Wat is de geschiedenis van AI?

De zoektocht naar slimme machines begint vlak na de Tweede Wereldoorlog. Wiskundige Alan Turing stelt in 1950 de vraag: Kunnen machines denken? Hij snapt dat het ontzettend moeilijk is om vast te stellen wat ‘denken’ nu eigenlijk precies is. Daarom bedenkt hij een test, die bekend staat als de Turing-test. Het idee is simpel: als een mens een tekstgesprek voert met een computer en niet doorheeft dat de gesprekspartner een machine is, dan mogen we de computer ‘intelligent’ noemen.

In 1955 besluit een wiskundige een bijeenkomst te organiseren over denkende machines. De naam ‘Artificial Intelligence’ (AI) wordt voor het eerst officieel gebruikt. Een jaar later komen een paar knappe koppen bij elkaar tijdens deze Dartmouth-conferentie. De wetenschappers zijn erg optimistisch. Ze denken dat ze binnen een paar jaar een machine kunnen bouwen die net zo slim is als een mens. Ze gebruiken hiervoor algoritmes. Dat is een reeks stap-voor-stap instructies die een computer volgt om een probleem op te lossen. 

In de jaren 60 volgen de eerste successen. Zo ontstaat de eerste chatbot, ELIZA, die een psychotherapeut moet nabootsen. Wetenschappers proberen AI te maken door de computer duizenden logische regels te voeren. Dit heet symbolische AI. De gedachte is: als we de computer maar genoeg regeltjes en feitjes voeren, dan wordt hij vanzelf slim.

Toch blijkt een echt ‘slimme’ AI moeilijker dan gedacht. Computers zijn in die tijd nog zo groot als een hele kamer. Ze hebben minder rekenkracht dan een digitale weegschaal die we tegenwoordig in onze keuken gebruiken.

In de jaren 60, 70 en 80 wisselen perioden van succes zich af met zogenaamde AI-winters: jaren waarin de ontwikkelingen bijna stilstaan en het onderzoeksgeld opraakt. De eerste van deze AI-winters vindt plaats in de jaren 70.

Wetenschappers werken onder andere aan de zogenaamde expertsystemen: computerprogramma's die de kennis van een menselijke expert, zoals een dokter of een advocaat, proberen na te bootsen. De computer volgt in die tijd een gigantisch digitaal regelboek: "ALS de patiënt koorts heeft EN vlekjes heeft, DAN is de kans op deze ziekte groot." Dit werkt vooral erg goed voor duidelijke taken, zoals het plannen van een treinreis of het spelen van spelletjes.

Schaakcomputer Deep Blue is een absolute mijlpaal in deze ontwikkeling. In 1997 wint dit expertsysteem van de wereldkampioen schaken, Garry Kasparov. De wereld is in shock, net als Kasparov zelf: verslagen door een machine! Toch kan je deze computer nog niet echt slim noemen. Deep Blue kan razendsnel rekenen en miljoenen mogelijke schaakzetten vooruitkijken volgens de regels die hij heeft gekregen. Maar hij begrijpt het spelletje niet zoals een mens, hij voert alleen maar wiskundige berekeningen uit.

Regels alleen zijn niet genoeg, ontdekken wetenschappers. Mensen leren namelijk ook niet uit een droog regelboekje, maar door te proberen, met vallen en opstaan. De wetenschappers willen een computer bouwen die net als mensen kan leren van mislukkingen. Hiervoor kijken ze naar de natuur. Ze bedenken neurale netwerken, computermodellen die zijn geïnspireerd op de manier waarop zenuwcellen in ons hoofd samenwerken.

In plaats van regels (“een olifant heeft een slurf”) geven wetenschappers de computer heel veel voorbeelden. De regels moet de computer zelf zien te ontdekken. Dit heet machine learning. Het is een techniek waarbij computers patronen herkennen in grote hoeveelheden gegevens zonder dat ze daarvoor precies zijn geprogrammeerd. Bijvoorbeeld: als je een computer duizenden foto’s van olifanten laat zien, leert hij op een gegeven moment zelf welke kenmerken bij een olifant horen. 

Het is een veelbelovende techniek, maar in de beginfase nog zonder veel resultaat. De computers zijn nog niet krachtig genoeg. Ook hebben we nog niet genoeg digitale foto’s en teksten om de systemen mee te trainen. In deze video van Het Klokhuis leggen ze simpel uit hoe leren met voorbeelden werkt:

De periode rond het jaar 2010 kan je achteraf als een kantelpunt zien. Dankzij het internet komt er in korte tijd een gigantische berg informatie beschikbaar: big data. Big data verwijst naar extreem grote verzamelingen gegevens, te groot om met de hand te verwerken. Tegelijkertijd blijven computerchips sneller en krachtiger worden.

Dit zorgt voor de doorbraak van deep learning. Dat is een soort machine learning in het kwadraat, waarbij het neurale netwerk uit heel veel verschillende lagen bestaat. Hoe meer lagen, hoe ingewikkelder de patronen die de computer kan herkennen. 

Het maakt opnieuw een historische doorbaak mogelijk. In 2016 verslaat de computer AlphaGo de wereldkampioen in het Chinese bordspel Go, Lee Sedol. Dit Chinese bordspel is veel moeilijker dan schaken. Het aantal mogelijke spelsituaties in Go is namelijk groter dan het aantal atomen in het heelal. Hierdoor kan je onmogelijk alle zetten uitrekenen. Je hebt er een soort ‘gevoel’ of intuïtie voor nodig. De computer AlphaGo leert zichzelf het spel door miljoenen potjes tegen zichzelf te spelen en zo steeds beter te worden. Dit is geen domme rekenkracht meer, maar een vorm van intelligentie waar mensen met verbazing naar kijken:

De laatste jaren kan AI ook steeds beter zelf dingen maken, zoals teksten, afbeeldingen en video's. Dit is de generatieve AI die we nu kennen, zoals ChatGPT. Deze modellen hebben bijna het hele internet gelezen, gezien en gehoord. Ze begrijpen niet echt wat ze zeggen zoals een mens dat doet, maar ze kunnen heel goed het volgende woord of beeld voorspellen. Ook leren ze steeds beter redeneren. AI's kunnen daardoor niet alleen praten en programmeren, maar ook levensecht overkomende afbeeldingen, video en audio maken.

En dat is alleen nog maar wat je er als burger van merkt. AI kan inmiddels ook ingewikkelde wetenschappelijke problemen oplossen. Wetenschappers proberen al bijna een halve eeuw te ontdekken hoe eiwitten er in 3D uitzien. Dat is belangrijk, omdat de vorm van een eiwit onder andere bepaalt welke taak het eiwit krijgt. Maar het kost onderzoekers weken, maanden of zelfs jaren in het lab om dit in kaart te brengen. In 2022 lukt het een AI-systeem om de 3D-vorm van meer dan 200 miljoen eiwitten redelijk goed te voorspellen. Het is een grote doorbraak. Nieuwe medische behandelingen en therapieën lijken voor de deur te staan, dankzij AI. Zo kan AI waarschijnlijk ook helpen bij het opsporen van ziekten:

AI biedt dus nieuwe kansen, maar er zijn ook zorgen. Zo verbruiken AI-systemen veel stroom en water. Ook is het de vraag wat de bedrijven achter AI doen met de gegevens die we invoeren. En AI kan teksten, foto's en video's maken die heel echt lijken, terwijl ze dat niet zijn. Daardoor kan desinformatie zich makkelijker verspreiden. Over hoe we met AI om moeten gaan, lopen de meningen daarom uiteen.