‘We grapten hier al: straks krijgt AI ook de Nobelprijs voor Literatuur’

De Nobelprijzen voor Natuurkunde én Scheikunde gingen recent naar onderzoek op het gebied van AI. Kunstmatige intelligentie is volgens RUG-hoogleraar Niels Taatgen een onmisbaar onderdeel van de wetenschappelijke gereedschapskist geworden. ‘Eigenlijk moeten we al onze studenten iets leren over de fundamentele principes.’

Tekst: Jelle Posthuma

John Hopfield en Geoffrey Hinton ontvingen de Nobelprijs voor Natuurkunde, omdat ze met hun werk een belangrijke basis legden voor de huidige kunstmatige intelligentie. Ook bij de Nobelprijs voor Scheikunde speelde AI een belangrijke rol. ‘We maakten hier al de grap dat het een kwestie van tijd is voordat AI de Nobelprijs voor de Literatuur krijgt’, zegt Niels Taatgen, hoogleraar kunstmatige intelligentie aan de Rijksuniversiteit Groningen.  

Wereldkampioen schaken

In verschillende nieuwskoppen worden Hopfield en Hinton omschreven als de grondleggers of ‘peetvaders’ van kunstmatige intelligentie, mede door hun onderzoek naar neurale netwerken vanaf de jaren 80. Voor het echte begin van AI moeten we echter terug naar de jaren 50, zegt Taatgen. ‘In de begintijd van AI gingen onderzoekers op de logica-tour: ze wilden een soort wiskunde van de intelligentie bouwen. Uiteindelijk was de grootste triomf dat een computer midden jaren 90 de wereldkampioen schaken versloeg. Dat was het hoogtepunt van de logica-benadering.’

Een parallelle ontwikkeling was het nabootsen van de hersenen, specifieker de hersencellen, om lerende systemen te maken, legt de hoogleraar uit. ‘In de jaren 50 werd een perceptron ontwikkeld, een eenvoudig op de hersenen gebaseerd neuraal netwerk. De ontwikkelingen op dit gebied leken veelbelovend, maar doofden steeds uit. De conclusie was dat deze netwerken niet krachtig genoeg waren.’

Revolutie

In de jaren 80 was er een ‘revival’ voor neurale netwerken, mede dankzij het onderzoek van Hopfield en Hinton. ‘Hopfield en Hinton lieten zien dat neurale netwerken wél krachtig genoeg konden zijn. Hopfield ontwikkelde de Hopfield-netwerken en Hinton de zogeheten Boltzmann-machine. Deze netwerken, die tegenwoordig eigenlijk niet zoveel meer worden gebruikt, hebben een sterke basis in de natuurkunde, en waarschijnlijk was dit voor het Nobelcomité een belangrijke reden om dit deel van hun werk te kiezen. Het was als het ware een bruggetje naar de Nobelprijs voor Natuurkunde.’

Na de mede door Hopfield en Hinton ontketende revolutie midden jaren 80 was er veel enthousiasme voor kunstmatige intelligentie op basis van neurale netwerken, maar ook deze opleving doofde uiteindelijk weer uit. ‘Wel concludeerden onderzoekers dat zelflerende systemen, ook wel ‘machine learning’ genoemd, de juiste zouden zijn. In de jaren die volgden koos men echter voor andere vormen, in plaats van technieken die geïnspireerd waren op de menselijke hersenen.’

Definitieve doorbraak

Vanaf 2010 zijn de neurale netwerken weer helemaal terug. Er is genoeg rekenkracht, genoeg data en nieuwe algoritmes bieden kansen om met neurale netwerken aan de slag te gaan. Ook in deze ‘revival’ speelde Hinton een belangrijke rol, vertelt de hoogleraar. Hij werkte in die jaren bij Google DeepMind, waar sterk werd ingezet op ‘deep learning’, oftewel kunstmatige neurale netwerken met meerdere lagen.

Deze lerende netwerken sluiten echter nog steeds slecht aan bij de huidige computers, weet Taatgen. ‘In feite zijn onze computers gebaseerd op de logica-benadering uit de jaren 50: de architectuur komt voort uit de wiskunde en sluit daarmee slecht aan op een lerend netwerk. Dat levert grote beperkingen op het gebied van rekenkracht en energieverbruik.’

Interdisciplinair werken

Taatgen is verbonden aan CogniGron, waar slimme materialen worden ontwikkeld op basis van de biologie van het brein voor de nieuwste generatie computers. De Groningse onderzoekers ontwikkelen een architectuur die beter past bij neurale netwerken, en proberen daarmee problemen zoals het hoge energieverbruik op te lossen. ‘This Prize perfectly reflects the spirit of CogniGron’, reageerde het onderzoeksinstituut op platform X na de bekendmaking van de Nobelprijs voor de Natuurkunde. Taatgen: ‘Het leuke is dat de Nobelprijs voor Natuurkunde naar AI gaat. CogniGron is ook een samenwerking tussen natuurkunde, AI en informatica, waarbij bij ons vooral de materiaalkunde centraal staat.’

De hoogleraar ziet in de interdisciplinaire manier van werken, met name bij Hinton, belangrijke overeenkomsten met CogniGron. ‘We kijken niet alleen naar wat we van de hersenen kunnen leren, maar ook wat we van menselijke intelligentie kunnen leren. Dat ligt op het grensvlak van verschillende disciplines.’ Generatieve AI is een grote stap vooruit, maar schiet vooralsnog tekort. Large Language Models, een vorm van generatieve AI, maken gigantische uitglijders op het gebied van alledaagse logica, legt hij uit. ‘Menselijke intelligentie is enorm flexibel en kan zich ongelofelijk goed aanpassen aan nieuwe omstandigheden – zover zijn computers nog niet.’

Bedreiging en kansen

Ondanks deze (voorlopige) achterstand, waarschuwde Nobelprijswinnaar Hinton de laatste jaren veelvuldig voor de gevaren van kunstmatige intelligentie. ‘Er kleven zeker gevaren aan AI’, reageert Taatgen. ‘Ik geloof niet zozeer in AI als overlord: kunstmatige intelligentie die als heerser de wereld overneemt, zoals je vaak ziet in sciencefiction. Maar mensen kunnen natuurlijk wel misbruik maken van AI. Denk aan Cambridge Analytica bij de Amerikaanse verkiezingen. Het kan daadwerkelijk een bedreiging vormen voor de democratie en onze privacy.’

Tegelijkertijd is kunstmatige intelligentie een belangrijke 'tool' geworden voor ontwikkelingen in verschillende wetenschapsgebieden, weet Taatgen. ‘Eigenlijk zouden alle studenten iets moeten weten over AI. Het is zaak dat we ons als universiteit niet blindstaren op alleen Large Language Models zoals ChatGPT. Universiteiten zouden zich breed moeten oriënteren. Leer studenten de basisprincipes van AI; dat is kennis die toekomstbestendig is.’

Alle Machine Learning-modellen gebruiken hetzelfde principe, legt de hoogleraar uit. ‘Je maakt een voorspelling, kijkt naar het antwoord, constateert een verschil, en gaat vervolgens aan alle mogelijke knoppen draaien om tot het juiste antwoord te komen. Als je dit principe snapt, dan snap je ook de nieuwe ontwikkelingen op het gebied van Machine Learning. De ontwikkeling van AI gaat razendsnel; we weten niet waar we zijn over twee jaar, laat staan tien jaar. Je ziet het bij de EU-wetgeving, die loopt alweer achter. Daarom moeten we fundamenteler nadenken over kunstmatige intelligentie’, concludeert de hoogleraar.