Hoewel moderne AI-systemen indrukwekkende prestaties leveren, leren ze fundamenteel anders dan mensen. Een kind heeft vaak maar een paar voorbeelden nodig om een nieuw concept te begrijpen, terwijl een AI-model soms miljoenen voorbeelden moet verwerken voordat het dezelfde taak betrouwbaar uitvoert. Volgens AI-experts Ankit en François vormt precies dat verschil een van de grootste obstakels voor de volgende generatie kunstmatige intelligentie.
In een uitgebreide aflevering van Decoded onderzoeken zij waarom zogenoemde wereldmodellen (world models) een mogelijke oplossing bieden. Niet door AI simpelweg groter te maken, maar door systemen te leren hoe de wereld werkt, zodat ze kunnen redeneren, voorspellen en plannen zoals mensen dat doen.
Het grootste probleem van AI: Leren kost veel te veel data
De huidige AI-revolutie is gebouwd op enorme hoeveelheden trainingsdata. Taalmodellen, beeldgeneratoren en andere AI-systemen worden gevoed met miljarden woorden, afbeeldingen en voorbeelden.
Voor mensen werkt dat heel anders.
Een kind hoeft maar enkele keren een bal te zien vallen om te begrijpen dat zwaartekracht bestaat. Daarna kan het voorspellen wat er gebeurt wanneer een andere bal wordt losgelaten, zonder duizenden extra voorbeelden nodig te hebben.
AI beschikt vandaag nog nauwelijks over dat soort algemene kennis. Daardoor blijft sample efficiency, hoeveel een systeem leert uit een beperkt aantal voorbeelden, een van de grootste open uitdagingen binnen de AI-wereld.
De hersenen beschikken over een intern model van de werkelijkheid
Volgens de onderzoekers bouwen mensen voortdurend een intern model van hun omgeving op.
Dat model voorspelt voortdurend wat waarschijnlijk zal gebeuren:
- waar een vallend glas terechtkomt;
- hoe een deur opent;
- hoe iemand zal reageren tijdens een gesprek;
- hoe een auto zich door het verkeer beweegt.
Dankzij zulke voorspellingen hoeft het menselijk brein niet telkens opnieuw vanaf nul te leren. Precies dat vermogen proberen onderzoekers nu ook in AI-systemen te ontwikkelen.
Newton liet eeuwen geleden al zien hoe een perfect wereldmodel eruitziet
Een bijzonder voorbeeld is de klassieke natuurkunde.
Wanneer de positie, snelheid en massa van een object bekend zijn, kunnen de bewegingswetten van Newton exact voorspellen waar het object zich later bevindt.
Voor computers is dat ideaal.
Zo'n systeem is:
- volledig voorspelbaar;
- differentieerbaar;
- mathematisch exact;
- uiterst efficiënt.
In de praktijk blijkt de echte wereld natuurlijk veel rommeliger. Wind, wrijving, onverwachte gebeurtenissen en onvolledige informatie zorgen ervoor dat perfecte modellen al snel tekortschieten.
Juist daarom zoeken AI-onderzoekers naar flexibele wereldmodellen die ook met onzekerheid kunnen omgaan.
Waarom schaken relatief eenvoudig is, maar robots nauwelijks vooruitkomen
Een verrassend inzicht uit de discussie draait om de enorme verschillen tussen spellen en de echte wereld.
Schaken lijkt ingewikkeld, maar kent in werkelijkheid:
- vaste regels;
- een beperkt speelbord;
- eindige mogelijkheden;
- volledige informatie.
Daardoor kunnen computers vrijwel alle relevante situaties analyseren.
Robotica bevindt zich aan de andere kant van het spectrum.
Een robot moet rekening houden met:
- oneindig veel mogelijke bewegingen;
- veranderende omgevingen;
- onvoorspelbare objecten;
- onnauwkeurige sensoren;
- complexe natuurkundige interacties.
De mogelijke acties groeien daardoor explosief.
Dat zogenaamde action space explosion maakt robots vele malen moeilijker dan schaken of Go.
