Original subtitles

(applaus)

Goedenavond.

Dank je wel, dames en heren.

Dank je wel, Ludo. Goedenavond, dames en heren.

Welkom op mijn theatervoorstelling over artificiële intelligentie.

Dat is het onderwerp voor vanavond, mijn nieuwe favoriete onderwerp.

Niet toevallig, natuurlijk. Het is de nieuwe toptechnologie.

Het kan spectaculaire dingen

en het is steeds aanweziger in ons persoonlijke leven,

vaak zonder dat we het zelf goed doorhebben.

En veel mensen hebben vragen.

Dus ik wil vanavond eventjes uitleggen

wat artificiële intelligentie precies is,

wat het allemaal kan, hoe het werkt

en wat het in de nabije toekomst allemaal zal kunnen.

Ik zei daarnet: Het is de nieuwste toptechnologie.

Dat klopt niet helemaal.

Artificiële intelligentie is al 68 jaar oud.

De term is verzonnen in 1956

op de allereerste zomerconferentie voor artificiële intelligentie.

68 jaar onderzoek.

En dan kan je je afvragen: Waarom heeft het zo lang geduurd

voor we die AI-boom zagen, die AI-revolutie die we nu meemaken?

Het antwoord daarop is vrij simpel.

We hebben nu pas computers die krachtig genoeg zijn

om goede AI mee te bouwen.

En we hebben nu pas genoeg data op het internet

om AI goed mee te kunnen trainen.

Want als je AI probeert te bouwen met te weinig rekenkracht

en met te weinig data,

dan kom je niet uit op artificiële intelligentie.

Dan kom je uit op artificiële betweterigheid.

En dat hebben we ook geprobeerd.

Dat zag er zo uit.

(publiek lacht)

Iedereen boven de 30 denkt nu: Oh nee, niet hij weer.

(publiek lacht)

Iedereen onder de 30 denkt nu: Is dat een Pokémon? Nee.

Het is geen Pokémon.

Dit is Clippy.

Ook Clippy wou je heel graag helpen.

En dat was eigenlijk je grootste probleem.

(publiek lacht)

Je was aan het typen in Word, zet drie koppeltekens op een rij:

Clippy verschijnt.

Die zegt: Oh, drie koppeltekens op een rij?

Jij wilt vast een lijn over de hele pagina.

Nee, Clippy.

(publiek lacht)

Dat wou ik niet.

Dus je duwt: delete, delete, delete.

De lijn schuift nu omhoog op de pagina.

Je selecteert de lijn, je drukt op enter, nu heb je twee lijnen.

Dat was AI met te weinig rekenkracht.

En nu hebben we dus eindelijk computers die krachtig genoeg zijn

om AI te bouwen die wel spectaculaire dingen kan doen.

En het is spectaculair wat er gebeurt momenteel. Dat vind ik zelf ook.

En ik ga een paar demo's geven vanavond

die hopelijk ook voor jullie spectaculair zullen zijn.

Maar ook al is het spectaculair, ik wil toch beginnen met die term,

artificiële intelligentie, even met de voetjes op de grond te zetten.

Want mensen stellen zich daar waanzinnige dingen bij voor.

Sommige mensen denken: Artificiële intelligentie, dat zijn computers

die kunnen nadenken en redeneren, net zoals wij.

Of dit zijn computers die een bewustzijn hebben.

Dat is het allemaal niet. Dus even voor de duidelijkheid,

om het even zo droog mogelijk te zetten in het begin,

wat is AI in één zin?

Artificiële intelligentie is gewoon een nieuwe vorm van software

die goed is in patroonherkenning. En dat is alles.

Een nieuwe vorm van software die goed is in patroonherkenning.

En patroonherkenning zijn dingen zoals gezichten herkennen,

objecten herkennen op foto's, stemmen herkennen,

gedragspatronen analyseren van online consumenten...

Dat is allemaal patroonherkenning.

De software, de gewone, klassiek geprogrammeerde software,

waar wij al tientallen jaren mee werken,

kan heel veel dingen supergoed,

maar die is heel slecht in patroonherkenning.

Klassiek geprogrammeerde software ziet er een beetje zo uit.

Een programmeur heeft regels bedacht,

heeft uitvoerbare stappen bedacht voor een computer,

heeft dat opgeschreven in programmeertaal.

De computer voert die stappen één na één uit

en zo wordt er een taak geautomatiseerd.

Dit is software. Die vraagt aan vijf mensen hun leeftijd

en berekent de gemiddelde leeftijd van de vijf.

Dat is een taak die je heel gemakkelijk kan opschrijven

in uitvoerbare stappen voor een computer.

Wat blijkt? Het is aartsmoeilijk om met dit soort software

patroonherkenning te programmeren. Probeer het even voor jezelf.

Welke stappen zou een computer één na één moeten uitvoeren

om te kunnen besluiten of er een hond of een kat op een foto staat?

Op gelijk welke foto van een hond of een kat.

Dat is aartsmoeilijk.

En dat is ons niet gelukt met dit soort software.

En dat zie je ook aan de economie: alles is geautomatiseerd,

behalve dingen waar patroonherkenning voor nodig is.

Je auto wordt voor een groot stuk door robots gebouwd.

Want die moeten altijd diezelfde voorruit

in diezelfde carrosserie stoppen

en dat is gemakkelijk te programmeren.

Maar iets heel basics als fruitpluk is nog altijd mensenwerk.

Want zonder patroonherkenning kan je niet zien

waar de appel hangt tussen de bladeren.

En dus wat er nu gebeurt, is: we hebben sinds een paar jaar software

die heel goed is in patroonherkenning

en dat is een soort nieuwe superkracht.

We hebben dat nooit eerder gehad.

Heel die AI-revolutie die je nu ziet, is daar het gevolg van.

Software die goed is in patroonherkenning.

En sinds we die nieuwe superkracht hebben,

zijn de slimste mensen op aarde bezig

om daarmee de grote problemen van onze samenleving op te lossen.

Zoals bijvoorbeeld: 'Waar is Wally?'

(publiek lacht)

(publiek lacht luider)

Dit is een Waar is Wally-robot. Een webcam met AI.

Die zoekt het patroon van Wally zijn hoofd op de pagina

en als die het gevonden heeft, zegt de robotarm: Daar is Wally.

Want ook onze ontspanning

wordt blijkbaar geautomatiseerd in de toekomst.

20 jaar geleden kon geen enkel softwarebedrijf dit voor je bouwen.

Vandaag kan je dat zelf maken aan je eigen keukentafel.

Ik ga je straks leren hoe.

Heel gemakkelijk. Als je absoluut een Waar is Wally-robot wilt,

ga ik je straks leren hoe je dat zelf kan zonder al te veel programmeren.

Maar goed, dat is het dus.

We hebben een nieuwe superkracht in de software: patroonherkenning.

En alles wat je ziet, heel die AI-revolutie,

is daar een gevolg van.

Dat is enorm veel aan het veranderen op wereldschaal.

Amerika en China kijken heel nerveus naar elkaar.

Ze zijn alle twee bang dat de andere AI-dominant zal worden,

dus veel betere AI zal hebben dan de concurrentie.

Militair wordt er AI getest. In Oekraïne op dit moment

worden splinternieuwe AI-toepassingen militair getest.

Het gaat socio-economisch veel veranderen.

Er gaan jobs verschuiven. Er gaan jobs veranderen.

Wij gaan moeten herdenken hoe we onze samenleving en ons werk inrichten.

Maar AI komt ook gewoon binnen in je persoonlijke leven.

Wij hebben AI elke dag bij ons in de nabije toekomst.

De AI in je broekzak. En laat ons daar beginnen.

Bij de AI in je broekzak.

Als ik zeg 'AI in je broekzak', bedoel ik natuurlijk je smartphone.

En je smartphone is eigenlijk een technologisch mirakel.

Dat is een onwaarschijnlijk apparaat

waar wij heel snel gewoon aan zijn geworden.

Maar ik ga het even illustreren. Als je teruggaat naar 1969,

het jaar van de eerste mensen op de maan, de Apollo 11-missie,

en als je alle rekenkracht van Apollo 11 samentelt...

En dan bedoel ik twee supercomputers in de raket

en het volledige serverpark van de NASA op aarde in Houston.

Alle rekenkracht nodig voor Apollo 11 opgeteld...

Jouw smartphone is 100.000 keer krachtiger.

En wij gebruiken dat om fruitsnoepjes op een rij te zetten

tot ze ontploffen.

(publiek lacht)

Dat is de menselijke vooruitgang.

Maar omdat wij zo'n krachtige computer bij ons dragen heel de dag

en omdat die AI-toepassingen zo goed geworden zijn,

kan je vandaag dus AI-apps downloaden. Vaak gratis apps

die met artificiële intelligentie waanzinnige dingen doen.

Ik ga er eens een telefoon bij halen, dan kan ik er een paar demonstreren.

Dag, Ludo. Mag ik mijn telefoon, alsjeblieft? Dank je wel, Ludo.

Ja, voilà. Ja. (applaus)

Ja, ja.

De eerste generatie AI-apps deden aan patroonherkenning.

Die gingen een patroon zoeken en dat herkennen.

Je hebt apps waarmee je foto's neemt van planten en dieren

en die zeggen je onmiddellijk welke plant of welk dier dat is.

Je hebt een app waarmee je in het bos vogelgeluiden kan opnemen

en die app luistert mee en geeft je een lijst van alle vogels

die op dat moment te horen zijn.

Maar de nieuwe generatie AI-apps gaan niet gewoon een patroon herkennen,

die gaan er daarna nog extra bewerkingen mee uitvoeren

en doorgeven aan volgende software.

En zo ontstaan er magische toepassingen.

Ik ga eens eentje opendoen. Daar is mijn telefoon.

Ik ga beginnen met Photomath.

Die staat helemaal rechts in het midden, die rode app.

En als je die opent, begint die gewoon de omgeving te filmen.

Voilà, daar zijn jullie allemaal.

Zwaai maar eens naar de AI, natuurlijk.

Altijd vriendelijk zijn tegen AI.

Op een dag zijn ze de baas. Dus...

Die app filmt gewoon de zaal.

Maar stel je voor: je zit in de wiskundeles

en er verschijnt een pittige integraal op het schoolbord.

Wat doe je dan? Je richt je camera op die integraal

en je neemt daar een foto van. Zo, huppakee.

Bliep, bliep, bliep. De integraal is opgelost.

(publiek lacht)

Dat is leuk.

Wie zit er nog in het middelbaar?

(publiek lacht)

Jeej.

Wie geeft er les in het middelbaar?

Jeej.

Wat moet je in godsnaam doen als leerkracht wiskunde vandaag de dag,

nu er een gratis app is die in één seconde

alle taken van een huiswerk oplost? Wat moet je doen?

Gelukkig zijn leerkrachten wiskunde slim genoeg.

En die weten: als ik een huistaak geef vandaag,

moet ik altijd eisen dat de leerlingen

alle logische tussenstappen opschrijven.

Dan weet ik zeker dat ze zelf nagedacht hebben.

Als ik op dit rode knopje duw, krijg ik alle logische...

(publiek lacht)

(applaus)

Ik vind het een toffe app.

Hij komt 30 jaar te laat, maar ik ben fan. Sowieso.

Is dit een ramp voor ons onderwijs?

Gaan onze leerlingen nu immens veel dommer worden? Ik weet het niet.

Je kunt die app gebruiken om het hele jaar vals te spelen op je huiswerk.

Je komt op je examen, je snapt er niks van en je buist.

Je kunt die app ook gebruiken doorheen het jaar,

als je een opgave niet snapt en je krijgt ze niet opgelost,

om te vragen hoe het moet,

extra uitleg te vragen bij al die tussenstappen

en daardoor beter in wiskunde te worden.

Dat is een van de vele voorbeelden van technologie

die ons de keuze geven of we er slimmer of dommer van worden.

Kies wijs, jongeren. Kies wijs.

Ik ga naar een volgende app: Google Translate.

Dat is een heel bekende app.

Die ziet er zo uit en je hebt zo'n tekstveldje.

Je tikt daar iets in en dan kun je vragen aan die app:

Vertaal dat eens van het Frans naar het Nederlands. Bestaat al lang.

Maar nu zit er ook AI in de Google Translate-app.

En die zit in die icoontjes die je onderaan ziet staan.

Je hebt daar bijvoorbeeld zo'n camera-icoontje.

En als je daarop tikt, gaat die app weer doodgewoon de omgeving filmen.

En stel je voor: je bent op reis in Frankrijk.

En je spreekt geen Frans.

Want je bent een Hollander, bijvoorbeeld.

(publiek lacht)

Dan kan je gewoon met je telefoon de omgeving filmen

en in je beeld verschijnt alles in het Nederlands.

Die herkent die tekst, herkent die taal

en projecteert dat in je gewenste taal

op dezelfde plek, in dezelfde kleur.

Goed, ik denk dat de meesten van ons wel Frans spreken.

Die app is nog toffer als je in Japan op reis bent.

Je kunt niet eens die tekens lezen. Je filmt dat met je telefoon

en meteen verschijnt dat in het Nederlands.

Over vijf kilometer begint de autosnelweg.

Zeer handige app als je op reis bent.

In Hongarije, je kunt de menukaart niet lezen.

Gewoon filmen met de telefoon.

Je leest een boek in het Duits, er is een stuk dat je niet snapt.

Filmen met je telefoon en in je beeld staat alles in het Nederlands.

Je hebt daar nog een paar andere icoontjes gezien.

Er is bijvoorbeeld een microfoonicoontje onderaan die app.

Als je daarop tikt, kan je Nederlands spreken tegen je telefoon,

die neemt dat op en spreekt dat opnieuw uit,

bijvoorbeeld in het Japans.

Je gesprekspartner antwoordt in het Japans, je telefoon neemt dat op

en die spreekt dat opnieuw uit in het Nederlands.

Je hebt een gratis simultaantolk in je binnenzak zitten

dankzij de AI van die Google Translate-app.

AI is heel veel aan het veranderen, ook in de vertalingssoftware.

Vroeger werden teksten vertaald met geprogrammeerde regels

en dan kregen we die heel kromme Google Translate-zinnen.

