AI danst de tango
De huidige grote taalmodellen (LLM’s) kunnen opmerkelijk goed uitleggen, beschrijven en analyseren. Ze kunnen beschrijven wat er gebeurt wanneer een glas van een tafel valt, de paraboolbaan ervan toelichten en de natuurwetten bespreken. Toch gaapt er een enorme kloof tussen ergens tekst over produceren en iets werkelijk begrijpen.
Geen van deze systemen heeft ooit echt de tango gedanst, een glas laten vallen of spaghetti tegen een muur gegooid. De ervaring met de fysieke wereld die kinderen vanzelf opdoen door te spelen en op ontdekking te gaan, ontbreekt volledig bij artificiële intelligentie.
Wereldmodellen: de volgende stap
Dat gemis is niet onbelangrijk. LLM’s werken volgens een eenvoudig maar krachtig principe: ze hebben enorme hoeveelheden tekst verwerkt en leren te voorspellen wat het meest waarschijnlijke volgende woord in een zin is.
Dat werkt bijzonder goed om samenhangende teksten te genereren of vragen te beantwoorden op basis van al eerder geschreven kennis. Maar het brengt ook een fundamentele beperking met zich mee. Zonder ervaring met de fysieke werkelijkheid, zonder een interne voorstelling van hoe de wereld daadwerkelijk werkt, blijft AI oppervlakkig. Ze kent woorden, maar begrijpt de wereld niet.
Precies daar komt een nieuwe benadering in beeld die de wetenschappelijke wereld enthousiast maakt: de zogeheten world models, of wereldmodellen. Het idee is even eenvoudig als revolutionair: AI-systemen ontwerpen die kunnen leren door te observeren, een interne voorstelling van hun omgeving opbouwen en zich de gevolgen van een handeling voorstellen voordat ze die uitvoeren.
Alors on danse
Stel u voor dat u leert tangodansen. U kijkt toe, probeert de bewegingen na te bootsen, gaat de mist in en krijgt het uiteindelijk onder de knie wanneer u begrijpt dat de tango een improvisatiedans is. Gaandeweg bouwen uw hersenen een model op waarmee u verschillende mogelijke scenario’s kunt simuleren en tegelijk uw eigen dans telkens opnieuw kunt vormgeven.
Dat gaat verder dan alleen tekst voorspellen: mensen ‘dromen’ letterlijk verschillende mogelijke handelingen voordat ze in actie komen. Ze spelen in gedachten uiteenlopende scenario’s af, schatten de mogelijke gevolgen in en kiezen vervolgens de doeltreffendste aanpak.
Artificiële algemene intelligentie (AGI) zou een dynamische voorstelling van de omgeving kunnen opbouwen en zich kunnen afvragen: ‘Als ik dit doe, wat gebeurt er dan?’
Voor robotica is dat een flinke uitdaging. Stel u een robot voor die de wetten van de fysica leert begrijpen door de wereld om zich heen te observeren. Die robot zou niet langer beperkt zijn tot strikt geprogrammeerde taken. Hij zou de was kunnen leren opvouwen door te kijken hoe mensen dat doen, of een vaatwasser kunnen inladen doordat hij begrijpt hoe voorwerpen op elkaar passen en hoe water stroomt. Taken die voor ons vanzelfsprekend lijken, maar waarvoor een begrip van de wereld nodig is waarover de huidige AI niet beschikt.
Op weg naar artificiële algemene intelligentie?
Dat is de belofte achter artificiële algemene intelligentie (AGI): een intelligentie die kan redeneren als een mens en zich zelfstandig aan nieuwe uitdagingen kan aanpassen, zonder voortdurend opnieuw te moeten worden getraind. AGI zou inzichten uit het ene domein kunnen toepassen in een ander, onbekende problemen kunnen oplossen, complexe wetenschappelijke simulaties kunnen uitvoeren en leren door ervaring kunnen combineren met abstract redeneren.
Toch moeten we ons hoeden voor overdreven enthousiasme. Het nieuwe begrip AGI mag geen verzamelnaam worden voor alles wat de huidige AI-systemen nog niet goed kunnen. We beginnen nog maar net te doorgronden hoe complex het vraagstuk werkelijk is. Wereldmodellen alleen zullen mogelijk niet volstaan om alles op te lossen.
Onze eigen hersenen illustreren dat perfect. Ze steunen niet op één allesomvattend wereldmodel. We gebruiken verschillende modellen, afhankelijk van de context, de taak en het doel. Bij een natuurkundig probleem schakelen we een ander model in dan bij een sociale of artistieke uitdaging. We creëren meerdere interne werkelijkheden, elk afgestemd op een bepaald soort uitdaging. Die flexibiliteit in AI nabootsen is een veel ambitieuzer doel dan één enkel ‘wereldmodel’ bouwen.
De volgende tango in Parijs
Terug naar de tango. De huidige chatbots bekijken de danser en zijn partner en geven als bijschrift: ‘Een vrouw danst met een robot in een landelijk landschap bij zonsondergang.’ Een model met wereldkennis begrijpt waar hun voeten staan, hoe hun zwaartepunten verschuiven en welke beweging de robot kan maken zonder op de tenen van zijn partner te trappen. Het kan inschatten wat er gebeurt als hij haar te snel laat draaien en hoe hij zijn beweging moet aanpassen wanneer er een steen op hun pad ligt. Het beschrijft niet louter de dans; het kan die ook simuleren en zich voorstellen wat er zal gebeuren.
Dat is de uitdaging voor robotica: de echte wereld en de gesimuleerde wereld met elkaar verbinden en vervolgens de stap terug naar de werkelijkheid zetten. Zo kunnen robots in virtuele omgevingen leren voordat ze hun eerste onhandige pogingen wagen in onze woonkamer, of op de tenen van onze danspartner.
Is dat dan al artificiële algemene intelligentie, AGI? Niet noodzakelijk. Beweringen dat machines onze gelijken worden, zijn voorbarig. Een eventuele AGI zou niet simpelweg een ChatGPT zijn die honderd keer zoveel boeken heeft gelezen, maar een intelligentie die een dynamische voorstelling van haar omgeving kan opbouwen en zich kan afvragen: ‘Als ik dit doe, wat gebeurt er dan?’
Maar zelfs dan blijft de wezenlijke vraag: zullen mensachtige robots ooit begrijpen waarom we dansen, wat verleiding is en wat sensualiteit betekent?
Zijn de Chinese humanoïde robots intelligent?
Hoewel ze een indrukwekkende technologische vooruitgang vertegenwoordigen, zijn de nieuwste humanoïde robots nog geen voorbeeld van artificiële algemene intelligentie. Het gaat om twee verschillende zaken: mensachtige robots zijn fysieke systemen met een mechanisch lichaam, sensoren en motoren. Dat is robotica. Ze zijn bijzonder goed in specifieke bewegingstaken, zoals tillen, voorwerpen hanteren en zich verplaatsen (zelfs sprinten en springen), en kunnen in gestructureerde omgevingen geprogrammeerde handelingen uitvoeren. Maar ze hebben nog altijd moeite om met volkomen nieuwe situaties om te gaan, de context te begrijpen en problemen op te lossen die buiten hun trainingsdomein vallen.
Het is alsof u zou vragen of een zelfrijdende auto AGI is. Het antwoord is zonder meer nee: het is een intelligent voertuig, maar voor één specifieke taak. Dat wordt pas anders wanneer die auto op een ochtend zelfstandig besluit te vertrekken, zelf een bestemming kiest en beslist of hij ’s avonds al dan niet terugkomt.