Waarom AlphaGo niet zomaar de echte wereld kan veroveren
Het succes van AlphaGo wekte jarenlang de indruk dat AI elk probleem uiteindelijk zou oplossen.
Volgens de onderzoekers klopt dat maar gedeeltelijk.
AlphaGo profiteerde van unieke omstandigheden:
- duidelijke spelregels;
- een gesloten omgeving;
- een beperkte actieruimte;
- een exact bekende speltoestand.
Zelfrijdende auto's of huishoudrobots beschikken over geen van die voordelen. Hun toestand verandert voortdurend en het aantal mogelijke scenario's is vrijwel oneindig.
Daarom werken technieken zoals Monte Carlo Tree Search uitstekend voor bordspellen, maar veel minder goed in realistische omgevingen.
Model-Free versus Model-Based AI
Binnen reinforcement learning bestaan twee fundamentele benaderingen.
Model-Free Learning
Hier leert een AI uitsluitend door ervaring. Het probeert miljoenen acties uit totdat het ontdekt welke strategie het beste werkt. Dat levert vaak indrukwekkende resultaten op, maar vraagt gigantische hoeveelheden data.
Model-Based Learning
Hier leert een AI eerst een intern model van de wereld. Vervolgens kan het toekomstige situaties simuleren voordat het daadwerkelijk handelt. Dat lijkt veel meer op hoe mensen nadenken.
Een wereldmodel maakt het mogelijk om eerst in gedachten verschillende oplossingen uit te proberen voordat een beslissing wordt genomen.
Robotica vormt misschien wel de ultieme AI-uitdaging
Volgens Ankit en François is robotica waarschijnlijk het moeilijkste AI-probleem dat momenteel bestaat.
Een robot moet namelijk tegelijk omgaan met:
- waarneming;
- planning;
- motorische controle;
- onzekerheid;
- natuurkunde;
- realtime besluitvorming.
Al deze onderdelen beïnvloeden elkaar voortdurend. Daardoor ontstaat een complexiteit die veel groter is dan bij taalmodellen of spel-AI.
JEPA moet AI leren denken zonder alles letterlijk te voorspellen
Een veelbelovende onderzoeksrichting is Joint Embedding Predictive Architecture (JEPA).
In plaats van elk afzonderlijk pixel of woord exact te voorspellen, leert een AI hierbij de onderliggende betekenis van een situatie.
Dat gebeurt in een zogenaamde latente ruimte, waarin alleen de belangrijkste kenmerken worden opgeslagen.
Hierdoor hoeft een model niet elk detail van de werkelijkheid exact na te bootsen, maar leert het vooral welke veranderingen echt belangrijk zijn.
Deze aanpak kan AI aanzienlijk efficiënter maken.
De grootste vragen zijn nog altijd onbeantwoord
Ondanks de snelle vooruitgang erkennen de onderzoekers dat veel fundamentele problemen nog niet zijn opgelost.
Onder andere deze vragen blijven open:
- Hoe bouw je een betrouwbaar wereldmodel?
- Welke informatie moet een AI onthouden?
- Hoe leert een model oorzaak en gevolg?
- Hoe kan AI plannen maken zonder miljoenen simulaties?
- Hoe generaliseert een systeem naar volledig nieuwe situaties?
De antwoorden op deze vragen bepalen mogelijk hoe de volgende generatie AI eruit zal zien.
Minder data, meer begrip
De centrale boodschap van de aflevering is duidelijk: de toekomst van kunstmatige intelligentie ligt waarschijnlijk niet alleen in grotere modellen of krachtigere chips.
De echte doorbraak ontstaat wanneer AI leert zoals mensen leren: door de wereld te begrijpen in plaats van uitsluitend patronen te herkennen.
Wereldmodellen vormen daarbij een veelbelovende stap. Ze kunnen AI helpen om efficiënter te leren, slimmer te redeneren en beter om te gaan met onbekende situaties. Vooral voor robotica, autonome voertuigen en andere toepassingen in de fysieke wereld kan deze benadering uiteindelijk belangrijker blijken dan nóg grotere taalmodellen.