Vandaag gebeurt de vertaling door AI-systemen.

AI kan gesproken woorden omzetten in tekst,

kan tekst vertalen naar een andere taal

en kan die nieuwe tekst opnieuw uitspreken met een computerstem.

En het typische geluid van je eigen stem, dat is ook een patroon.

AI kan dat analyseren en kan dat daarna nabootsen.

En AI kan ook videobewerking doen.

En als je dat allemaal combineert, kan je toffe trucjes uithalen.

Voor jullie hier waren, een uurtje geleden,

stond ik hier op het podium en heb ik dit filmpje opgenomen.

Wat we daar precies mee gaan doen, dat vertel ik jullie straks.

Goedenavond, dames en heren in Brugge.

En ook aan de mensen die thuis aan het kijken zijn.

Ik sta hier dus in Brugge, de mooiste stad van België.

Na Gent, natuurlijk.

Ik ben hier voor mijn voorstelling over artificiële intelligentie

die ik straks voor jullie ga spelen

als jullie hier binnenkomen in de zaal vanavond.

En ik kan daar heel veel demonstraties mee geven,

want er worden heel veel toepassingen gemaakt voor AI

waarmee ik leuke demo's kan geven in de zaal.

En ik ga zo'n demo geven met dit filmpje hier.

Wat ik daar precies mee ga doen? Dat vertel ik jullie nu.

Voilà, dat heb ik opgenomen.

En dan heb ik dat geüpload naar een website. Die heet HeyGen.

Ik heb gevraagd aan die website: Zet dat filmpje nu eens in het Frans.

Spreek alles wat ik gezegd heb opnieuw uit in het Frans,

maar imiteer mijn stem, zodat het mijn stem is die Frans spreekt.

En als je bezig bent, pas dan ook de lipbewegingen aan,

zodat ze beter lijken op de lipbewegingen die gemaakt worden

bij die Franse tekst.

Die website heeft tien minuten gerekend.

Tien minuten. En toen kwam dit terug.

Goedenavond, dames en heren in Brugge. En ook aan zij die thuis kijken.

Ik ben hier dus in Brugge.

De mooiste stad van België, in de richting van Gent natuurlijk.

Ik ben hier voor mijn show over artificiële intelligentie

die ik voor jullie ga spelen als jullie vanavond de zaal binnenkomen.

Ik kan veel demo's geven over dit onderwerp.

Want er zijn veel applicaties gemaakt voor AI

waarmee ik wat mooie demo's kan geven in de zaal.

Ik zal een demonstratie doen met deze video.

Wat ik daarmee ga doen, zal ik jullie nu zeggen.

(applaus)

Wat is dat? Wat?

Ja, maar...

Dank je wel, maar ik heb niks gedaan.

Wat is dit? Wat voor hekserij is dat?

Er zat ook een vertaalfout in. Heb je ze gehoord?

Mooiste stad, na Gent. 'Plus belle ville en direction de Gand.'

(publiek lacht)

Maar dit is dus op tien minuten zonder menselijke interactie

volledig zelfstandig uitgerekend door een AI-systeem.

Het is waanzinnig hoe goed die dingen geworden zijn.

En dit gaat natuurlijk heel wat veranderen

voor bepaalde beroepsgroepen.

Denk even aan de landen waar films gedubd worden.

Die acteurs die films dubben in Italië?

Heel die beroepsgroep is over een paar jaar weg.

De volgende James Bondfilm zal waarschijnlijk niet gedubd worden,

maar uitgesproken worden in de originele stem van de acteur

met aangepaste lipbewegingen in het Italiaans.

Alle gevolgen van simpelweg patroonherkenning

gaan dus heel veel veranderen op heel veel verschillende gebieden

in onze wereld.

Waarom hebben wij nu zo lang moeten wachten

op software die goed is in patroonherkenning?

Ik heb daarnet gezegd: Onze klassiek geprogrammeerde software,

daar kan je heel veel dingen mee doen,

maar die is heel slecht in patroonherkenning.

Het gekke is wel dat je hier op aarde al heel lang

een paar supergoeie patroonherkenningsmachines kan vinden

en dat zijn menselijke hersenen.

Ons brein is fantastisch goed in patroonherkenning.

Meer zelfs: dat is de belangrijkste taak van onze hersenen.

Patroonherkenning. Vanaf een kind geboren wordt, is dat wat die doen.

Die gaan gezichten herkennen,

objecten herkennen en die een naam geven.

Die gaan stemmen herkennen, situaties herkennen.

Allemaal patroonherkenning.

De reden dat ons hoofd zo goed is in patroonherkenning,

is omdat het totaal anders werkt dan dit.

Wij hebben geen logische regeltjes in ons hoofd

die één na één uitgevoerd worden. Ons hoofd werkt anders.

Onze hersenen zijn één grote spons van 80 miljard hersencellen.

Tien keer meer hersencellen in je hoofd dan er mensen op aarde zijn.

Die hersencellen zitten samen en hebben verbindingen met elkaar.

Dus zo ziet dat eruit. Elke knooppunt is een hersencel of een neuron.

En die hebben tentakeltjes

waarmee ze verbinding maken met sommige andere hersencellen

en langs die tentakels kunnen ze andere hersencellen activeren

als ze zelf actief zijn.

Linksonder worden drie hersencellen actief.

Via die uitsteeksels gaan ze sommige andere hersencellen

in het brein aanzetten.

Een heel simpel principe. Een netwerk van knooppunten

die via sterkere en minder sterke verbindingen

andere knooppunten kunnen activeren. En wat blijkt?

Daaruit volgt bijna vanzelf patroonherkenning.

Ik ga je even een voorbeeld geven.

Veel mensen herinneren zich zo een specifieke geur uit hun kindertijd.

Zodra die geur op een onbewaakt moment binnenwaait in je neus,

komt er een enorm sterke herinnering naar boven.

In mijn geval: de refter van de kleuterklas.

Je ruikt dat en onmiddellijk komt die herinnering naar boven.

Wat er dan gebeurt in je hoofd, is exact dit.

Laat ons zeggen dat die drie neuronen linksonder verbonden zijn met je neus

en die worden vanzelf geactiveerd door die geur.

En al die neuronen rechts werden geactiveerd door die situatie

waarin je die geur vroeger vaak geroken hebt.

Wat is er gebeurd? In je kindertijd heb je die geur en die situatie

heel vaak samen meegemaakt. Die hersencellen waren samen actief

en daarom hebben die verbinding gelegd met elkaar.

Neuronen die samen actief zijn in het brein, proberen verbinding te leggen.

In de neurologie zeggen ze: 'Fire together is wire together.'

Wat is het gevolg daarvan?

Als je later in je leven opnieuw die geur ruikt,

gaan die neuronen via die getrainde verbindingen

ook die neuronen van die herinnering aanzetten.

Er volgt vanzelf patroonherkenning uit dit systeem.

Daarom dachten de computerwetenschappers:

Als wij het zo moeilijk hebben met patroonherkenning in onze software

en die structuur werkt daar zo goed voor,

dan moeten wij misschien proberen om deze structuur,

een netwerk van knooppunten, na te programmeren in software.

Dat hebben ze gedaan en dat ziet er zo uit.

Dit is een neuraal netwerk zoals het geprogrammeerd is in de computer.

Het heet in de softwarewereld ook een neuraal netwerk,

genoemd naar onze hersenen. Wat zien we hier nu precies staan?

Helemaal links zie je allemaal eentjes en nulletjes.

Dat is een computerbestand.

Een digitaal computerbestand. Dat bestaat uit eentjes en nulletjes.

Dat kan bijvoorbeeld een digitale afbeelding zijn.

Elk van die eentjes en nulletjes zou je kunnen beschouwen

als een hersencel die aanstaat of uitstaat.

En vanaf daar programmeer je allemaal verbindingen, sterkere en zwakkere,

naar een nieuwe rij neuronen.

Die neuronen die aanstaan in die eerste rij

gaan via die verbinding sommige neuronen activeren

in die software in de tweede rij.

En die gaan weer neuronen activeren in de derde rij en in de vierde rij.

En wat is het uiteindelijke doel van dit neurale netwerk?

Dat het kan zien of er een hond of een kat staat

op de digitale afbeelding die je daar ingevoerd hebt in de eerste rij.

Als je dit allemaal programmeert en je start dat programma op,

dan gebeurt er helemaal niks.

Want je software is niet getraind.

Een neuraal netwerk kan niets als het niet getraind is.

Je moet dat eerst trainen

door dat heel veel afbeeldingen te tonen van honden en katten

en daar telkens heel duidelijk bij te zeggen:

Dit is een hond en dit is een kat.

Dus ik toon dat neurale netwerk een afbeelding van een kat.

Ik zeg daar heel duidelijk bij: Dit is een kat.

Die twee kanten zijn samen actief en die software gaat op basis daarvan

bepaalde verbindingen in dat netwerk sterker en zwakker maken.

Net zoals in je kindertijd.

Die geur en die situatie waren samen actief in je hoofd

en die hebben verbinding gelegd met elkaar.

Eén foto is niet genoeg om het te trainen.

Dus ik toon nog een foto van een kat en zeg daar weer duidelijk bij:

Dit is een kat. Die twee kanten zijn samen actief

en die software gaat bepaalde verbindingen

sterker en zwakker maken in dat netwerk.

Ik toon ook eens een foto van een hond.

Ik zeg daar heel duidelijk bij: Dit is dus een hond.

Die twee kanten zijn samen actief

en de software gaat weer nieuwe verbindingen

sterker en zwakker maken in dat netwerk.

En bij elk van die stappen. wordt dit netwerk beter aangepast

om te reageren met het woord 'kat' op een foto van een kat

en met het woord 'hond' op een foto van een hond.

Als je dit duizenden keren gedaan hebt met duizenden trainingsfoto's,

dan kan je testen of het netwerk al werkt.

En dat doe je door het een nieuwe foto te laten zien van een kat

die het nog nooit gezien heeft, maar dit keer verklap je daar niks bij.

Je toont die foto zonder te zeggen wat erop staat

en die beginneuronen gaan via die getrainde verbindingen

de rest van het netwerk activeren.

En als alles goed gaat, zegt dat netwerk vanzelf:

Dit is hoogstwaarschijnlijk een kat.

Je hebt de structuur van hersenen nageprogrammeerd in software

en je hebt die getraind tot die reageert

met het woord 'kat' op foto's van een kat

en met het woord 'hond' op foto's van een hond.

En wat blijkt? Dit werkt fantastisch goed.

Neurale netwerken in software zijn heel goed geschikt

om objecten te herkennen op foto's.

We hebben zo neurale netwerken getraind die katten kunnen herkennen

en die honden kunnen herkennen, en nijlpaarden en strandfoto's

en zeilbootjes en Calippo-ijsjes en alles wat je wilt.

En als je die allemaal samenpropt tot één enorm neuraal netwerk

van miljoenen knooppunten, dan heb je objectherkenningssoftware.

Objectherkenningssoftware is een computerprogramma

en daar laat je een foto aan zien en dat programma zegt vanzelf:

Ik zie een straat en er staat een vrachtwagen.

En ik zie een lantaarnpaal en er zit een vogel in een boom, enzovoort.

Die software bestaat nu.

En wij hebben allemaal een supercomputer in onze binnenzak.

Dus dan denk ik:

Waarschijnlijk komt die objectherkenningssoftware binnenkort

op onze telefoon terecht.

En vanaf dan gaat je telefoon weten wat er op je foto staat

die je zelf genomen hebt.

Het zou natuurlijk ook kunnen dat die software nu al op je telefoon staat.

Zullen we dat misschien eens testen?

Als je een telefoon bij je hebt, mag je die nu bovenhalen.

Haal je smartphone er maar bij en open eens je fotomap.

Je map waar al je fotootjes in zitten. Voilà, dat is mijn fotomapje.

In je fotoalbum heb je ergens een zoekfunctie.

Dat is zo'n vergrootglaasje

en als je daarop duwt, kan je zoeken naar locaties

of naar data waarop foto's genomen zijn.

Maar wij gaan iets anders doen. Je duwt op je zoekfunctie

en in die tekstbalk tik je een woord in,

zoals bijvoorbeeld het woord 'paard'.

Dan krijg ik al mijn foto's met paarden op.

Je kunt het eens proberen met 'kat'.

Je kan het eens proberen met 'hond'.

Ik ga zelf eens zoeken naar 'zwembad'.

Zwembad.

Ik krijg al mijn foto's met zwembaden op.

(geroezemoes)

Je kunt het iets moeilijker maken en zoeken naar 'zonsondergang'.

Zonsondergang.

Ik krijg al mijn foto's met zonsondergangen.

Je telefoon weet wat er op je foto's staat.

En je kan foto's van vroeger gaan terugzoeken

door gewoon in te tikken wat daarop stond.

(geroezemoes)

Ik heb nu de cruciale fout gemaakt

jullie te vragen om je telefoon boven te halen...

(publiek lacht)

...en je dan een nieuw trucje te leren.

We gaan verder spelen na de les.

(publiek lacht)

Pennen neer.

Ik zie jullie gezichtjes gewoon nog oplichten in de zaal.

En ik heb gezichtsherkenningssoftware mee, dus let op wat je doet.

Wat hebben we gedaan? We hebben een neuraal netwerk gebouwd in software

en we hebben dat getraind tot het katten kan herkennen op foto's.

Toen dit goed begon te werken,

dachten ze bij de computerwetenschappers:

Misschien zoeken we nu beter een nieuwe uitdaging.

We gaan iets nieuws proberen. En wat hebben ze bedacht? Ze dachten:

Zouden wij ook een neuraal netwerk kunnen bouwen

dat geen afbeeldingen van katten herkent,

maar dat afbeeldingen van katten kan maken?

Dus een neuraal netwerk waartegen je zegt: Teken eens een kat.

En die doet dat. Splinternieuwe tekening van een kat.

Als je dat wilt bouwen, moet je dat trainen.

Een neuraal netwerk kan niets als het niet getraind is.

En je kan dat trainen met reinforcement learning.

En reinforcement learning wil zeggen:

je laat dat netwerk van alles proberen

en dan zeg jij: Dit is goed gedaan en dit is slecht gedaan.

