De volgende grote doorbraak in artificiële intelligentie draait mogelijk niet om nóg grotere chatbots. Volgens Google Research verschuift de aandacht naar AI die zich bijna onzichtbaar in het dagelijkse leven nestelt, interfaces die zichzelf aanpassen, teams van gespecialiseerde AI-agenten die samen onderzoek doen en computers die wetenschappelijke ontdekkingen veel sneller kunnen realiseren.
In de eerste aflevering van The Google Research Podcast schetst Yossi Matias, vicepresident bij Google en general manager van Google Research, een toekomst waarin ontwikkelingen die vandaag nog experimenteel klinken verrassend snel praktisch bruikbaar kunnen worden.
Volgens hem bevindt onderzoek zich zelfs in een soort gouden tijdperk. De afstand tussen fundamentele wetenschap en toepassingen in de echte wereld wordt steeds kleiner. Waar technologische doorbraken vroeger soms tientallen jaren nodig hadden om hun weg naar de samenleving te vinden, kan die overgang vandaag in sommige domeinen veel sneller verlopen.
Niet voorspellen wat volgt, maar het zelf bouwen
De filosofie achter Google Research vertrekt daarbij niet alleen vanuit de vraag hoe bestaande technologie kan worden verbeterd. Onderzoekers proberen juist te bedenken welke mogelijkheden vandaag nog onmogelijk lijken.
Dat betekent dat ze niet simpelweg het verleden extrapoleren. Ze proberen nieuwe technologische paradigma's te creëren.
Die aanpak wordt steeds belangrijker nu AI zich razendsnel ontwikkelt. De volgende generatie systemen zal volgens deze visie niet alleen betere antwoorden produceren, maar ook anders omgaan met gebruikers, software, wetenschappelijke kennis en de fysieke wereld.
Ambient intelligence: AI die uit beeld verdwijnt
Een van de opvallendste concepten is ambient intelligence: intelligentie die zo natuurlijk in de omgeving wordt geïntegreerd dat mensen uiteindelijk nauwelijks nog merken dat ze AI gebruiken.
Vandaag verloopt de interactie meestal nog bewust. Iemand opent een chatbot, schrijft een prompt en wacht op een antwoord. Dat model kan geleidelijk verdwijnen.
AI kan steeds beter begrijpen wat iemand probeert te bereiken en op het juiste moment informatie, ondersteuning of acties aanbieden. Technologie verandert daarmee van een afzonderlijk hulpmiddel in een intelligente laag rondom de gebruiker.
Het paradoxale eindpunt van succesvolle AI zou daardoor kunnen zijn dat mensen er juist minder bewust mee bezig zijn.
De interface wordt voor iedere gebruiker anders
Daar sluit een tweede ontwikkeling op aan: Generative UI, oftewel generatieve gebruikersinterfaces.
Traditionele software wordt vooraf ontworpen. Iedereen krijgt ongeveer dezelfde menu's, knoppen, schermen en workflows. Generatieve AI maakt een fundamenteel ander model mogelijk.
De interface kan dynamisch worden opgebouwd op basis van de gebruiker, de context en de taak. Iemand die snel cijfers wil vergelijken, krijgt bijvoorbeeld onmiddellijk een grafiek. Een andere gebruiker die dezelfde gegevens probeert te begrijpen, kan een interactieve uitleg krijgen. Voor een complexe workflow kan de AI vervolgens een gespecialiseerde interface genereren.
Software wordt daardoor minder statisch. De applicatie past zich aan de gebruiker aan in plaats van andersom.
De volgende stap gaat verder dan grotere modellen
De spectaculaire vooruitgang van AI werd de afgelopen jaren sterk aangedreven door schaal: meer data, meer rekenkracht en grotere modellen.
Maar Google Research kijkt ondertussen verder dan uitsluitend die scaling laws. Nieuwe architecturen, redeneermethoden en combinaties van gespecialiseerde systemen kunnen een volgende sprong veroorzaken. Vooral multi-agent AI speelt daarin een belangrijke rol.
In plaats van één AI-model dat alles probeert te doen, kunnen verschillende agents samenwerken. De ene agent genereert hypotheses, een andere zoekt bewijs, een derde bekritiseert de resultaten en nog een andere probeert alternatieve verklaringen te vinden.
Dat begint opvallend sterk te lijken op een onderzoeksteam.
AI Co-Scientist als wetenschappelijk superteam
Een concreet voorbeeld daarvan is AI Co-Scientist. Het systeem is ontworpen om onderzoekers te ondersteunen bij complexe wetenschappelijke vraagstukken. Verschillende AI-agenten kunnen ideeën formuleren, tegen elkaar afwegen, verbeteren en opnieuw evalueren.
De ambitie gaat daarmee veel verder dan het samenvatten van bestaande wetenschappelijke literatuur. AI kan een actieve rol krijgen in het onderzoeksproces zelf.
Voor wetenschappers ontstaat zo iets wat Matias omschrijft als een soort polymath binnen handbereik: een systeem dat kennis uit verschillende disciplines kan combineren en onderzoekers helpt verbanden te ontdekken die anders mogelijk verborgen zouden blijven.
