten we eerst de geschiedenis en verschillende fases van AI op een rijtje zetten.  

Fase 1: artificial narrow intelligence (ANI) 

Tot in de jaren 80 waren AI-systemen gebaseerd op handmatig geprogrammeerde regels. Ze waren goed in één specifieke taak, maar konden zichzelf maar beperkt aanpassen. Vanaf de jaren 90 kwam machine learning (ML) op. Daarbij zijn algoritmes in staat om patronen in data te herkennen en te gebruiken. In zekere zin is ML zelflerend: naarmate het systeem meer data verwerkt, wordt het algoritme verder gefinetuned. Deze systemen zijn in de regel gespecialiseerd in één gebied en kunnen één probleem oplossen – vandaar de term artificial narrow intelligence.  

Een klassiek voorbeeld is schaakcomputer Deep Blue. Meer recente voorbeelden zijn computer vision voor bijvoorbeeld kentekenherkenning bij parkeergarages en natural language-vertaalmodellen (zoals Google Translate).  

Fase 2: artificial general intelligence (AGI) 

Waar machine learning het onderscheidende kenmerk is van de vorige fase, spreken we bij deze fase over machine intelligence. Dat wil zeggen: één AI-model is zo ‘intelligent’ dat het op alle vlakken zo slim is als een mens. Een AGI-systeem heeft dus mensachtige cognities, maar kan taken veel sneller en (in principe) foutlozer uitvoeren dan mensen.  

Fase 3: artificial super intelligence (ASI) 

Superintelligentie van machines, dat klinkt voor sommigen onder ons een beetje eng. Wat we ermee bedoelen? Systemen die méér intelligentie hebben dan mensen en die de beste menselijke specialisten overtreffen op zowat elk domein. Een ASI-systeem zou bijvoorbeeld problemen kunnen oplossen die we nu nog als onoplosbaar beschouwen, belangrijke wetenschappelijke ontdekkingen kunnen doen, kunst kunnen creëren die evenveel indruk maakt als menselijke kunst en een diep inzicht hebben in emoties van mensen. 

 ‘The Singularity Is Near’ 

Artificial super intelligence wordt vaak in verband gebracht met singulariteit. Dat is een (hypothetisch?) moment in de toekomst waarop de technologische vooruitgang zo snel en disruptief wordt, dat het voor een radicale en volstrekt onvoorspelbare transformatie van de menselijke beschaving zorgt. De veronderstelling daarachter? Als wij een systeem kunnen bouwen dat slimmer is dan mensen, dan kan dit systeem zichzelf ook verbeteren. En daardoor ontstaat er een soort exponentiële kennisexplosie.  

Wat voor gevolgen dat kan hebben? Niemand kan dat ook maar enigszins bevroeden. En wanneer het gaat plaatsvinden? Evenmin. De grootste optimist lijkt de ondernemer en uitvinder Ray Kurzweil, die in 2005 het boek ‘The Singularity Is Near’ schreef en nu werkt aan de opvolger ‘The Singularity Is Nearer’. Hij verwacht dat rond 2035, zo tekent de New York Times op, ‘computation will be part of ourselves, and we will increase our intelligence a millionfold.’  

Nu: transitie naar artificial general intelligence 

Volgens Cédric Vandelaer, data science-specialist en AI-expert bij Cegeka, zitten we momenteel in een transitieperiode en lijken we een stuk dichterbij AGI. “Het revolutionaire aan modellen zoals ChatGPT: door middel van tekstuele input kun je veel verschillende taken zoals samenvatten, sentimentanalyse en formaatconversie laten uitvoeren. De modellen worden nu zelfs al multi-modaal, oftewel: naast tekst kun je ook afbeeldingen en audio invoeren. Dat is een groot verschil met de op één taak gerichte ‘narrow AI’ die we hiervoor hadden, waarvan sentimentanalyse van een tekst en computer vision-toepassingen goede voorbeelden zijn”, aldus Vandelaer. 

Hoe intelligent zijn de modellen écht? 

Maar zijn deze modellen net zo intelligent als mensen? Dat is volgens de AI-expert geen gemakkelijke vraag, mede omdat er geen goede definitie van intelligentie is. “We begrijpen heel goed hoe LLM’s werken op technisch en wiskundig vlak. Maar er is veel discussie: hebben deze modellen een diep begrip van de wereld of is dit eerder oppervlakkig?”  

Vandelaer meent dat de LLM-modellen tot op zekere hoogte intelligent zijn. “Mensen hebben zeer complexe interacties tussen de input die we krijgen en de output die we genereren. Bovendien ligt daarin zowel een kortetermijn- als een langetermijndenken besloten. Dat zien we nu ook bij modellen als GPT. Die werken met hoogdimensionele input, op basis daarvan worden complexe correlaties gevonden en via verwerkingen wordt er vrij hoogwaardige output gegenereerd. Dat is wat mij betreft redelijk gelijk aan hoe intelligentie bij mensen werkt.” 

Hebben LLM-modellen bewustzijn? 

Vandelaer: “Nog zo’n lastige vraag, want er is geen goede definitie van bewustzijn. Bewustzijn is zó’n complex proces dat we het zelf niet eens begrijpen. Ik vergelijk het weleens met het begrip ‘levenskracht’. Vroeger dacht men dat mensen en dieren levenskracht bezaten, maar bijvoorbeeld stenen niet. En niemand wist waarom levenskracht er soms wel en soms niet was. Later bleek het allemaal complete onzin te zijn: tegenwoordig begrijpen we dat levenskracht een veel complexer concept is dat uit verschillende componenten bestaat.” 

De data science-specialist verwacht dat de term bewustzijn steeds verder vervaagt. En dat we vaker over de verschillende componenten waaruit het bestaat gaan spreken, zoals zintuiglijke waarneming, aandacht, zelfbewustzijn en metacognitie (‘denken over denken’). “Een robot in een fabriek die voorwerpen van A naar B moet brengen, moet een vorm van bewustwording ontwikkelen: waar bevind ik mij? Bij mensen en dieren heeft er misschien een soortgelijk proces plaatsgevonden, maar onze doelstellingen en omgevingen zijn een stuk complexer”, aldus Vandelaer. 

Misschien gaan AI-systemen uiteindelijk wel complexere gewaarwordingen ontwikkelen dan mensen, suggereert hij. “Denk aan grootschalige gewaarwordingen uit veel verschillende bronnen, zoals visuele, auditieve, tekstuele en chemische gegevens. Wanneer AI-systemen dit soort data gelijktijdig en continu kunnen verwerken, levert dat misschien wel een gedetailleerder en rijker beeld van de werkelijkheid op dan wij zelf kunnen waarnemen.” 

Webinar: Integratie van ChatGPT in bedrijfsprocessen 

Dit artikel is tot stand gekomen naar aanleiding van het Cegeka-webinar Integratie van ChatGPT in bedrijfsprocessen op 8 juni 2023, evenals de artikelen Op deze 3 manieren integreer je AI-tools zoals ChatGPT binnen je business en De ongekende kansen van AI-tools zoals ChatGPT voor je business.