En zo leert dat ding bij.

Alleen, om dat echt te doen werken, moet je dat eigenlijk...

Je moet dat afbeeldingen laten maken van katten en zeggen:

Dit lijkt op een kat en dit lijkt niet op een kat.

En dat netwerk gaat telkens zijn verbindingen aanpassen

om meer afbeeldingen te maken waarvan jij zegt:

Dit lijkt op een kat.

Alleen moet je dat miljoenen keren doen

voor dat een beetje begint te werken. En ik heb geen tijd

om miljoenen keren te zeggen: Dit lijkt op een kat en dit niet.

Het grote voordeel is: ik hoef dat ook niet meer zelf te doen.

Want die eerste AI kan dat doen.

Dus je koppelt die twee gewoon aan elkaar. En je zegt tegen AI nummer 2:

Probeer eens een afbeelding te maken van een kat. En die probeert dat.

En AI 1 kijkt ernaar en die zegt: Dit trekt echt op geen kloten.

(publiek lacht)

En dan probeert AI 2 opnieuw en AI 1 zegt:

Dat is wat beter. Probeert hij het nog eens: slechter.

Nog eens: dat is veel beter.

En zo laat je die miljoenen keren proberen

en na een tijdje heb je een neuraal netwerk

dat afbeeldingen kan maken van een kat.

En je traint ook eentje om honden te tekenen en nijlpaarden te tekenen,

en voetbalvelden en dropsnoepjes en alles wat je wilt.

En als je dat allemaal samenpropt tot één enorm neuraal netwerk,

dan kan je dus aan dat netwerk vragen: Teken eens dit.

En dan probeert die dat voor je.

En dat neurale netwerk heb ik hier nu openstaan. Dat is Dall-E 2.

Dall-E 2 is software gebouwd door OpenAI,

het bedrijf dat ook ChatGPT gebouwd heeft.

Je hebt hier een tekstveldje.

Daarin tik je iets in, dan duw je op enter

en dan probeert de AI te tekenen wat je gevraagd hebt.

En dat gaan wij nu dus samen proberen.

Noem eens een dier.

Eenhoorn. - Olifant.

Een olifant. We hebben een olifant. We blijven bij de olifant.

Wat is de olifant aan het doen?

Aan het schaken. - Voetbal.

Aan het schaken?

Dat gaat niet met die poten. Die zijn veel te dik, hè.

Je zou zo eens... Met twee pootjes alles omver.

De olifant is aan het schaken. Geen probleem, Brugge.

Waar is de olifant aan het schaken?

Op Uranus. - In het zwembad.

In het zwembad?

(publiek lacht)

Klein softdrugsprobleem in Brugge precies, toch?

(publiek lacht)

Normaal vragen ze een hond met een hoedje op, maar ça va.

Ça va.

Schakende olifant in het zwembad. Bon...

Daar gaan we.

Een olifant...

is aan het schaken...

in een zwembad...

in de stijl van een kindertekening.

Dit hebben jullie zelf gewild, zeg ik er eventjes bij. Dus...

Ik ga straks op enter duwen.

Dan worden die woorden verstuurd naar een neuraal netwerk

ergens in een groot rekencentrum.

Aan de ene kant worden die in dat neurale netwerk geduwd.

Al die eentjes en nulletjes geven signalen naar andere knooppunten

en aan de andere kant komen daar pixels uit

en die worden weer samengesteld tot een splinternieuwe afbeelding.

En als we geluk hebben...

lijkt die een beetje...

op een kindertekening van een olifant die schaak speelt in een zwembad.

Oké, daar gaan we.

En start. De opdracht is verstuurd, het balkje loopt.

Straks krijgen wij vier pogingen.

Vier pogingen tot schaak spelende olifanten in een zwembad.

Ik ben even benieuwd als jullie.

Normaal gaat... Oh, huppakee.

(publiek) Oh...

Jazeker.

Eventjes voor de duidelijkheid...

Elke afbeelding die je hier ziet, is splinternieuw.

Deze zijn niet gedownload van het internet.

Dit zijn ook geen collages.

Het is niet zo dat die olifantjes al klaar waren en die schaakborden

en dat hij die samengekleefd heeft. Elke pixel die je ziet,

is nieuw gemaakt door die AI in de voorbije 20 seconden.

Deze afbeeldingen bestonden niet 20 seconden geleden.

Dit is generative AI.

AI die geen patronen herkent, maar die patronen kan genereren.

En dat is een soort revolutie in de AI-revolutie.

Generative AI is nog veel meer aan het veranderen

dan AI die enkel patroonherkenning doet.

Je kan daar een beetje mee spelen.

Je kan ook wat andere dingen vragen. We gaan de olifant behouden. Oké.

Een olifant doet een dansje...

terwijl hij een tutu draagt...

alsof het een olieverfschilderij is van...

Noem eens een schilder.

Mozart. - Van Gogh.

Van Gogh? Oké, we gaan voor Van Gogh.

Van Van Gogh.

Nu vraag ik een olieverfschilderij.

Dus ik zou die glans willen zien, wat penseelstroken.

We gaan kijken wat hij daar precies mee doet. Ja.

Dus een beetje glans, penseelstroken, wat impressionistisch,

want ik heb Van Gogh gevraagd.

Mooie compositie, mooie lichtinval, dansende olifant met een jurk aan.

Daar gaan we. Vier pogingen, en huppakee.

(geroezemoes)

Alweer: elke pixel die je ziet, is splinternieuw.

Gemaakt door die AI in de voorbije 20 seconden.

Het is onwaarschijnlijk

hoe goed die generative AI geworden is op een paar jaar tijd.

Dit is Dall-E 2. Vandaag is er ook al Dall-E 3.

Als je een betalend account hebt op ChatGPT,

dan kan je daar al mee spelen. Dall-E 3.

En laat ons dat eens testen.

Dall-E 3 is ongeveer anderhalf jaar na Dall-E 2 uitgekomen.

Dus het verschil is anderhalf jaar verdere ontwikkeling

aan die technologie.

Wat hadden we nu daarjuist? Oké. Een olifant...

is aan het schaken...

in een zwembad.

Ik moet er wel bij zetten dat het een afbeelding moet zijn. Daar gaan we.

Een afbeelding...

van een olifant...

die aan het schaken is in een zwembad.

Oké. En start.

Dus er is anderhalf jaar verschil in ontwikkeling,

anderhalf jaar meer ontwikkeling, tussen Dall-E 2 en Dall-E 3.

Dall-E 3 is veel groter, is op meer afbeeldingen getraind,

heeft veel meer knooppuntjes. Moet dus ook iets langer nadenken,

maar dit is anderhalf jaar betere ontwikkeling.

Dit.

(geroezemoes)

Je kunt je voorstellen dat illustratoren

hier een beetje nerveus van worden.

Dit kost mij 20 cent per afbeelding ongeveer.

En ik mag dat vrij gebruiken waar ik wil.

Als je vraagt om zulke afbeeldingen te maken aan een illustrator,

heeft die er makkelijk één of twee dagen werk aan.

Dat zal honderden tot duizend euro kosten.

Er is een klein probleem met deze software. Namelijk:

die is getraind

door heel veel afbeeldingen te downloaden van het internet

waar een beschrijving bij stond en zo dat netwerk te laten trainen.

Die techniek heet 'scraping'.

'Scraping' is het afschrapen van het internet

om publieke data te verzamelen en die te gebruiken als trainingssoftware.

Bij die gebruikte afbeeldingen, die gedownloade afbeeldingen,

zat veel werk van illustratoren die nu nog aan het werk zijn.

Die zeggen natuurlijk:

Wij hebben nooit toestemming gegeven om onze afbeeldingen te gebruiken

om een machine te bouwen die nu onze job afpakt.

Bij OpenAI zeggen ze:

Ja, we hebben nog eens gekeken naar het auteursrecht

en wij hebben die toestemming niet nodig.

Want als je kijkt naar het auteursrecht:

elke kunstenaar mag online zoveel rondkijken als hij wil

om zich te inspireren en om dingen bij te leren,

zolang je maar geen exacte kopieën maakt.

Als je kijkt naar het auteursrecht van vandaag, is hier niks mis mee.

Maar het voelt niet helemaal fair.

Ik denk dat we nieuwe wetten nodig hebben.

Ik denk dat we in het AI-tijdperk heel veel nieuwe wetten nodig hebben.

Als je je afvraagt: Wat kan ik nog doen als AI alle jobs overneemt?

Ik denk advocaat. Denk ik.

(publiek lacht)

Redelijk veel te doen.

Die Dall-E 3 die ik getoond heb, is betalende software.

Dus je hebt een betalend account nodig op GPT-4. Op ChatGPT.

Maar iedereen die wil, kan gratis 100 afbeeldingen maken met Dall-E 3

en dat kan in Bing.

Microsoft heeft een stuk van OpenAI gekocht

en sindsdien kan je in de Bing Image Creator

100 gratis afbeeldingen maken met die technologie.

Je gaat weinig slapen vannacht. Ik zeg het je al.

Voor de mensen die niet weten wat Bing is:

googel het even.

(publiek lacht)

Die technologie is dus getraind met reinforcement learning.

Je laat dat netwerk van alles proberen en dan zeg je:

Goed gedaan, slecht gedaan. En zo leert die AI bij.

Een beetje zoals een hond trainen. Die hond doet van alles

en als die iets verkeerds doet, zeg je: Stoute hond.

En als die iets goeds doet, zeg je: Brave hond. Hier is een koekje.

Zo leert de hond bij.

Dat is wat computerwetenschappers doen.

Ze staren naar de computer

en als die iets verkeerds doet, zeggen ze: Stoute software.

Als die iets goeds doet, zeggen ze: Brave software.

Hier is een USB-stick. En zo leren die netwerken bij.

Dat je dieren ook kan trainen met reinforcement learning,

is ontdekt in de jaren 40, de jaren 1940,

door een Amerikaanse psycholoog, B. F. Skinner.

En wat heeft Skinner gedaan? Skinner heeft duiven leren lezen.

Dit is een duif en die zit in een doos.

Voor haar snavel staat een bordje met letters op.

Het woord 'turn'. Draai een rondje.

Die duif kijkt ernaar en die snapt er niks van.

Want het is een duif en die snappen eigenlijk nergens iets van.

Het zijn de stomste beesten op aarde.

Als je niet gelooft dat duiven de stomste beesten op aarde zijn,

kom je niet genoeg in het stadscentrum. Het is gewoon zo.

Die duif zit daar en zegt:

(West-Vlaams) Amai, ik zit in een doos. Ik weet ook niet waarom.

Er staan rare dingen voor mijn neus die ik niet kan lezen.

Goh ja, ik ga een beetje rondkijken.

Duiven spreken West-Vlaams. Dat is ook gewoon zo.

(publiek lacht)

Die duif begint een beetje nieuwsgierig rond te kijken.

Terwijl die nieuwsgierig rondkijkt, heeft die na een tijd

compleet toevallig een volledig rondje gedraaid.

Op dat moment geeft Skinner die eten.

Die duif krijgt eten en snapt niet waarom.

Die denkt: Amai, ik heb eten gehad. Dat is sympathiek van die mens.

Maar ik zit nog altijd in een doos en weet nog altijd niet waarom.

Ik ga nog een beetje rondkijken. Die duif begint weer rond te kijken

en na een tijd heeft die weer, heel toevallig,

een volledig rondje gedraaid. Dan geeft Skinner die weer eten.

Zonder dat die duif dat beseft,

telkens als die beloond wordt met voedsel,

gaan de hersenbanen in haar hoofd

van het gedrag dat ze net gesteld heeft

een klein beetje versterkt worden. Als je dat twee dagen lang doet,

krijg je een duif die obsessief rondjes draait

zodra ze het woord 'turn' ziet. Zonder dat ze zelf weet waarom.

Dan kun je denken: Misschien is dat gewoon een neurotische duif.

Maar ze heeft ook andere woorden geleerd.

Het bordje verdraait nu naar het woord 'peck'

en ze heeft geleerd om daarop te pikken.

Je kunt een duif twaalf woorden leren.

Alweer een tof weekendprojectje.

(publiek lacht)

Skinner heeft dit ontdekt in de jaren 40, tijdens Wereldoorlog II.

Als je iets nieuws ontdekte in Amerika tijdens Wereldoorlog II,

kwam er snel iemand op bezoek van het leger

en die vroeg: Kunnen wij hier ook iets mee doen?

Is hier een militaire toepassing voor?

En Skinner zei: Ik ga het proberen.

Wat heeft hij gedaan? Hij heeft duiven getraind

om op een projectiebeeld van de zee Duitse oorlogsboten aan te duiden.

Dus wat je hier ziet, dat grijs, is een projectiebeeld van de zee.

Het zwart is de achterkant van een duivenkop.

In de verte ligt een wazig, wit lijntje.

Het wazige witte lijntje is een Duits oorlogsschip.

In het begin pikt die duif een beetje nieuwsgierig rond op dat scherm.

Telkens als die toevallig dat oorlogsschip raakt,

krijgt die eten van Skinner. Als je dat twee dagen lang doet,

krijg je een duif die fanatiek pikt op naziboten.

(publiek lacht)

Een soort antifascistisch pluimvee heb je...

heb je gecreëerd.

En Skinner ging terug naar het leger en zei: Kijk, het werkt.

De nazibotendetecterende duif.

De NBDD.

Bij het leger zeiden ze: Dat is prachtig,

maar wat kunnen we hier juist mee? Skinner zei: Ik heb een plan.

Weet je wat? We steken er drie in een bom.

Dit is een bom, die vliegt over de zee

en in die bom is plaats voor drie nazibotendetecterende duiven.

Die zitten daarin gebonden met voor hun snavel een scherm

waarop een projectiebeeld verschijnt van de zee voor de bom.

Als in de verte een Duits oorlogsschip verschijnt,

begint die duif daar keihard op te pikken.

Maar stel dat die bom te hoog vliegt, dan staat dat schip onderaan in beeld

en dan pikt die duif op de onderkant van het scherm.

Dat scherm kan een beetje scharnieren en daardoor klapt dat achteruit.

