De man die tegen de stroom in blijft zwemmen
Terwijl de meeste technologiebedrijven miljarden investeren in steeds grotere taalmodellen, blijft één van de invloedrijkste AI-wetenschappers ter wereld een opvallend ander geluid laten horen. Volgens Yann LeCun, hoofd AI-onderzoek bij Meta en één van de grondleggers van moderne kunstmatige intelligentie, lopen Large Language Models (LLM's) tegen fundamentele grenzen aan.
Waar velen LLM's zien als de snelste route naar kunstmatige algemene intelligentie (AGI), gelooft LeCun dat deze technologie nooit zal uitgroeien tot een systeem met echt menselijk begrip. Sterker nog: hij verwacht dat de sector binnen enkele jaren een compleet nieuwe richting moet inslaan.
Waarom taalmodellen volgens LeCun tekortschieten
De huidige generatie AI-systemen, zoals ChatGPT, Claude en Gemini, blinkt uit in taalverwerking. Ze kunnen teksten schrijven, programmeren, samenvatten en complexe vragen beantwoorden. Toch ziet LeCun een fundamenteel probleem.
Volgens hem leren deze modellen vooral patronen in tekst herkennen. Ze begrijpen echter niet werkelijk hoe de fysieke wereld werkt. Mensen leren niet alleen uit woorden, maar ook uit observatie, ervaring, beweging en interactie met hun omgeving.
Een kind begrijpt bijvoorbeeld intuïtief dat een bal naar beneden valt wanneer hij wordt losgelaten. Een taalmodel weet dat alleen omdat het die informatie ergens in zijn trainingsdata heeft gezien. Dat verschil lijkt klein, maar vormt volgens LeCun de kern van het probleem.
De opkomst van ‘wereldmodellen’
In plaats van steeds grotere taalmodellen te bouwen, pleit LeCun voor zogenaamde “world models” of wereldmodellen.
Deze systemen zouden niet alleen taal verwerken, maar ook een intern begrip ontwikkelen van oorzaak en gevolg, ruimte, tijd en fysieke interacties. Ze moeten voorspellen hoe de wereld zich gedraagt, vergelijkbaar met hoe mensen voortdurend mentale simulaties maken.
Wanneer iemand een glas op de rand van een tafel ziet staan, kan die persoon onmiddellijk voorspellen wat er gebeurt als het glas wordt aangestoten. Volgens LeCun ontbreekt dit soort gezond verstand grotendeels bij huidige AI-systemen.
Wereldmodellen zouden AI in staat moeten stellen om situaties te begrijpen die ze nooit eerder hebben gezien, zonder dat daarvoor miljoenen voorbeelden nodig zijn.
Zelfrijdende auto's tonen de zwakte van huidige AI
Een van LeCuns favoriete voorbeelden is de ontwikkeling van autonome voertuigen.
Ondanks jaren van onderzoek, gigantische datasets en enorme investeringen blijven zelfrijdende auto's moeite hebben met uitzonderlijke situaties. Een ongebruikelijk verkeersbord, een onverwachte wegomleiding of een object dat nooit eerder is waargenomen kan nog steeds problemen veroorzaken.
Volgens LeCun bewijst dit dat huidige AI-systemen moeite hebben met generalisatie. Ze zijn vaak indrukwekkend binnen de grenzen van hun trainingsdata, maar minder sterk wanneer ze worden geconfronteerd met nieuwe omstandigheden.
Menselijke bestuurders kunnen daarentegen vaak improviseren dankzij hun begrip van de wereld en hun vermogen om te redeneren over onbekende situaties.
Is AI echt creatief?
Een andere populaire claim binnen de AI-sector is dat taalmodellen creatief zijn geworden. LeCun betwist dat idee. Volgens hem produceren LLM's nieuwe combinaties van bestaande kennis, maar bezitten ze geen diep begrip van originaliteit of intentie.
Wanneer een model een verhaal schrijft of een ontwerp maakt, gebeurt dat op basis van statistische patronen uit gigantische hoeveelheden trainingsdata. Dat kan indrukwekkende resultaten opleveren, maar volgens LeCun is het niet hetzelfde als menselijke creativiteit.
Creativiteit vereist volgens hem een intern model van de wereld, doelen, plannen en een begrip van de gevolgen van nieuwe ideeën.
Veiligheid blijft een fundamentele uitdaging
LeCun uit ook zorgen over de veiligheid van taalmodellen.
Omdat LLM's geen werkelijk begrip hebben van waarheid of werkelijkheid, kunnen ze overtuigend klinkende maar foutieve antwoorden genereren. Deze zogenaamde "hallucinaties" blijven een hardnekkig probleem.
Daarnaast wijst hij erop dat het gedrag van grote modellen vaak moeilijk voorspelbaar is. Naarmate systemen groter en complexer worden, wordt het lastiger om exact te begrijpen waarom bepaalde antwoorden ontstaan.
Volgens LeCun is dit geen tijdelijk probleem dat eenvoudig met meer data of meer rekenkracht wordt opgelost, maar een structurele beperking van de huidige aanpak.
Een mogelijke paradigmaverschuiving tegen 2027
De meest opvallende voorspelling van LeCun is misschien wel zijn verwachting dat de industrie tegen 2027 tot een belangrijk inzicht zal komen.
Hij denkt dat veel onderzoekers zullen beseffen dat het simpelweg opschalen van taalmodellen onvoldoende is om menselijke intelligentie te evenaren. De enorme investeringen in grotere modellen zouden uiteindelijk afnemende opbrengsten kunnen opleveren.
Dat betekent niet dat LLM's verdwijnen. Integendeel, ze zullen waarschijnlijk een cruciaal onderdeel blijven van toekomstige AI-systemen. Maar volgens LeCun zullen ze slechts één component vormen binnen veel complexere architecturen die ook wereldmodellen, planning, geheugen en redenering bevatten.
Een verdeeld AI-landschap
De visie van LeCun staat niet op zichzelf, maar vormt wel een minderheidsstandpunt binnen de huidige AI-race.
Veel bedrijven geloven dat verdere schaalvergroting nog aanzienlijke vooruitgang zal opleveren. Anderen delen juist LeCuns overtuiging dat een fundamenteel nieuwe aanpak noodzakelijk is.
De komende jaren zullen waarschijnlijk uitwijzen welke visie dichter bij de waarheid ligt. Als LeCun gelijk krijgt, staat de AI-industrie aan de vooravond van een nieuwe revolutie waarin begrip van de wereld belangrijker wordt dan het voorspellen van het volgende woord.
Wat vandaag als de meest geavanceerde AI-technologie geldt, zou dan slechts een tussenstap blijken te zijn op weg naar werkelijk intelligente machines.