Van literatuuronderzoek naar echte experimenten
Daarna ontstaat nog een belangrijkere stap: Empirical Research Assistance. Wetenschap draait immers niet alleen om theorieën bedenken. Hypotheses moeten uiteindelijk worden getest.
AI-systemen kunnen onderzoekers helpen bij het ontwerpen van experimenten, het analyseren van resultaten en het bepalen welke volgende onderzoeksvraag het meest waardevol is. Daarmee ontstaat potentieel een veel kortere cyclus: hypothese, experiment, resultaat, analyse en nieuwe hypothese.
Wanneer delen van die cyclus worden versneld, kan ook het tempo van wetenschappelijke ontdekking toenemen.
De wetenschapper wordt steeds meer architect
Dat verandert tegelijkertijd de rol van onderzoekers. Een wetenschapper hoeft in de toekomst mogelijk niet meer iedere technische stap zelf uit te voeren. De onderzoeker bepaalt eerder welke vragen belangrijk zijn, hoe verschillende AI-systemen samenwerken en hoe resultaten moeten worden gevalideerd.
De wetenschapper wordt daarmee gedeeltelijk een architect van intelligente onderzoeksprocessen. Menselijk oordeel blijft juist daardoor belangrijk. Wanneer AI steeds sneller hypotheses en resultaten kan produceren, groeit namelijk ook het probleem van validatie.
Meer ontdekkingen betekenen niet automatisch betere wetenschap.
AI kijkt naar de volledige planeet
Google Research past dezelfde technologie ook toe op problemen buiten het laboratorium. Een belangrijk voorbeeld is overstromingsvoorspelling. Door enorme hoeveelheden geografische, meteorologische en andere gegevens te combineren, kunnen AI-modellen helpen voorspellen waar overstromingen dreigen.
Die gedachte wordt verder uitgebreid met Google Earth AI. Daarbij ontstaat als het ware een intelligente digitale laag over de planeet. AI kan patronen herkennen rond klimaat, infrastructuur, landbouw, water en natuurrampen. Het doel is niet alleen beter begrijpen wat er gebeurt, maar ook sneller reageren wanneer omstandigheden veranderen.
Voor overheden, hulporganisaties en lokale gemeenschappen kan dergelijke planetaire intelligentie uiteindelijk een belangrijk instrument worden voor crisisbestendigheid.
Gezondheidszorg wordt een volgende proeftuin
Ook gezondheidszorg staat centraal in deze onderzoeksagenda. AI kan medische beelden analyseren, patronen herkennen en artsen ondersteunen bij diagnoses. Maar de ontwikkeling verschuift steeds verder richting systemen die verschillende gezondheidsgegevens gezamenlijk kunnen interpreteren.
Daardoor kan de rol van AI evolueren van een gespecialiseerd diagnostisch instrument naar een bredere digitale gezondheidsassistent. De grote uitdaging blijft daarbij dezelfde: medische toepassingen vereisen bijzonder betrouwbare resultaten, grondige validatie en een duidelijke rol voor menselijke expertise.
Juist in gezondheidszorg wordt zichtbaar dat technologische vooruitgang alleen niet voldoende is.
Quantum computing opent nog een andere deur
Naast AI werkt Google Research aan een tweede technologie die de komende jaren grote gevolgen kan krijgen: quantum computing.
De Willow-chip vormt daarin een belangrijke mijlpaal binnen Google's onderzoek.
Quantumcomputers zijn niet bedoeld om gewone computers simpelweg sneller te maken. Ze gebruiken een fundamenteel andere manier van rekenen en kunnen daardoor uiteindelijk bepaalde problemen aanpakken die voor klassieke computers bijzonder moeilijk zijn.
Vooral de combinatie met AI en wetenschappelijk onderzoek is interessant. Wanneer AI betere hypotheses kan formuleren en quantumcomputers bepaalde extreem complexe berekeningen kunnen uitvoeren, ontstaat mogelijk een nieuwe infrastructuur voor wetenschappelijke ontdekking.
Van AI-assistent naar ecosysteem van intelligentie
De rode draad door al deze ontwikkelingen is duidelijk: AI evolueert van een afzonderlijke toepassing naar een bredere technologische infrastructuur.
Eerst kwamen modellen die tekst konden genereren. Daarna multimodale systemen die konden kijken, luisteren en redeneren. Vervolgens verschenen agents die zelfstandig taken kunnen uitvoeren.
De volgende fase lijkt nog omvangrijker. Interfaces worden dynamisch. AI verdwijnt naar de achtergrond. Agents werken samen. Wetenschappelijke systemen bedenken en testen hypotheses. Planetary AI probeert veranderingen op aarde te begrijpen. Gezondheidsmodellen ondersteunen diagnoses. Quantumcomputers openen nieuwe soorten berekeningen.
Daarmee verschuift ook de centrale vraag. Het gaat niet langer uitsluitend om wat één AI-model kan. Steeds belangrijker wordt wat er mogelijk ontstaat wanneer modellen, agents, interfaces, wetenschappelijke instrumenten, enorme datasets en nieuwe computerarchitecturen met elkaar worden verbonden.
Precies daar ziet Google Research een groot deel van de volgende technologische doorbraken ontstaan.