Die scharniertjes hebben ze verbonden met het staartroer van de bom,

waardoor die een beetje bijstuurt en dus lager gaat vliegen.

Tot dat schip bij alle drie de duiven mooi in het midden staat

en die bom recht op dat schip inslaat.

De allereerste telegeleide bom...

werkte op duif.

(publiek lacht)

Ze staken er altijd drie in,

want dan kan je het gemiddelde nemen van de drie.

Voor het geval er een pacifistische duif bij zou zitten.

Die bom is gebouwd en getest en die werkte perfect.

Skinner ging terug naar het leger en zei: Hij werkt. De duifbom.

Bij het leger zeiden ze: Supercool.

Toen hadden ze een vergadering met de legertop en die vroegen zich af:

Hoe hard gaan de Duitsers met ons lachen als ze dit ontdekken?

(publiek lacht)

Ze hebben het niet durven in te voeren.

Wat later was de oorlog gedaan, nog later waren er de eerste computers.

En de duifbom is nooit gebruikt in de strijd.

Hij is wel één keer getest geweest, dus...

Ergens in de jaren 40 lag er dan zo'n testschip op de oceaan.

En in de verte hoor je dan: fieuw.

Fieuw, boem.

Roe... Pluim.

(publiek lacht)

Ik vind het prachtig symbolisch dat wij als mensheid

ons symbolische dier voor de vrede in een bom gebonden hebben.

(publiek lacht)

Tekenend. Tekenend.

Maar een duif kan dus ook objecten herkennen op afbeeldingen,

omdat een duif ook een neuraal netwerk heeft in haar hoofd.

Elk biologisch brein is een neuraal netwerk.

Ik heb net getoond hoe dat eruitziet in de computer, een neuraal netwerk.

Dat kan je dus programmeren en trainen

tot het heel goed patronen herkent op afbeeldingen.

Dat werkt fantastisch goed,

maar ik vind het moeilijk te snappen waarom het werkt.

Ik vind het moeilijk te begrijpen

waarom een netwerk van knooppuntjes die elkaar kunnen activeren

blijkbaar patronen kan leren herkennen op afbeeldingen.

Om dat iets beter te snappen,

heb ik voor mezelf een klein voorbeeldje uitgewerkt

van een heel simpel neuraal netwerk,

waarvan je wel kan begrijpen hoe het werkt.

Dat voorbeeldje zou ik graag eventjes met jullie overlopen.

Dat is een iets technischer stukje, maar het duurt maar vijf minuutjes.

En ik heb het zo toegankelijk mogelijk gemaakt.

Als je dit volgt,

dan denk ik dat je straks een soort begrip zult hebben

van hoe een neuraal netwerk patronen herkent op een afbeelding.

Als je na een minuutje merkt: ik heb hier eigenlijk geen zin in...

Geen enkel probleem. Ga even in stand-by.

(publiek lacht)

Zet een screensaver aan in je hoofd.

Ik heb heel mijn middelbare school zo overleefd.

Als het klaar is, geef ik een teken en dan zijn we weer allemaal samen.

Dan zijn het weer mopjes met diertjes.

Het beste van al? Als je straks denkt dat je het niet snapt,

je kunt terugspoelen. Dus dat is handig.

Dat kan gewoon. Maar dus...

Een voorbeeld van een simpel neuraal netwerk waarvan je kan snappen

hoe het een patroon herkent.

Wat wil ik doen? Ik wil graag software maken

die kan zien op welk aantal een dobbelsteen ligt.

Ik toon een foto van een dobbelsteen aan de computer

en die moet kunnen zeggen: De dobbelsteen ligt op zes of op twee.

Goed, je zou kunnen zeggen:

Dat kan je toch ook doen met geprogrammeerde regels?

Je kunt toch regels programmeren om dat uit te voeren?

Namelijk, eerste regel: tel de zwarte bolletjes.

Dat zal niet gaan, want een zwart bolletje is een patroon.

Wij zien zwarte bolletjes met de patroonherkenning in ons hoofd.

Een computer ziet geen zwarte bolletjes.

Die ziet alleen maar pixels naast mekaar.

Zwarte en witte vierkantjes naast mekaar.

Voor een computer zijn dat geen kleuren, maar getallen.

Laat ons zeggen nulletjes voor de witte pixels

en eentjes voor de zwarte.

In het computergeheugen staan die getallen niet in een vierkantje,

zoals die afbeelding bij ons.

In het computergeheugen staan al die getallen

achter elkaar op een lange rij. Dus het enige wat die computer heeft

om uit te maken op welk aantal die dobbelsteen ligt,

is een lange rij van duizenden nulletjes en eentjes op een rij,

waarvan je er hier een paar ziet staan.

Ik ga dat dus proberen op te lossen met een neuraal netwerk.

Al die nulletjes en eentjes,

alle pixels van deze afbeelding, gebruik ik als input.

Dat zijn de inputneuronen.

En nu maak ik ook zes antwoordneuronen.

Voor elk mogelijk antwoord eentje.

Wat ik nu dus moet doen, is verbindingen programmeren

tussen de inputneuronen en de antwoordneuronen,

zodat die inputneuronen via die verbindingen

die antwoordneuronen kunnen activeren.

De bedoeling is, als ik dan een foto toon...

Ik geef die pixels als input,

via die verbindingen worden die geactiveerd.

De bedoeling is dat het meest actieve neuron van die zes

dan het juiste antwoord is.

Oké, laat ons beginnen

met de verbindingen te bedenken tussen de inputlaag

en het eerste antwoordneuron voor 'dobbelsteen ligt op één'.

Het belangrijkste gebied

op de afbeelding van een dobbelsteen die op één ligt,

is dat centrale gebied waar het zwarte bolletje staat.

Dus ik ga beginnen met alle pixels te zoeken uit dat groene gebied

in die lange rij nulletjes en eentjes.

Bijvoorbeeld die drie daar. En wat ga ik doen?

Ik ga die allemaal vermenigvuldigen met een groot, positief getal.

Bijvoorbeeld maal tien. Wat gebeurt er dan?

Als er veel zwart in dat groene gebied zit,

staan er veel eentjes bij die groene pixels.

Eén maal tien is tien.

Als ik dat allemaal optel bij dat antwoordneuron,

wordt dat getal daar steeds hoger, wordt dat neuron dus steeds actiever.

En dat is exact wat ik wil. Want hoe meer zwart in dat groene gebied,

hoe hoger de kans dat die dobbelsteen op één ligt.

Ik kijk ook eens naar een ander gebied op die afbeelding.

Bijvoorbeeld daar, linksboven.

Als mijn dobbelsteen op één ligt, moet dat daar allemaal wit zijn.

Ik zoek weer alle pixels uit dat rode gebied

in die lange rij nulletjes en eentjes. Bijvoorbeeld die drie daar.

En nu ga ik ze vermenigvuldigen met een groot negatief getal,

bijvoorbeeld maal min tien. Wat gebeurt er dan?

Als alles wit is in dat rode gebied, zijn al die pixels nulletjes.

Nul maal min tien is nul.

Als ik dat optel bij dat antwoordneuron, verandert er niks,

blijft dat heel actief. Een heel hoog getal.

Dat is exact wat ik wil. Want als alles wit is in dat gebied,

blijft de kans heel hoog dat die dobbelsteen op één ligt.

Maar stel dat ik een foto toon van een dobbelsteen op drie,

dan zit er opeens veel zwart in dat rode gebied.

Dan zijn die pixels daar geen nulletjes, maar eentjes.

Eén maal min tien is min tien. Als ik dat optel bij dat antwoordneuron,

wordt dat getal steeds lager en dat is ook wat ik wil.

Want hoe meer zwart in dat gebied linksboven,

hoe lager de kans dat die dobbelsteen op één ligt.

En dat is de redenering die je toepast op alle gebieden

die zwart kunnen zijn op een dobbelsteen.

Dat zijn deze zeven.

Dus hoe ga ik mijn verbindingen programmeren tussen die inputlaag

en dat eerste antwoordneuron voor 'dobbelsteen ligt op één'?

Alle pixels uit dat groene gebied doe ik maal tien,

alle pixels uit de rode gebieden doe ik maal min tien

en alle andere pixels doe ik maal nul,

want die hebben eigenlijk geen invloed op het antwoord.

Zo kan ik dus een volledige rij verbindingen

zelf bedenken en programmeren tussen de inputlaag

en dat eerste antwoordneuron voor 'dobbelsteen ligt op één'.

Voor al die andere mogelijke antwoorden

is de redenering heel gelijklopend,

maar met andere groene en rode gebieden op die afbeelding.

Bijvoorbeeld het patroon voor de verbindingen

naar het tweede antwoordneuron voor 'dobbelsteen ligt op twee'.

Die gaan deze structuur volgen.

Alle pixels uit de groene gebieden doe ik maal tien,

alle pixels uit de rode gebieden doe ik maal min tien

en de rest doe ik maal nul,

want die hebben geen invloed op het antwoord.

Zo kan je dus een volledige set verbindingen

zelf bedenken en programmeren tussen de inputlaag,

een afbeelding van een dobbelsteen en die antwoordneuronen.

Als je dit allemaal programmeert en je zet dat aan

en je toont dat een nieuwe afbeelding van een dobbelsteen,

zal het hoogste getal dat daar verschijnt in die antwoordneuronen

bij het juiste antwoord staan.

Wie kan er nog volgen?

Dertig mensen.

Wie kan er niet meer volgen?

Twee mensen.

Wie durfde bij geen van beide vragen de hand op te steken?

Haha, tien.

We zitten aan bijna vijftig.

Wie heeft geen armen?

Euh, soit.

Geen zorgen, we zijn bijna klaar.

Het is bijna rond. Geen probleem. Je moet altijd denken:

Het netwerk is banger van jou dan jij van het netwerk.

Maar als je dit dus allemaal programmeert

en je activeert dat programma,

gaat dat goed werken. Dat gaat dobbelstenen herkennen.

Er is één probleem met dit neurale netwerk en dat is het volgende:

dit gaat enkel werken voor dobbelstenen

die exact zo op die foto staan.

Als die dobbelsteen wat kleiner is, werkt dat niet meer,

want die ogen overlappen niet meer met de gebieden.

Als hij gedraaid op die foto staat,

bijvoorbeeld voor de drie, werkt het ook niet meer.

Als je dobbelsteen andere kleuren heeft,

witte ogen op een rode dobbelsteen, werkt dat ook niet meer.

Dat is jammer. Eigenlijk wil ik een neuraal netwerk

dat elke soort foto van elke soort dobbelsteen herkent

en zegt op welk aantal die ligt.

Dat is ook mogelijk. Dat kan gebouwd worden.

Maar dat gaat nooit lukken met een neuraal netwerk van één laag.

Dit is een neuraal netwerk van één laag.

Ik ga direct van mijn inputneuronen naar mijn antwoordneuronen.

Als ik een neuraal netwerk wil

dat elke soort foto van elke soort dobbelsteen herkent,

heb ik er sowieso eentje nodig van meerdere lagen diep.

Vandaar de term 'deep learning'.

Ik ga vanuit die inputlaag, vanuit die pixels van die afbeelding,

niet meteen die antwoordneuronen activeren.

Ik ga die gebruiken om een tussenlaag te activeren.

Die ga ik weer gebruiken om een nieuwe tussenlaag te activeren

en nog een nieuwe tussenlaag, en dan pas ga ik naar die antwoordneuronen.

Daarnet, bij dat heel simpele neurale netwerkje van één laag,

kon ik zelf bedenken wat de waarde moest zijn van die verbindingen.

Ik kon zelf beredeneren:

als ik dit maal tien doe en dit maal min tien,

gaat het waarschijnlijk werken. Dat gaat hier niet meer lukken.

Dit is veel te complex om zelf te bedenken

wat de waarde van die verbindingen moet zijn

tot het dobbelstenen herkent.

Het goede nieuws is: ik hoef dat ook niet zelf te doen.

Dit is het moment waarop je tegen je computer zegt:

Weet je wat? Zoek het lekker zelf uit.

Je geeft je computer de opdracht:

ga zelf op zoek naar een neuraal netwerk

dat dobbelstenen herkent op foto's. Wat heeft die daarvoor nodig?

Heel veel voorbeeldfoto's van dobbelstenen

waar het juiste antwoord bij staat.

Een hele map foto's van dobbelstenen op één,

een hele map van dobbelstenen op twee,

een hele map van dobbelstenen op drie, enzovoort.

Dat zijn je trainingsdata.

De computer kan al die foto's waar het antwoord bij staat gebruiken

om te testen hoe goed zijn neurale netwerk al werkt

en ook om het stap voor stap beter te maken.

Het eerste wat die computer doet,

is al die verbindingen willekeurige waardes geven.

Die smijt daar zomaar iets op.

Dat is maal acht en dat is maal tien en dat is maal min twaalf, enzovoort.

Als dat willekeurig gemaakte netwerk af is,

gaat de computer alle voorbeeldfoto's die je gegeven hebt

laten beoordelen door dat netwerk.

Dan zal die zien: bijna alle antwoorden zijn fout,

want het is willekeurig gekozen. Maar vanaf dat punt kan die computer

zijn netwerk stap voor stap verbeteren tot het werkt.

Die kan bijvoorbeeld eerst eens kijken naar die verbinding linksboven

en die een beetje sterker maken en een beetje zwakker.

Dan kan die kijken: in welke richting

levert mijn netwerk meer goede antwoorden op?

Als je netwerk meer goede antwoorden geeft

als je die verbinding wat sterker zet,

dan verzet de computer die naar daar.

Dan kijkt hij naar die tweede verbinding

en maakt die een beetje sterker en zwakker.

En hij kijkt: in welke richting

levert mijn netwerk meer goede antwoorden op?

Als je netwerk meer goede antwoorden geeft

als je die verbinding zwakker zet, dan verzet de computer die naar daar.

Dan doet die hetzelfde met die derde verbinding.

En met die vierde en met die vijfde. En zo gaat die aan een razend tempo

al die verbindingen aflopen en ze allemaal een klein beetje corrigeren

in de richting waarin het netwerk meer goede antwoorden geeft.

