Hoe neurale netwerken werken: de technologie achter ChatGPT en moderne AI

Neurale netwerken zijn niet nieuw — onderzoekers bestuderen ze sinds het midden van de 20e eeuw — maar ze zitten nu achter de meeste consument-AI-producten die dagelijks worden gebruikt. OpenAI zei op zijn DevDay-evenement op 29 september 2026 dat ChatGPT 1,2 miljard wekelijkse gebruikers had bereikt, volgens een liveblog van het evenement door Engadget. Deze adoptieschaal heeft een fundamentele technische vraag terug naar de top van zoekresultaten gebracht: hoe werkt een neuraal netwerk eigenlijk?

Het basisonderdeel: neuronen, gewichten en lagen

Volgens IBM is een neuraal netwerk een machine-learning-model dat is opgebouwd uit eenvoudige eenheden genaamd neuronen, gerangschikt in lagen, die aanpasbare gewichten en bias uit gegevens leren om inputs naar outputs in kaart te brengen. Elk netwerk heeft een invoerlaag die de onbewerkte gegevens bevat, een of meer verborgen lagen die deze transformeren, en een uitvoerlaag die het eindresultaat oplevert, verklaart IBM.

Elke verbinding tussen neuronen heeft een gewicht — een getal dat, volgens IBM, veel lijkt op een schijf die regelt hoe sterk een bepaalde invoerfunctie de beslissing van het netwerk beïnvloedt. Een aparte waarde genaamd bias wordt aan elk neuron toegevoegd zodat het kan activeren, zelfs als de invoer zwak is, en verschuift de beslissingsdrempel. Googles Machine Learning Crash Course voegt een derde noodzakelijk ingrediënt toe: activatiefuncties, niet-lineaire wiskundige stappen die na het optellen van de gewogen invoer worden toegepast, waarmee een netwerk patronen kan detecteren die een eenvoudige rechte lijnformule niet zou kunnen vastleggen.

Voorwaartse propagatie: hoe een netwerk een antwoord produceert

Wanneer aan een neuraal netwerk nieuwe gegevens worden gegeven, bewegen deze gegevens in één richting door het netwerk, van de invoerlaag naar de uitvoerlaag, in wat IBM en Googles cursus voorwaartse propagatie (of forward pass) noemen. Bij elk neuron worden de binnenkomende waarden vermenigvuldigd met hun gewichten, opgeteld bij de bias en doorgestuurd via de activatiefunctie voordat ze naar de volgende laag gaan. IBM merkt op dat vroege lagen in een netwerk de neiging hebben om het belang van individuele signalen te verwerken, terwijl latere lagen deze informatie combineren in hoger-niveau patronen die bredere context vastleggen.

Backpropagation: hoe een netwerk uit zijn fouten leert

Een pas gebouwd neuraal netwerk begint met vrijwel willekeurige gewichten en produceert slechte voorspellingen. Training is het proces van correctie. IBM beschrijft backpropagation als het algoritme dat de voorspellingsfout van het netwerk achterwaarts door de lagen propageert, waarbij de kettingregel van calculus wordt gebruikt om te berekenen hoeveel elk individueel gewicht en bias aan de totale fout heeft bijgedragen. Googles cursus identificeert evenzo backpropagation als het kerntrainingsalgoritme en beschrijft het doel ervan als het aanpassen van gewichten om het voorspellingsverlies van het netwerk te verminderen of te minimaliseren.

Zodra de bijdrage van elk gewicht aan de fout bekend is, duwt een optimalisatiemethode genaamd gradiëntafdaling elk gewicht licht in de richting die de fout verkleint. Deze voorwaarts-pass-dan-achterwaarts-correctie-cyclus wordt herhaald over grote hoeveelheden trainingsgegevens — vaak miljoenen of miljarden voorbeelden — totdat de voorspellingen van het netwerk betrouwbaar genoeg zijn voor praktisch gebruik.

Verschillende netwerkontwerpen voor verschillende soorten gegevens

Niet elk neuraal netwerk is op dezelfde manier opgebouwd. IBM identificeert drie brede families die vandaag veel worden gebruikt: convolutionele neurale netwerken (CNN's), ontworpen voor rasterachtige gegevens zoals afbeeldingen en sterk gebruikt in visuele herkenning; terugkerende neurale netwerken (RNN's), die terugkoppelingslussen bevatten die geschikt zijn voor sequentiële of tijdseriegegevens; en transformers, de architectuur achter de meeste grote taalmodellen van vandaag, die vertrouwen op een aandachtsmechanisme in plaats van strikte stap-voor-stap-sequencing.

Hoe dit schaalt naar systemen zoals ChatGPT

Grote taalmodellen zoals de GPT-familie passen dezelfde kernmechanica toe — gewogen neuronen, lagen, voorwaartse propagatie, backpropagation — op veel grotere schaal, met behulp van de transformerarchitectuur. OpenAI's eigen onderzoekspaper van 2020 over GPT-3, gepubliceerd op arXiv, stelde dat het model precies 175 miljard parameters had, beschreven als "10x meer dan elk vorig niet-verspreide taalmodel." Parameters is de algemene term voor de volledige set gewichten en bias van een netwerk; meer parameters stellen een model over het algemeen in staat om complexere patronen in taal vast te leggen, hoewel OpenAI geen gelijkwaardige parametertallen voor zijn nieuwere modellen heeft gepubliceerd.

Binnen een transformer stelt een mechanisme genaamd self-attention het model in staat om af te wegen hoe relevant elk ander woord in een passage is voor het woord dat momenteel wordt verwerkt, in plaats van strikt van links naar rechts te lezen. Dit design, voor het eerst geïntroduceerd in transformeronderzoek en nu standaard in grote taalmodellen, is wat systemen zoals ChatGPT stelt om context over een lang gesprek heen bij te houden.

Waarom dit nu belangrijk is

De onderliggende wiskunde van neuronen, gewichten en backpropagation bestaat al tientallen jaren, maar de combinatie van grotere datasets, meer rekenkracht en de transformerarchitectuur is wat neurale netwerken heeft veranderd van een gespecialiseerd onderzoeksinstrument naar de motor achter consumentenproducten die door veel meer dan een miljard mensen per week worden gebruikt, volgens OpenAI's eigen septembercijfers van 2026 gerapporteerd door Engadget. Het begrip van de basale voorwaarts-pass-en-correctie-cyclus zoals beschreven door IBM en Google vereist geen geavanceerde wiskunde, maar het verklaart waarom deze systemen enorme hoeveelheden trainingsgegevens en rekenkracht nodig hebben, en waarom hun output statistische voorspellingen zijn in plaats van gegarandeerde feiten.