Hoe kunstmatige intelligentie eigenlijk werkt en waarom het nu belangrijk is

De Organisatie voor Economische Samenwerking en Ontwikkeling (OESO), wiens lidstaten het beleid inzake technologie coördineren, definieert een AI-systeem als "een op machines gebaseerd systeem dat voor expliciete of impliciete doelstellingen uit de invoer die het ontvangt afleidt hoe je outputs genereert, zoals voorspellingen, inhoud, aanbevelingen of beslissingen die fysieke of virtuele omgevingen kunnen beïnvloeden." De OESO-Raad herzag deze formulering in 2023 om deze technisch nauwkeurig te houden naarmate generatieve AI-tools zich verspreidden, volgens de eigen uitleg van de organisatie van de definitie.

Van geschreven regels naar leren van gegevens

Oudere software volgde instructies die programmeurs regel voor regel schreven: als X gebeurt, doe Y. Machine learning, de aanpak achter de meeste huidige AI, geeft daarentegen een algoritme grote hoeveelheden voorbeelden en laat het de patronen zelf uitwerken, volgens IBMs technische uitlegger over het onderwerp. Eenmaal getraind, kan het systeem nieuwe informatie classificeren, een waarde voorspellen, iets ongewoons markeren of een actie aanbevelen zonder de exacte regel voor elk geval te krijgen.

De OESO verdeelt de werking van een AI-systeem in drie elementen. Invoer zijn de gegevens, code of regels die tijdens de ontwikkeling of het gebruik in het systeem worden ingevoerd. Inferentie is de stap waarin het systeem een uitvoer uit die invoer afleidt, wat kan gebeuren terwijl een model wordt gebouwd of nadat het is ingezet. Uitvoer zijn de voorspellingen, inhoud, aanbevelingen of beslissingen die het systeem produceert, die vervolgens een fysieke of virtuele omgeving kunnen beïnvloeden — bijvoorbeeld de besturing van een auto, een lijst met aanbevolen video's of een gegenereerde alinea tekst.

Wat een neuraal netwerk in het systeem doet

De tegenwoordig meest gebruikte machine learning-methode is het neurale netwerk, een structuur die losjes is gemodelleerd naar het brein, bestaande uit onderling verbonden lagen van knooppunten die gegevens samen verwerken, volgens IBM. In tegenstelling tot een traditioneel programma wordt een neuraal netwerk niet van tevoren verteld wat de regel is die invoer met uitvoer verbindt; in plaats daarvan krijgt het veel paren van invoer en uitvoer te zien en past het zich door herhaalde blootstelling aan om te ontdekken wat hen verbindt.

Deep learning verwijst naar neurale netwerken met veel lagen — typisch een invoerlaag, minstens drie (en vaak honderden) verborgen lagen en een uitvoerlaag, volgens IBMs uitlegger. In een beeldherkenningssysteem hebben vroege lagen de neiging om te reageren op eenvoudige kenmerken zoals randen of kleuren, terwijl diepere lagen deze combineren in vormen en uiteindelijk herkenbare objecten. Deze gelaagde structuur stelt systemen in staat om automatisch relevante kenmerken uit ongelabelde gegevens te extraheren, wat onderdeel is van wat huidge generatieve AI-tools mogelijk maakt.

Het bouwen van een groot generatief AI-model omvat over het algemeen drie fasen, volgens IBM: een initiële trainingsfase op massieve, vaak ongelabelde datasets die duizenden gespecialiseerde processors kunnen vereisen en miljoenen dollars kunnen kosten; een afstemmingsfase waarin het model wordt aangepast aan specifieke taken, soms met behulp van menselijke feedback; en voortdurende evaluatie na inzet om de uitvoer te controleren en te verfijnen.

Waarom het belangrijk is: adoptie- en investeringscijfers

De reikwijdte van AI is snel gegroeid volgens verschillende in de 2025 AI Index Report van het Human-Centered AI Institute van Stanford University gevolgde maten. Het aandeel organisaties dat enig gebruik van AI rapporteerde, steeg in 2024 naar 78%, tegenover 55% het jaar daarvoor. Generatieve AI trok in 2024 specifiek 33,9 miljard dollar aan in wereldwijde private investeringen, een stijging van 18,7% ten opzichte van 2023. In de Verenigde Staten bereikten private AI-investeringen in 2024 109,1 miljard dollar, ver boven Chinas 9,3 miljard dollar en het Verenigd Koninkrijk's 4,5 miljard dollar, zei het rapport.

Het rapport registreerde ook een sprong in AI-benchmarkprestaties: op drie in 2023 geïntroduceerde tests om geavanceerde systemen te meten — MMMU, GPQA en SWE-bench — stegen de scores binnen een jaar met respectievelijk 18,8, 48,9 en 67,3 procentpunten. In gereglementeerde gebieden groeide het aantal door de U.S. Food and Drug Administration goedgekeurde AI-compatibele medische apparaten van zes in 2015 naar 223 in 2023, volgens hetzelfde rapport.

Waar de concurrentie staat

Het Stanford-rapport traceerde ook welke landen in 2024 de meest opmerkelijke AI-modellen produceerden: in de VS gevestigde instellingen produceerden 40, vergeleken met 15 uit China en drie uit Europa. Tegelijkertijd verkleinde de prestatieskloof tussen topmodellen uit de VS en China op grote benchmarks van tweecijferig in 2023 naar bijna pariteit in 2024, zei het rapport.