Als die helemaal op het einde is,

heeft die een nieuw en verbeterd netwerk,

maar het zal nog altijd niet heel goed werken.

Daarom begint die opnieuw.

Die gaat weer al die verbindingen af, en opnieuw en opnieuw.

Tienduizenden keren.

Je ziet waarom er zoveel rekenkracht nodig is om AI te trainen.

Maar als alles goed gaat,

komt die op een bepaald moment uit op een neuraal netwerk

dat voor alle voorbeeldfoto's het juiste antwoord geeft.

Dan zegt die computer: Ik denk dat ik het kan.

Dan moet je dat testen door het nieuwe afbeeldingen te tonen

die het netwerk nog nooit gezien heeft.

Als die daar ook het juiste antwoord op geeft,

dan heeft die computer blijkbaar een neuraal netwerk gevonden

dat dobbelstenen herkent op foto's en zegt op welk aantal die liggen.

Hoe dat uiteindelijke netwerk dat doet,

dus waarom die gevonden set van verbindingen

blijkbaar dobbelstenen herkent op foto's, dat snappen we niet.

Dat is een mysterie.

Maar het werkt, dus laat het met rust.

(publiek lacht)

Dat is hoe we in België omgaan met de staatsstructuur: blijf eraf,

het gaat kapotgaan.

Maar die computer heeft dus verbindingen aangepast

tot dat netwerk een bepaalde taak kon uitvoeren.

En dat werkt. Maar waarom dat werkt, dat weten we niet.

Ze noemen dat 'the black box of AI'.

Het lijkt alsof er een zwarte doos over je neurale netwerk zit.

Je stopt daar input in, daar komt een antwoord uit,

wat daartussen gebeurt: 'nobody knows.'

Voilà, dat is het einde van het moeilijke stukje.

Applaus voor jezelf. Zeer zeker. Goed gedaan, allemaal.

Voor de mensen die in stand-by waren: welkom terug.

Het was supergezellig. Er was koffie en taart.

En het belangrijkste wat je moet onthouden, is dit:

de computer gaat zelf op zoek naar een neuraal netwerk

tot het een bepaalde taak kan uitvoeren.

En uiteindelijk lukt dat en we snappen niet waarom.

'The black box of AI'.

Het feit dat een neuraal netwerk een beetje een zwarte doos is,

geeft natuurlijk problemen. Als een neuraal netwerk iets heel geks doet,

kan het ons niet zeggen waarom het gek doet.

Een paar jaar terug hebben ze AI getraind

en die moest wolven en husky's uit elkaar leren herkennen.

Met heel veel voorbeeldfoto's van wolven en husky's

heeft dat netwerk zich aangepast

tot het die goed uit elkaar kon herkennen.

Dan hebben ze dat getest met nieuwe foto's en dat werkte perfect.

Tot ze dan opeens een foto tonen van een wolf

en dat netwerk zegt: Dit is 100 procent zeker een husky.

Er loopt iets fout.

Je kan niet vragen aan dat netwerk: Waarom denk je dat dit een husky is?

Dat weet hij zelf niet. 'Computer says yes.'

(publiek lacht)

Ze hebben nieuwe software geschreven die pixel per pixel ging controleren

hoeveel invloed die pixel gehad had op het uiteindelijke antwoord.

Zo hebben ze ontdekt dat om wolven en husky's van elkaar te onderscheiden,

het netwerk maar op één ding lette.

Ligt er sneeuw op de achtergrond?

(publiek lacht)

Als er bij al je voorbeeldfoto's van husky's sneeuw ligt

en bij alle voorbeeldfoto's van wolven niet,

is dat hetgeen wat dat netwerk oppikt.

Die computer weet niet dat hij dieren moet vergelijken.

Het enige wat die computer zoekt, is het grootste statistische verschil

tussen twee fotosets. Als dat de sneeuw op de achtergrond is,

komt dat terug in je neurale netwerk

zonder dat je het weet en zonder dat je het wilt.

Deze anekdote, de sneeuw op de achtergrond, wordt heel vaak gebruikt

om computerwetenschappers te waarschuwen:

let op voor dit soort verborgen hints in je trainingsdata

waar je geen rekening mee gehouden hebt.

De bias wordt het genoemd. 'The bias in the training data'.

En wat blijkt? Dit gebeurt constant.

Mensen zijn heel slecht in het samenstellen van trainingsdata

waar dit soort bias niet in verborgen zit.

Een jaar of twee terug hebben ze een app gemaakt

en die kon met een foto van een huidvlek zien

of het een melanoom was of een onschuldige huidvlek.

Heel veel trainingsfoto's van melanomen gevraagd aan dokters

en heel veel gewone huidvlekfoto's genomen bij vrijwilligers.

Bij de eerste versie liep het al fout,

want het belangrijkste waar de app op lette, was:

ligt er een latje van de dokter naast?

(publiek lacht)

Zoals in de trainingsdata met de melanomen.

De sneeuw op de achtergrond is een hardnekkig probleem

in de AI-wetenschap.

En bij wolven en husky's is dat best grappig,

bij melanoomdetectie ietsje minder.

Stel dat wij technologie gaan gebruiken,

AI gaan gebruiken, die beslissingen neemt

die een soort maatschappelijk gevolg hebben,

dan wil je dat helemaal niet.

Daarom heeft de Europese Unie gezegd: Wij staan het niet toe.

In de AI Act staat momenteel:

elk AI-systeem dat een beslissing neemt met een maatschappelijke impact

moet 'explainable' zijn,

Moet kunnen uitleggen hoe het tot die beslissing komt.

Veel neurale netwerken zijn niet 'explainable'

en zijn zelfs niet 'explainable' te maken soms.

In Amerika zijn ze daar allemaal wat minder ongerust over.

Zoals over vele dingen.

Merken we aan de voorverkiezingen.

Gekke oranje man nog een keer? Awel ja, gekke oranje man nog een keer.

(publiek lacht)

In de States wordt momenteel AI getest

die beslist wie een woonlening krijgt en wie niet.

Je geeft een dossier aan een neuraal netwerk

en dat zegt: Die moet je een lening geven, die niet.

Maar op basis waarvan dat beslist, weten we niet.

Getraind op dossiers van wanbetalers en goede terugbetalers.

Daar kan sneeuw op de achtergrond zitten.

De wijk waarin je geboren bent, kan opeens meespelen in de beslissing

als daar veel wanbetalers geboren waren.

Er wordt AI getraind in de States

die beslist wie voorwaardelijk vrij mag komen uit de gevangenis.

COMPAS heet dat systeem. Van het ministerie van Justitie.

Ook daar kan er zomaar sneeuw op de achtergrond zitten

in die trainingsdata.

Er wordt AI getraind in de States en gebruikt

die beslist wie naar de volgende ronde mag

in een sollicitatieprocedure.

Hoe train je zo'n netwerk?

Door alle profielen van mensen die de job vroeger goed uitgeoefend hebben.

Als dat jobs waren die vroeger heel typisch aan mannen gegeven werden

of heel typisch aan vrouwen,

gaat je neurale netwerk selecteren op geslacht

zonder dat je dat wilt en zonder dat je dat weet.

De sneeuw op de achtergrond is een hardnekkig probleem.

En zelfs in ons persoonlijke leven.

De spamfilter op je mailbox is een neuraal netwerk.

Een neuraal netwerk getraind met heel veel spammails

en met heel veel niet-spammails.

Wat blijkt nu? Als je exact dezelfde tekst schrijft

en je ondertekent die met een niet-westerse naam,

heb je vijf keer meer kans om in de spam terecht te komen.

Niemand heeft dat daar bewust in gestopt.

Er zit nergens een handenwrijvende, kwaadaardige programmeur

dat erin te stoppen. Dat sluipt erin via de sneeuw op de achtergrond

en als je het niet doorhebt,

selecteert dat effectief op dat soort dingen.

Sneeuw op de achtergrond: hardnekkig probleem.

Computerwetenschappers zijn zich ervan bewust.

Ze proberen er op te letten, maar het is niet altijd goed te spotten

of te vermijden.

Dit is iets wat we allemaal in ons achterhoofd moeten houden.

Want wij gaan allemaal werken met AI in de komende jaren.

Dan zeg ik tegen de zaal: Jullie gaan allemaal werken met AI.

Ik heb net een joekel van een neuraal netwerk laten zien

en hier en daar krijg ik blikken die zeggen: Nee, dank je.

Laat mij maar lekker met rust met de cijfers en de bolletjes.

Ik heb goed nieuws voor je: hiermee hoef je niet te werken.

Dit zit onder de motorkap.

Dat hebben de experts voor ons gebouwd.

Als wij gaan werken met AI,

zal dat via een gebruiksvriendelijke interface zijn.

Net zoals je met de auto rijdt met een stuur en pedalen.

Je moet niet zelf je verbrandingsmotor in elkaar vijzen.

Dit is de verbrandingsmotor.

Als wij werken met AI, zal dat via een interface zijn.

En die interfaces bestaan nu al.

Elk van jullie die vanavond een neuraal netwerk wil trainen,

kan dat gewoon doen op het internet,

zonder dat je één lijn moet programmeren.

Ik kan bijvoorbeeld op deze website, customvision.ai van Microsoft...

Als je naar die website gaat en je maakt een account

en jij hebt 20 foto's van wolven en 20 foto's van husky's...

Jij geeft die het juiste label en je uploadt die op die website.

Dan krijg jij een tijdje later gratis software terug

die wolven en husky's uit elkaar herkent.

Let op de sneeuw op de achtergrond, maar voor de rest

werkt dat heel goed.

Als iemand van jullie een webcam op de voordeur wil

die al je vrienden herkent

en een ander geluidje maakt bij de toffe en niet zo toffe, dat kan.

(publiek lacht)

Kan je zelf bouwen.

Nog een website die het aanbiedt die ik graag vernoem,

omdat hij gericht is op jongeren, is Teachable Machine van Google.

Kan ook leren om afbeeldingen te herkennen.

Kan muziekstijlen herkennen van verschillende bands,

ze uit elkaar leren herkennen.

Kan je houding gebruiken om je computer te besturen

en kan zelfs je stemgeluid leren herkennen.

Gewoon genoeg opnames van jouw stem en andere stemmen,

juiste label geven: dit ben ik, dit ben ik niet.

En je krijgt software terug die jouw stem herkent.

Elke tiener die een slot wil bouwen op de deur van hun kamer

dat enkel opengaat als het hun stem hoort, kan dat vandaag.

Met genoeg tijd, doorzettingsvermogen en zonder veel programmeerwerk

kan je dat zelf bouwen.

Ik ga op het einde van de voorstelling

een afbeelding tonen met alle apps en websites die ik vernoemd heb.

Dan kan je daar een foto van nemen als je naar buiten gaat

en kun je het hele weekend spelen met AI als je dat wilt.

Maar dus, zelf knutselen met AI via die websites

is heel toegankelijk geworden.

Vandaag al zijn er over de hele wereld

gewone huis-, tuin- en keukenklussers zonder veel computerkennis

aan het klussen met AI.

Zoals Ben Hamm.

Ben Hamm is een Amerikaanse man en hij heeft een kat.

Hij heeft een klein probleem met zijn kat,

want zijn kat vindt hem supercool.

Wat doet een kat als ze je supercool vindt?

Dan brengt ze je cadeautjes.

In de vorm van een stervende pimpelmees.

Die bloed en kak kotst over je tapijt. Ben vindt dat niet tof.

Dus wat heeft Ben gedaan? Een webcam op zijn kattenluik gehangen.

Daarmee heeft hij een paar honderd foto's verzameld

van zijn kat met een prooi

en een paar duizend van zijn kat zonder een prooi.

Die heeft hij handmatig gelabeld

en dan geüpload naar Teachable Machine.

Een beetje later kreeg hij software terug

die kon zien of zijn kat een prooi bij zich heeft.

Die heeft hij op een computertje, een Arduino, gezet.

Dat heeft hij verbonden met die webcam.

Aan dat computertje heeft hij een elektronisch slot gehangen

op zijn kattenluik.

Ben zijn kattenluik gaat automatisch op slot

als zijn kat een prooi meeheeft.

(publiek lacht)

Twintig jaar geleden kon geen enkel softwarebedrijf dat voor jou bouwen.

Vandaag maak je dat aan je eigen keukentafel

voor 20 euro aan onderdelen.

Ik vraag me alleen soms af...

Hoe voelt het voor de kat?

(publiek lacht)

Maar die heeft een cadeautje mee.

Leef je even in: je gaat op bezoek bij vrienden en hebt pralines mee.

(publiek lacht)

Je komt aan de voordeur: klak. Raar...

Heel raar.

Je kunt dat ook omgekeerd trainen.

Als iemand van jullie een voordeur wil die enkel opengaat

als je partner bloemen meeheeft: dat kan.

(publiek lacht)

Als je partner na het zien van deze voorstelling

heel veel foto's van je begint te nemen

met en zonder bloemen, maak je dan zorgen.

Klein voordeel: een T-shirt met een boeket op werkt eigenlijk ook, dus...

Ik verkoop ze straks na de voor... Nee, dat is niet waar.

Maar knutselen met AI: iedereen kan het.

Nog een voorbeeldje. Het komt uit Schotland,

van de voetbalploeg Inverness.

Tijdens de lockdown mochten er geen fans binnen in het stadion.

Wat hebben ze gedaan? Ze hebben een webcam op het veld gericht

en de mensen konden van thuis uit meekijken naar de voetbalmatch

in het lege stadion.

Alleen: die webcam filmt heel dat veld en dat is een beetje saai.

Je ziet een groot veld met veel te kleine mannetjes.

Iemand van die ploeg heeft AI getraind

tot die de voetbal kon herkennen op het veld.

Dan kon de camera digitaal inzoomen op het stuk waar er gespeeld werd.

Dat was veel toffer om naar te kijken en dat werkte perfect.

Enfin...

Dat werkte perfect tot bij deze wedstrijd.

Wat is het probleem bij deze wedstrijd?

De lijnrechter is kaal. En...

(publiek lacht)

Ja...

De AI zoekt een rond, glimmend object.

(publiek lacht)

Heel de wedstrijd lang keken de mensen naar Patrick.

