Met een koffie in de hand ontspint zich een gesprek dat de grenzen tussen neurowetenschap en artificiële intelligentie vervaagt. Corrado, die bij Google tot de vroege AI-ontwikkelaars behoorde, legt uit hoe inzichten uit het menselijk brein vandaag de basis vormen voor betere redeneermodellen, robuustere robots en veiligere systemen.
Van neuronen naar neurale netwerken
Corrado’s achtergrond in de neurowetenschap blijkt geen toevallige voetnoot, maar een fundamentele bouwsteen. Waar klassieke AI-systemen vooral draaiden rond statistiek en patroonherkenning, kijkt de nieuwe generatie modellen nadrukkelijk naar hoe het brein informatie verwerkt.
Hij wijst op het belang van recurrence — terugkerende neurale verbindingen die informatie herhaaldelijk verfijnen. In tegenstelling tot lineaire modellen zorgen zulke terugkoppellussen ervoor dat systemen kunnen reflecteren, heroverwegen en bijsturen.
Dat principe blijkt cruciaal voor betere redenering, robuustheid en generalisatie — eigenschappen die nodig zijn om AI buiten het lab te laten functioneren.
De evolutie van taalmodellen
Tijdens het gesprek wordt ook ingezoomd op de opmars van grote taalmodellen (LLM’s). Corrado beschrijft hoe deze modellen geëvolueerd zijn van simpele tekstvoorspellers naar systemen die complexe redeneringen uitvoeren.
Maar hij benadrukt: schaal alleen is niet voldoende.
De echte doorbraak ligt volgens hem in het combineren van taal met andere modaliteiten — beeld, actie, context — wat leidt tot vision-language modellen (VLM’s). De oorsprong daarvan? Opnieuw: inzichten uit de neurowetenschap.
Net zoals het menselijk brein visuele en talige informatie samenbrengt, moeten AI-systemen leren om meerdere datastromen coherent te integreren.
AI in de gezondheidszorg: Patroonherkenning als levensreddende kracht
Een van de meest tastbare toepassingen die Corrado aanhaalt, is medische beeldvorming. Computer vision-systemen kunnen subtiele afwijkingen detecteren die voor het menselijk oog moeilijk zichtbaar zijn.
Hier kruisen design thinking en de wetenschappelijke methode elkaar. Het gaat niet enkel om betere algoritmes, maar om samenwerking tussen clinici, ontwerpers en AI-ingenieurs.
Corrado ziet AI dan ook niet als vervanger, maar als versterker van menselijke expertise.
Veiligheid en generalisatie: Leren buiten de trainingsdata
Bij Waymo, waar autonome voertuigen real-time beslissingen nemen, is veiligheid geen theoretisch concept maar dagelijkse realiteit.
Corrado en Vanhoucke bespreken hoe AI-systemen moeten leren omgaan met situaties die ze nog nooit eerder hebben gezien.
Dat vermogen tot generalisatie is precies waar neurowetenschappelijke inzichten opnieuw relevant worden. Het menselijk brein leert immers niet elk scenario apart — het abstraheert, extrapoleert en past zich aan.
AI moet dat ook leren.
Spiking neural networks en de toekomst van energie-efficiënte AI
Aan het einde van het gesprek komt een meer experimenteel thema naar voren: spiking neural networks.
In tegenstelling tot traditionele neurale netwerken, die continu signalen verwerken, werken spiking netwerken met discrete impulsen — vergelijkbaar met biologische neuronen.
Het potentieel? Energiezuinigere en efficiëntere AI-systemen die dichter aanleunen bij hoe het brein echt functioneert.
Voor iemand die — zoals jij — voortdurend schrijft over de toekomst van AI en fysieke intelligentie, is dit een fascinerend spanningsveld: de convergentie tussen biologische principes en computationele architecturen.
Samenwerking boven disruptie
Opvallend in Corrado’s visie is dat hij AI niet ziet als een brute kracht die sectoren “disrupt”, maar als een technologie die van binnenuit evolueert.
Goede samenwerking — tussen disciplines, tussen mens en machine — staat centraal. De toekomst van AI wordt niet enkel bepaald door grotere modellen, maar door slimmere integratie.
Of zoals het gesprek suggereert:
De volgende sprong in AI komt niet alleen uit meer data of rekenkracht, maar uit een beter begrip van ons eigen brein.