Zal deze aanval tot een goal leiden? We gaan het nooit weten.

(publiek lacht)

Mensen belden naar het stadion. Ze vroegen: Zet die man een pruik op.

Maar het is niet gelukt en dit is heel de wedstrijd dus blijven duren.

Dit gebeurt af en toe.

Soms zijn er patronen die makkelijk uit mekaar te houden zijn voor ons,

maar die heel moeilijk zijn voor AI.

Er circuleren een paar bekende fotosets

die worden gebruikt om te testen

hoe goed je AI-systeem al op details kan letten.

De bekendste is deze. Dit is 'muffin of chihuahua'.

(publiek lacht)

Het is moeilijk.

Het is moeilijk.

Je hebt ook 'luiaard of chocoladebroodje'.

(publiek lacht)

Zoogdieren en gebak, het is een dingetje. Ik weet niet juist hoe.

Appel of kerkuil? Enfin, het is...

eindeloos.

En mijn persoonlijke favorietje is 'windhond of Saruman'.

(publiek lacht)

Allemaal patronen die gemakkelijk zijn voor ons

en heel moeilijk voor een AI-systeem.

Het gekke is:

het omgekeerde gebeurt ook al. Er zijn steeds vaker momenten

waarop AI-systemen patronen zien die wij als mens niet kunnen zien.

Dat zijn magische momenten. AI ontdekt een patroon

dat wij als mens niet kunnen zien.

Ik heb een voorbeeld uit België. Het komt van bij VITO,

de Vlaamse Instelling voor Technologisch Onderzoek.

En bij VITO hebben ze AI getraind die oogartsen kan assisteren

bij de controle van een netvliesfoto.

Dit is een netvliesfoto.

Dit is meer bepaald mijn netvlies dat we hier zien.

Want ik toon al graag eens een foto van mijn blote retina.

(publiek lacht)

Mensen met hoge cholesterol of met diabetes

laten best één keer per jaar naar hun netvlies kijken.

De oogarts kijkt dan naar schade aan die kleine adertjes.

Dat kan tot slecht zicht leiden en dan heb je een behandeling nodig.

Alleen zijn veel van die oogartsen overbezet

en die hebben geen tijd om iedereen voor de volle afspraak te zien.

Bij VITO hebben ze AI getraind die dat voor een stuk kan overnemen.

Dus je toont dat AI-systeem een foto van een netvlies

en dat systeem beslist:

jij moet zeker naar de arts en jij misschien niet.

Toen ze dat getraind hebben, hebben ze bij elke foto

ook heel veel patiënteninformatie gegeven.

Geslacht van de patiënt, leeftijd, roker of niet-roker, enzovoort.

Na een tijdje gebeurt er iets geks.

Ze tonen dat AI-systeem een foto van een netvlies

en dat AI-systeem zegt: Dit is een gezond netvlies

en het is van een vrouw.

Er is geen enkele oogarts in heel de wereld

die aan je netvlies je geslacht kan bepalen.

Niemand kan dat. Dat AI-systeem doet dat feilloos.

De AI heeft een geslachtsafhankelijk patroon gevonden in ons netvlies

waarvan wij niet eens wisten dat het bestond.

Wat dat patroon is, kan het ons niet zeggen.

Dat zit in de black box.

We weten nog altijd niet hoe dat ding het doet.

Toen ze dat zagen bij VITO, dachten ze:

Misschien zijn er nog aandoeningen

waar AI een voorspelling voor kan doen op basis van een netvliesfoto

zonder dat de mens dat kan. En ze hebben geprobeerd

om andere diagnoses te halen uit een netvliesfoto.

En het is twee keer gelukt.

Het vroege begin van alzheimer en het vroege begin van parkinson

kan AI detecteren op basis van deze foto,

terwijl een mens nog helemaal niks ziet.

AI die patronen ziet die wij niet zien

en ons dan waarschuwt voor dingen die gaan gebeuren in de toekomst.

Ik denk dat daar heel veel toepassingen van komen.

Wellicht wereldwijde systemen

die kunnen waarschuwen voor aardbevingen, vulkaanuitbarstingen,

tsunami's, droogtes, overstromingen, enzovoort.

Maar evengoed zou je kunnen denken

aan AI-patronen in ons eigen, persoonlijke leven.

Je domotica bijvoorbeeld.

Gekoppeld aan een AI-systeem dat patronen zoekt.

Dat kijkt wanneer je opstaat en gaat slapen.

Een camera die bijhoudt wat je eet en wanneer.

Je gaat heel snel voedselintoleranties

en allergieën kunnen detecteren. Een camera die je hartslag volgt,

via je gezicht misschien je gemoedstoestand.

Als die allemaal samenwerken,

kunnen die patronen zoeken en je assisteren.

We moeten ook nog kiezen wie al die data mag beheren,

maar daarvoor zijn we blind vanavond.

Maar als die systemen samenwerken, kunnen ze wel patronen vinden.

Stel je voor dat je op een vrije dag

altijd te lang in je nest blijft liggen.

Dan drink je veel te veel koffie, daardoor sla je het middageten over

en 's avonds ben je suf en chagrijnig.

Een mogelijk autobiografisch voorbeeld.

(publiek lacht)

Dan zou het kunnen over een jaar of 10,

dat je huis om 11u 's morgens tegen jou zegt:

(in Oost-Vlaams) Zou je niet eens gaan wandelen, hè?

(publiek lacht)

De mama-AI.

(publiek lacht)

En sowieso in het Meetjeslands.

Zou je niet eens gaan wandelen? Dat is een bevel.

Limburgs is een uitnodiging.

Zou jij eens niet gaan wandelen? Dan denk je: Nee, geen goesting.

Maar: Zou jij eens niet gaan wandelen?

Je staat al buiten. Vandaar.

Maar de AI-assistent, de AI-lifecoach,

zou er binnenkort best wel kunnen zijn.

Nog een gebied waarop AI sowieso ons leven binnenkomt, is in de auto.

Mensen die nu al een auto hebben die voor een stuk zelfrijdend is,

daar zit al AI in.

Zonder AI kan die auto niet weten waar de lijnen liggen van de baan,

kan die geen verkeersborden herkennen, enzovoort.

Wat merken we nu? De weg van een gewone auto

naar eentje die deels zelfrijdend is, dat ging vrij vlot.

De weg van een gedeeltelijk zelfrijdende auto

naar eentje die alles zelfstandig kan zonder dat je zelf iets moet doen,

dat blijkt aartsmoeilijk te zijn.

En de belangrijkste reden is: een volledig zelfrijdende auto

heeft 100 procent betrouwbare patroonherkenning nodig.

Als daar AI in zit die verkeerslichten herkent,

wil je niet dat die 99 procent van de tijd juist zijn.

(publiek lacht)

En dat is lastig.

Twee jaar terug hebben ze verkeerslichtherkenning opengezet

op de Tesla's in Amerika.

Vrij snel kregen ze bericht van mensen die zeiden:

Mijn auto remt voor de volle maan.

(publiek lacht)

Het was oranje.

Iemand liet weten dat zijn auto geremd had

voor het logo van Burger King.

(publiek lacht)

Verkeerslichtherkenning trainen tot die 100 procent betrouwbaar is,

is aartsmoeilijk.

Omdat verkeerslichten verschillende vormen en kleuren kunnen hebben.

Die kunnen in het licht staan, in het donker, in de halfschaduw.

Die kunnen tussen de bladeren staan.

Als je wilt dat het 100 procent van de tijd juist gaat,

moet je letterlijk miljoenen keren aan een AI-systeem zeggen:

Dit is een verkeerlicht, en dit. En dit niet, dit niet en dit wel.

Miljoenen keren.

Wie heeft daar in godsnaam tijd voor?

Ja, wie heeft daar eigenlijk in godsnaam tijd voor?

(publiek lacht)

Dat zijn wij dus aan het doen.

(publiek lacht)

Dit zijn de captcha's. Trouwens, captcha staat voor

'completely automated program to tell computers and humans apart'.

Captcha.

De captcha is bedoeld om te kijken of je een menselijke gebruiker bent

of een softwaresysteem. En hoe kan je dat doen?

Je geeft de gebruiker een taak die net te moeilijk is voor een computer.

Dat is exact het soort labeling data dat AI-wetenschappers nodig hebben

van een taak die nog net te moeilijk is voor de computer.

Bij Google hadden ze dat door en die hebben captcha gekocht.

En sinds die dag werken wij allemaal voor Google.

Google bouwt een zelfrijdende auto, wij zijn die aan het trainen.

En als je denkt: Dat kan toch niet? Dit ding kan ons toch niet testen

en wij tegelijkertijd dat ding trainen? Dat is waar.

Heb je gemerkt dat je meestal twee of drie foto's krijgt?

Eentje is de test.

De andere zijn wij die als aapjes in een kooitje werken voor Google.

Rikketikketik.

Klein voordeel: als je wilt, kun je op je kaartje zetten:

ik heb AI getraind voor Google. Want dat is wat we doen.

Een paar jaar terug had Google een ander project.

Dan hebben ze bij heel veel bibliotheken van universiteiten

wetenschappelijke boeken ingescand en digitaal beschikbaar gemaakt.

De bibliotheek van Universiteit Gent en Universiteit Leuven

ingescand en gedigitaliseerd per Google.

In zo'n oud boek staat er soms een woord dat wat te dik gedrukt is

en dan kan die AI dat niet lezen.

Daarom kregen wij een paar jaar geleden deze captcha's.

(geroezemoes)

Dus rechts is de test: ben je mens of software?

Links is een woord uit een oud wetenschappelijk boek

dat de AI niet kon lezen.

Hadden wij toen afgesproken om altijd piemel te typen...

(publiek lacht)

Dan zouden de werken van Mercator veel boeiender geweest zijn vandaag.

Google is een van de grootste AI-onderzoekers ter wereld.

Ze doen niet alleen AI-onderzoek voor producten,

zoals die dingen daar.

Google zit ook in het fundamentele onderzoek.

De fundamentele research naar:

wat is een neuraal netwerk, wat kan het en wat kunnen we het bijleren?

Hoe kunnen we het beter maken?

Dat doen zij voornamelijk via Google DeepMind.

Google DeepMind is een onderzoeksinstelling in Londen,

is een wereldspeler.

Dat is eigenlijk de enige echte grote in Europa.

De grote onderzoeken gebeuren in Amerika en China.

Google DeepMind staat in Londen, vlak bij ons.

Er werken ook redelijk wat Belgen. Dat is best iets om trots op te zijn.

Het doel van Google DeepMind? Het is opgericht door Demis Hassabis

en zijn doel bij de oprichting was dit:

om de menselijke intelligentie na te bootsen in een computer

en dan die computer gebruiken om alle problemen van de wereld op te lossen.

'To first solve intelligence and then solve everything else.'

Was het bescheiden missionstatement van Google DeepMind.

Maar Demis Hassabis is wel begonnen met kleine stapjes.

Kleine eerste stapjes. Hij is zelf een spelletjesfreak.

Hij is een schaakkampioen en hij dacht:

Om spelletjes te spelen, moeten mensen toch een beetje redeneren.

Zouden we dat kunnen nabootsen in een computer?

Hij heeft neurale netwerken gebouwd en die spelletjes leren spelen.

Dammen en Stratego en Pong en andere computerspelletjes.

En na een tijdje zelfs schaak.

Na een tijdje had hij een neuraal netwerk dat goed kon schaken.

Niet iedereen was onder de indruk,

want we hebben al heel lang schaakcomputers.

Sinds de jaren 90 kunnen computers beter schaken dan de mens.

De reden dat het zo snel gelukt is met schaak,

is omdat je schaak kan winnen zuiver op rekenkracht.

Als je heel veel rekenkracht hebt,

kun je veel zetten, miljoenen zetten, vooruitdenken

en kan je het beste pad kiezen voor jezelf.

Je kan schaak 'brute forcen'. Zuiver winnen op rekenkracht.

Er zijn ook bordspelletjes

die je niet kan winnen zuiver op rekenkracht.

Het bekendste is go. Go is een Chinees-Japans bordspel.

Dit is een go-bord. Je hebt 19 lijnen op 19.

Eén speler speelt met witte stenen, één met zwarte stenen.

Elk om beurt leggen die een steen van hun kleur op een vrij kruispunt.

Wat is het doel van een go-spel? Vrij simpel.

Om zoveel mogelijk gebied te omsingelen.

Wit heeft nu linksonder een stuk omsingeld.

Wie op het einde van het spel het meeste gebied heeft omsingeld,

is de winnaar van het go-spel.

Die regels zijn bedrieglijk eenvoudig.

De uitwerking van een go-spel is enorm complex.

Vele malen complexer dan schaak.

De belangrijkste reden is dat je bij elke zet zoveel mogelijkheden hebt.

Je eerste steen kan je op 361 plaatsen leggen.

Je tweede steen op 360 plaatsen.

Wat is het gevolg?

Voor de eerste vier zetten van een go-spel

zijn er 16 miljard mogelijkheden.

Als je elk mogelijk spel dat gespeeld kan worden op dit bord optelt,

is dat aantal groter dan het kwadraat van alle atomen in het universum.

Met andere woorden:

het is niet mogelijk om vele zetten vooruit te denken voor een computer,

omdat het aantal mogelijkheden zo snel exponentieel enorm groot wordt.

Je kan go niet 'brute forcen'. Een mens kan dat natuurlijk ook niet.

Menselijke spelers zeggen: We spelen een stuk op strategie

en een heel groot stuk op intuïtie en op creativiteit.

Je moet jarenlang uren per dag go spelen

om daar heel goed in te worden. Tot je een soort gevoel ontwikkelt

voor wat er werkt en wat er niet werkt.

Intuïtie en creativiteit zijn essentieel om goed go te spelen.

Daarom wordt er gezegd: Intuïtie en creativiteit

zijn menselijke eigenschappen die een computer niet heeft.

Dus een computer zal nooit heel goed go kunnen spelen.

En bij DeepMind zeiden ze: We gaan het toch proberen.

Ze hebben een groot neuraal netwerk gebouwd.

Ze hebben dat heel veel voorbeelden getoond van go-spelletjes

tussen menselijke kampioenen.

Dat netwerk heeft zich aangepast, verbindingen aangepast

tot het meer begon te spelen als de winnende partij.

En na een tijdje kon dat goed go spelen.

En toen zeiden ze bij DeepMind: Nu willen wij een toernooi.

We willen een toernooi tussen onze computer, AlphaGo,

en de beste go-speler van heel de wereld.

Dat is Lee Sedol. Dat is een Zuid-Koreaan.

Hij is 18 jaar op rij wereldkampioen go.

Waarschijnlijk de beste go-speler ooit.

Ze hebben een hotel gehuurd in Seoul

voor een officieel toernooi van vijf partijen

tussen AlphaGo, de computer, en Lee Sedol.

Dat toernooi werd online uitgezonden,

werd live bekeken door 200 miljoen mensen.

Go is enorm populair in Azië.

Er keken twee keer meer mensen naar dit toernooi

dan naar de Super Bowl in Amerika.

In de tweede partij van die vijf gebeurt er iets geks.

Normaal gezien in het begin van een go-spel

wordt er enkel gespeeld op de buitenste vier lijnen van het bord.

Dat is geen regel. Je mag eigenlijk spelen waar je wilt.

Maar dit is een strategie die alle topspelers volgen.

Je zet je basis op die buitenranden en als die stevig staat,

begin je naar binnen te werken. Wat deed die computer nu?

Wat deed AlphaGo bij de 37e zet van het tweede spel?

Hij zette zijn steen daar. Vijf lijnen diep.

Dit is een zet die geen enkele menselijke go-kampioen ooit zou doen.

Ze hebben direct gevraagd aan de go-spelers in de zaal daar:

Wat vinden jullie van die zet? Ze zeiden:

Dat is een vreselijke zet. Dit is een ellendig slechte zet.

Dan vroegen ze waarom en zeiden ze: Het voelt niet goed.

(publiek lacht)

Dit is het moment waarop die zet gedaan wordt.

Dat is niet Lee Sedol, trouwens. Dat is de AI-assistent.

Dat is de persoon die de bevelen van het AI-systeem moet uitvoeren.

Dus onze toekomst. En...

Zodra hij die steen neerlegt,

hoor je aan de commentaarstemmen dat daar iets geks gebeurd is.

(verbaasde reactie in Koreaans)

Dat is een verrassende zet.

Ik dacht dat het een vergissing was.

Ik dacht dat het een vergissing was.

Ze dachten dat de AI-assistent zich vergist had.

Toen keken ze naar het computerscherm

en dit was effectief wat die computer gevraagd had.

Toen dachten ze: Oké, dit is een fout in de software.

Dit is een heel slechte zet. Deze partij is waarschijnlijk verloren.

Lee Sedol is er niet, zoals je kan zien.

Een go-match duurt een paar uur.

Lee Sedol heeft hier een pauze genomen.

Even later komt hij terug van die pauze

en 200 miljoen mensen vragen zich af:

Hoe gaat de beste go-speler ter wereld reageren

als hij die knotsgekke zet op dat bord ziet liggen?

(publiek lacht)

Hij moet een beetje lachen.

Maar zijn lachje verdwijnt.

Hij zet zich achterover.

En hij staart naar het bord.

Hij heeft twaalf minuten naar het bord gestaard.

Twaalf minuten lang zit de beste go-speler ooit

te kijken naar dat bord en doet helemaal niks.

Na die twaalf minuten is hij rechtgestaan voor een nieuwe pauze.

Hij is dan teruggekomen van die pauze en heeft wel verder gespeeld.

Hij heeft deze partij verloren.

Helemaal op het einde bleek dat die 'move 37' een cruciale positie was

om een heel groot gebied te omsingelen.

Ze vroegen Lee Sedol:

Wat was je aan het doen in die twaalf minuten dat je naar dat bord keek?

En hij zegt: Ik probeerde eerst een tegenstrategie te bedenken.

Toen ik merkte hoe aartsmoeilijk dat was,

heb ik me vooral zitten afvragen

wat de begrippen schoonheid en creativiteit eigenlijk betekenen.

(publiek lacht)

Hij zegt: Dit was een onmiskenbaar mooie en creatieve zet.

Maar die was gedaan door een machientje. Door software.

Dat vond hij heel confronterend.

Hij heeft dat toernooi uitgespeeld. Vijf wedstrijden.

Lee Sedol heeft er vier verloren.

Dus de beste go-speler ooit verliest met vier-één van de computer AlphaGo.

Een paar maanden later is Lee Sedol gestopt met go spelen.

Op de top van zijn kunnen.

Ze hebben gevraagd waarom. Hij zegt:

Er bestaat nu een entiteit die ik niet kan verslaan.

Het heeft voor mij geen enkele zin meer.

Ik denk niet dat er veel coureurs gestopt zijn

toen de bromfiets is uitgevonden.

(publiek lacht)

Daar kunnen we blijkbaar wel mee overweg.

Een fiets met een motor rijdt sneller dan wij. Geen probleem.

We gaan wat tegen elkaar koersen. Maar voor een go-speler?

Die mensen hebben letterlijk hun leven gewijd aan dat spel.

Sinds hun kindertijd uren per dag gespeeld.

Die intuïtie die zij ontwikkeld hebben, dat spelgevoel,

is een groot deel van hun identiteit en van hun eigenwaarde.

Als dat opeens compleet onverwacht beter gedaan wordt door software,

is dat enorm bedreigend.

Lee Sedol is gestopt met go door die 'move 37'.

En ik vraag mij soms af:

Hoeveel van ons gaan in de komende jaren

onze eigen kleine 'move 37' meemaken?

We hebben allemaal dingen waarvan we trots zijn dat we ze kunnen.

Talenten die we hebben, dingen die we geleerd hebben,

artistieke dingen, iets in ons werk, iets in je persoonlijke leven.

Die AI-systemen leren heel snel nieuwe dingen bij.

Voor velen van ons komt er een moment waarop een AI-systeem

dat ding waar je trots op bent beter doet dan jezelf.

En ik vraag mij af: Hoe gaan wij reageren?

Ik ben begonnen als stand-upcomedian.

De dag dat een AI-systeem een heel goeie punchline schrijft

en die met de perfecte timing vertelt aan een zaal,

ga ik koude rillingen hebben.

Er staan al AI-stand-upshows op YouTube.

Geschreven en uitgesproken door een AI-systeem.

Die grappen zijn niet slecht.

De timing gelukkig wel.

(publiek lacht)

Dus ik heb nog eventjes.

Terug naar dat toernooi.

Na de overwinning van AlphaGo op Lee Sedol

waren er toch weer kritische stemmen. Dat waren de mensen die zeiden:

Wacht even, heel je AI-systeem is getraind

op basis van go-spelletjes tussen menselijke kampioenen.

Dus dat AI-systeem heeft niet zelf intuïtie en creativiteit ontwikkeld,

die heeft dat afgekeken van de menselijke spellen

en geremixt tot een soort rare zet.

Bij DeepMind zeiden ze: Dat is een goed punt.

En ze hebben een nieuwe computer gebouwd, AlphaZero.

En AlphaZero begint leeg

en krijgt geen enkel voorbeeld te zien van een go-spel tussen mensen.

Het enige wat AlphaZero krijgt, zijn de regels van go.

Dan zeggen ze tegen die computer:

Splits jezelf in twee en oefen tegen jezelf tot je het kunt.

Die computer speelt miljoenen spellen tegen zichzelf

en onthoudt wat wel en niet werkt.

Na een tijdje kon AlphaZero goed go spelen.

Dan hebben ze gezegd: Nu willen wij een officieel toernooi

tussen AlphaZero en de beste go-speler ter wereld.

Lee Sedol was gestopt,

dus AlphaZero heeft gespeeld tegen AlphaGo, de vorige computer.

(publiek lacht)

AlphaZero heeft gewonnen met 100-0.

(geroezemoes)

Dus wat blijkt?

In heel dat trainen van die AI...

Al die menselijke voorbeelden remmen die een beetje af.

We zijn vervelende ruis.

Het gaat sneller als ze het alleen doen.

Toen ze zagen dat dat systeem met AlphaZero werkte,

dachten ze: Dit kunnen we ook bij andere spelletjes doen.

Ze hebben AlphaZero leeggemaakt en daar de regels van schaak in gestopt.

Weer hetzelfde: geen enkel voorbeeld van een schaakspel tussen mensen.

Splits jezelf in twee en oefen tegen jezelf tot je het kan.

Na een tijdje was AlphaZero beter in schaak dan de beste mens ter wereld.

De tijd tussen het aanzetten van AlphaZero als lege computer

en het moment dat hij beter was dan de beste mens ter wereld,

was vier uur.

Het schaakspel is 1.500 jaar oud.

Zo lang hebben wij tijd gehad.

Met zijn allen, om schaakstrategieën te bedenken.

Een AI-systeem haalt dat allemaal in op vier uur tijd.

Moeten wij daar panisch bang van worden? Ik weet het niet.

(publiek lacht)

Kies maar.

De pessimisten zeggen: Nu is het wel duidelijk.

We hebben een systeem gebouwd dat op vier uur tijd

betere strategieën ontwikkelt dan de collectieve mensheid in 1.500 jaar.

Zodra ze het kunnen, gaan ze de hele wereld overnemen

en de mensheid domineren.

Ik heb daar één belangrijke vraag bij en dat is deze:

Waarom zou een AI-systeem de mensheid willen domineren?

Dat ding wil helemaal niks. Dat is software.

Als je morgen AlphaZero vraagt om alle schaakspelletjes te verliezen,

doet hij dat gewoon. Het is gewoon software.

Dat heeft geen agressie, dat heeft geen instincten

en dat heeft geen dominantiedrang.

Je pc is niet kwaad als je hem uitzet. Die vindt dat oké.

(publiek lacht)

De dominantiedrang die je ziet in de mens, komt uit onze evolutie.

We zijn geëvolueerd als aapjes die in groep leefden.

Dan is het blijkbaar goed voor je voortplantingskans

om te proberen de baas te zijn

en de groepen in de buurt een beetje weg te jagen.

Zo'n AI-systeem heeft die evolutie niet doorgemaakt.

Dus ik zie niet in waarom er vanuit het niets

een dominantiedrang zou ontstaan in een AI-systeem.

Wil dat zeggen dat ik dan vrij ben van zorgen? Zeker niet.

Een AI-systeem kan ook grote fouten maken

op weg naar een zeer slimme oplossing.

Ze noemen dat 'the alignment problem'.

Maar zonder slechte bedoelingen. Als ik vraag aan een AI-systeem

om ervoor te zorgen dat mijn hond nooit meer vlooien heeft,

is het een zeer adequate oplossing om de hond in te vriezen.

(publiek lacht)

Perfect opgelost.

Want ik had niet gezegd dat het niet mocht. Dat is een simpel voorbeeld.

Eens AI oplossingen gaat bedenken die wij niet meer snappen,

wat bij go en schaak nu al het geval is,

gaan we misschien niet meer herkennen dat ze ergens dat soort afslag nemen

zonder dat ze het slecht bedoelen. En ook AI zonder slechte bedoelingen

kan wel gebruikt worden door mensen met slechte bedoelingen.

Er zijn nog een paar mensen op deze aarde met een zekere dominantiedrang.

Ze staan soms in de krant.

Wanneer die beginnen te werken met krachtige AI, ga ik nerveuzer worden.

Yuval Harari zegt:

Ik ben niet bang voor AI, wel voor biologische domheid.

Dat zijn wij. Dat is gevaarlijker.

Oké, terug naar DeepMind.

Daar hadden ze dus een heel goede schaakcomputer

en ze hadden een heel goede go-computer.

En dat is het moment waarop Demis Hassabis dacht:

Misschien heb ik nu genoeg spelletjes gespeeld.

Misschien moet ik proberen een puzzel op te lossen uit de wetenschap.

In de wetenschap zijn nog veel onopgeloste puzzels.

En hij heeft gekozen voor het 'protein folding problem'.

Het 'protein folding problem' is de vraag hoe eiwitten zichzelf opplooien

tot hun uiteindelijke vorm.

In ons lichaam zitten tienduizenden soorten eiwitten

die cruciale taken uitvoeren.

Dit is myoglobine, levert zuurstof aan onze spieren.

Je hebt hemoglobine, transporteert zuurstof door het bloed.

En een eiwit heeft dit soort vorm.

Een soort heel lange molecule die samengekronkeld is

tot het zo'n propje is.

En dat propje kan een heel specifieke taak uitoefenen in ons lichaam.

Als je de vorm kent van een eiwit,

kan je veel beter snappen hoe het werkt,

kan je veel ziektes beter begrijpen,

sneller medicijnen ontwikkelen en betere behandelingen ontwikkelen.

Alleen zijn eiwitten zo klein dat je ze niet ziet onder een microscoop.

Om de vorm te bepalen van één soort eiwit,

is er gemiddeld vier jaar wetenschappelijk onderzoek nodig.

Per eiwit.

En er zitten tienduizenden soorten in ons lichaam

en nog eens miljoenen in de wereld rond ons.

Planten, dieren, bacteriën en virussen.

Het gekke is wel dat elk eiwitje ontstaat uit één lang sliertje.

Dat is één lang spaghettietje en dat wordt gebouwd in onze cel.

Vanaf het moment dat dat spaghettietje losgelaten wordt,

begint dat zich vanzelf op te plooien.

Door allerlei atomaire krachten gaat dat plooien en krullen

tot het zijn uiteindelijke vorm heeft.

Dat is het 'protein folding problem'.

Zouden we de regels kunnen achterhalen

volgens welke dat eiwit zichzelf opvouwt?

Dan hoeven we geen vier jaar onderzoek meer te doen

om de vorm te ontdekken. Dan kunnen we het berekenen.

Dat hebben ze geprobeerd met een neuraal netwerk bij DeepMind.

Twee jaar geleden is dat gelukt.

Sinds die dag duurt het geen vier jaar onderzoek meer

om de vorm van een eiwit te kennen, maar anderhalve minuut rekentijd.

Stel je even voor dat je Demis Hassabis bent.

Je hebt software gebouwd die op anderhalve minuut

vier jaar wetenschappelijk onderzoek uitspaart. Je zou kunnen zeggen:

Ik verkoop elk van deze berekeningen voor 100.000 dollar.

Dat is goedkoper dan vier jaar onderzoek.

Demis Hassabis heeft onmiddellijk gezegd:

Vanaf vandaag is deze software

gratis in open source beschikbaar voor heel de wereld.

Die laat op dat moment miljarden liggen.

Maar hij zegt: Dit voelde toch als de beste beslissing

om de collectieve mensheid zo snel mogelijk vooruit te laten gaan.

Dat is nu anderhalf jaar geleden. Sinds dan zijn er elke dag opnieuw

tienduizenden wetenschappers bezig met AlphaFold.

Vormen van eiwitten voorspellen, ziektes beter begrijpen,

medicijnen proberen te voorspellen, meer behandelingen ontwikkelen...

De onderzoeksfase is door deze uitvinding enorm versneld

en de komende jaren gaan hier heel veel toepassingen

en behandelingen uit komen.

Er zitten hier mensen in de zaal

wiens leven gered zal worden dankzij AlphaFold.

Er gaan zo veel behandelingen uit komen.

Dat gaat voor sommigen van ons het verschil maken.

Dit is een van de belangrijkste doorbraken in de geneeskunde

van de voorbije twintig jaar.

Je hebt daar weinig over gehoord in het nieuws,

omdat er zo veel technische uitleg nodig is

om te zeggen wat het precies doet.

Maar ik verwacht echt dat dit ergens de komende jaren

een Nobelprijs gaat krijgen.

De vraag is nu: Aan wie gaan ze hem geven?

Ofwel aan Demis Hassabis, ofwel aan de AI zelf.

Stel je voor.

'Artificiële intelligentie wint eerste Nobelprijs.'

Ik kijk uit naar de overwinningsspeech.

(publiek lacht)

Die trouwens best zou kunnen meevallen.

Toen ik begon met deze voorstelling twee jaar terug, was dat een mop.

Dan zei ik: Ik kijk uit naar de overwinningsspeech.

De zaal zei: Haha, een computer die een speech schrijft. Ja...

(publiek lacht)

Wie werkt er met ChatGPT in de zaal? Ja, het was te denken.

Oké. Voor de mensen die het niet kennen:

ChatGPT is een taalmodel en dat is software

die menselijke taal kan begrijpen en in menselijke taal kan antwoorden.

En al sinds het begin van de artificiële intelligentie in 1956

was dat een van de uitdagingen.

Gaan we erin slagen om computers te maken die snappen wat we zeggen

als we gewoon een zin intikken?

Mensen praten heel raar voor een computer.

Lange zinnen, grammatica, synoniemen, dubbele betekenissen. Lastig.

Een computer wil opdrachten en getallen

en wij maken het heel moeilijk.

Ze hebben heel lang geprobeerd om regels te programmeren

die menselijke taal konden interpreteren.

Als je dit woord daar ziet, betekent het dat.

Als je dat werkwoord na dat woord ziet, betekent het dat.

Duizenden regels code en het werkte nooit echt heel goed.

Een paar jaar terug was er een grote doorbraak

uit een beetje een onverwachte hoek. Namelijk de 'autocomplete-systemen'.

'Autocomplete' is die software

die je volgende woord probeert te voorspellen.

Je bent aan het tikken, een e-mail of een sms,

en je telefoon geeft suggesties: misschien is dat je volgende woord.

Dat is de 'next word predicting software'.

Wat blijkt? Het volgende woord voorspellen

kan je laten doen door een neuraal netwerk.

Je bouwt gewoon een enorm neuraal netwerk

en je laat dat hele lappen tekst zien.

Je toont dat bijvoorbeeld honderd woorden uit een bepaalde tekst

en het 101e woord verberg je.

Dat neurale netwerk moet zelf zijn verbindingen aanpassen

om op basis van die 100 woorden

zo goed mogelijk het 101e woord te voorspellen.

Dat doe je dan voor enorm veel tekst die je downloadt van het internet.

Heel Wikipedia stop je daarin

en heel Reddit en heel Facebook en een paar werken van Shakespeare.

Je laat dat netwerk zichzelf aanpassen tot het voor al die teksten

zo goed mogelijk het volgende woord kan voorspellen.

Dat was dus twee jaar geleden klaar en dat heet GPT-3.

GPT-3 is gebouwd door OpenAI en die software heb ik hier nu openstaan.

Dat is dus een website waarop je een stuk tekst kan intikken.

Op een bepaald moment kan je stoppen en dan duw je op enter.

Dan gaat de AI, op basis van de tekst die er al staat,

proberen het volgende woord te voorspellen en weer het volgende.

Laat ons dat vooral eens samen proberen.

Goedenavond. Wat is je naam, alsjeblieft?

Ellen. - Ja, Ellen?

Dag, Ellen. Vind je het heel vervelend

om aangesproken te worden vanop een podium?

Een beetje, ja. - Een beetje, ja.

Ben je hier alleen, Ellen? - Nee.

Wie is er bij jou? Jolien?

Denk je dat Jolien het vervelender of minder vervelend vindt dan jij

om aangesproken te worden vanop een podium?

Die vindt dat erger.

Die vindt dat erger? Is dat waar, Jolien?

Ja? Je wilt niet aangesproken worden vanop het podium?

Goh, ja...

Dan ga ik daarvoor zorgen. Terug naar Ellen.

Ik heb echt niet veel nodig. Het enige wat ik nodig heb, is

iets wat je meegemaakt hebt. Een situatie.

Dat kan tijdens een uitstap zijn

of tijdens het beoefenen van een hobby.

Iets wat je misschien de voorbije week meegemaakt hebt.

Heb je iets meegemaakt de voorbije week?

(publiek lacht)

Een hobby, een uitstap gedaan? Ergens naartoe geweest?

De voorbije maand? Komaan, Ellen.

Ja, euh... We zijn naar de...

liveopnames van de Nerdland Podcast geweest.

Jullie zijn naar de liveopnames van de Nerdland Podcast geweest?

Ah ja. In de Arenberg, of in Antwerpen daar? In...

De Lotto Arena. - In de Lotto Arena.

Dus je bent naar de liveopnames van de Nerdland Podcast geweest.

Is er vooraf iets gebeurd toen je ernaartoe reed?

Platte band gehad of zo?

Nee, we zijn naar de dinoshow geweest op het FTI.

Je bent naar de dinosaurusshow geweest.

Hoe ging het bij de dinosaurusshow?

Goed. - Tof?

Wat was de gemiddelde leeftijd daar?

(publiek lacht) Zes.

Zes jaar? Oké, dat snap ik.

Dat is exact wat ik nodig had, Ellen. Dank je wel.

Oké, daar gaan we iets mee doen, hè. Dus...

Ellen zat klaar voor een...

Laat ons zeggen: lezing...

over dinosaurussen.

Ze had er erg veel zin in.

Toen keek ze om zich heen.

Ze zag enkel kinderen.

Die waren 20 jaar jonger dan zij.

Ellen haat kinderen.

(publiek lacht)

Ze vindt dat ze...

verschrikkelijk stinken.

Nee, dat was om te testen of jullie wel wakker zijn.

(publiek lacht)

Een kind keek haar aan.

Ellen staarde terug.

Toen kwam er plots...

Oké, ik ga hier stoppen.

Dus ik ga straks op enter duwen en al die woorden

worden ingevoerd in een neuraal netwerk.

Alle verbindingen gaan 'bliep bliep' zeggen.

Aan de andere kant zeggen ze: Dit is een mogelijk woord

en dan kan misschien dit woord komen en dan misschien dat woord.

Dan gaan we samen zien wat er gebeurt.

Voilà, ik ga op enter duwen en dan gaan we zien

hoe de AI volgende woorden aanvult. Daar gaan we.

Toen kwam er plots...

een van de meest... Rustig, AI, rustig.

Ja, ja. Dank je wel, dank je wel.

Goed. Bon...

Wat hebben we?

Toen kwam er plots een van de meest lange koolmezen bij haar vandaan

en keek haar aan. Ellen schrok.

Hoe komt die zo lang, vroeg ze.

Hen doet deze week aten.

Ze moeten eten als ze naar het kasteel komen, verzekerde hij.

Ellen keek naar het kasteel. Wat zal ik doen? Ze moeten eten.

Miraris zei: Leg haar in haar kast, Ellen.

Dankzij het klassieke linnenmes bracht 'fop' die uit, van Fluffo.

Nee, je moet niet doen, hoor.

Hij glimlachte, waardoor Ellen 'krompegaf' werd.

Oké, wat doe je nu?

Er kwam een vink voorbij samen met een sneeuwpop.

Oké...

(publiek lacht)

Wat gebeurt hier?

Dat netwerk is getraind op het hele internet.

Daar zaten ook alle tienerblogs bij en alle reclamemails

en ook een hele hoop computercode. Dus dat gaat even goed

en je ziet soms zinnen ontstaan die grammaticaal kloppen,

maar qua inhoud gaat dat heel snel de bocht uit.

En na een tijdje, omdat er zo veel computercode op het internet staat,

begint die gewoon 'gibberish' te spreken.

Dan krijg je dingen zoals dit hier.

Paulidunnell 1285. Nu: Pisante 322.

Hondebrug exploderend veel sproet geweest. Enfin...

(publiek lacht)

Dit was de eerste versie van die 'autocomplete software'.

Ze hadden snel door bij OpenAI: we hebben extra training nodig.

Hun volgende stap was

bijtrainen met 'human feedback'. Met menselijke feedback.

Dus wat doe je? Je laat zo'n systeem tien teksten schrijven

en een mens duidt aan: dit klopt en dit niet.

Dat neurale netwerk kan dan zijn verbindingen aanpassen

om meer antwoorden te geven waarvan de mens zegt:

Dit is een goed antwoord. Je kan het ook vragen:

Geef tien dingen om te doen met een gezin in Portugal.

Dat geeft tien mogelijke antwoorden.

Een mens duidt aan: dit is het beste antwoord.

En gek genoeg, als dat netwerk zichzelf dan aanpast

om meer dat soort antwoorden te geven,

leert dat niet alleen beter antwoorden

op vragen over gezinsreizen naar Portugal,

maar gaat het over het algemeen beter antwoorden op vragen.

Dat is een van de gekke gedragingen van een neuraal netwerk:

een soort emergent gedrag.

Het is zodanig complex, als je het traint op één ding,

dat er ook allerlei andere dingen uit komen die het plots ook kan.

En zo is GPT-4 gebouwd.

Laat ons nu eens kijken of GPT-4 beter is dan GPT-3.

Dus ik ga deze tekst bijhouden. Die heb ik gekopieerd.

En ik probeer nu in GPT-4 hetzelfde.

Vul dit verhaal aan met 150 woorden.

Oké, dezelfde tekst.

Ellen zat klaar voor een lezing over dinosaurussen, enzovoort.

Toen kwam er plots... En daar gaan we.

Wat maakt GPT-4 ervan? Dit.

Toen kwam er plots een groep paleontologen de zaal binnen.

Ze droegen fossielen en dinosaurusskeletten.

Ellens ogen fonkelden. Ze vergat de kinderen om haar heen

en focuste zich op de sprekers.

De eerste paleontoloog begon enthousiast te vertellen

over de Tyrannosaurus rex.

Ellen, een fervent dinosaurusliefhebber,

luisterde aandachtig terwijl de kinderen rondom haar onrustig werden.

Plots ging het licht uit

en werd een gigantische projectie van een dinosaurus op de muur getoond.

De kinderen gilden van opwinding,

maar Ellen was geïntrigeerd door de details

die de paleontoloog deelde over het leven van deze machtige wezens.

Ze leerde over hun eetgewoonten, leefomgeving en uitsterven.

De presentatie was zo boeiend dat ze zelfs begon te waarderen

hoe de kinderen met open mond luisterden en leerden.

Toen de lichten weer aangingen,

voelde Ellen zich verrassend verfrist.

Ze realiseerde zich dat haar passie voor dinosaurussen

sterker was dan haar afkeer voor kinderen.

(publiek lacht)

Met een glimlach verliet ze de zaal, blij dat ze was gebleven.

Ja, maar...

Wat?

(applaus)

Dit is splinternieuwe tekst die 20 seconden geleden niet begon,

die gewoon door een neuraal netwerk woord na woord aangevuld is.

Dit is waarom mensen denken dat AI een bewustzijn heeft.

Het lijkt alsof die software weet waar het over gaat

en dat bewust en creatief aanvult.

Maar dat is niet zo.

Deze software weet niet eens wat een dinosaurus is.

Die heeft geen conceptueel idee van wat een dino eigenlijk is.

Het woord 'dinosaurus' is voor die software een datapunt

dat statistisch volgt op de voorgaande datapunten.

Maar toch komt daar zo'n samenhangende tekst uit.

Het is ongelooflijk hoe goed die taalsystemen geworden zijn.

Voor de eerste keer in de geschiedenis

kan je vragen aan je computer

om teksten te schrijven, compleet nieuwe teksten,

die nuttig zijn voor je werk of voor je persoonlijke leven.

Natuurlijk is dit een klassieker.

Schrijf een opstel...

over de geschiedenis van Brugge.

En huppakee.

De geschiedenis van Brugge door de middeleeuwen en erna.

In hartje West-Vlaanderen, tussen kabbelende kanalen

en sierlijke stenen bruggen,

ligt Brugge, een stad die een rijke geschiedenis uitademt.

Dit opstel neemt u mee op een reis door de eeuwen

om de fascinerende geschiedenis van Brugge te verkennen.

Enzovoort, enzovoort, enzovoort.

En dat ding schrijft je huiswerk voor je.

Wie zat er nog in het middelbaar?

(publiek lacht)

Jeej.

Als je deze tekst opzoekt op het internet, vind je niks,

want dit is nieuwe tekst. Deze tekst heeft nog nooit bestaan.

Als ik over vijf minuten nog eens vraag

naar een opstel over de geschiedenis van Brugge,

krijg ik een totaal andere tekst.

Omdat hij niet altijd het meest waarschijnlijke volgende woord kiest,

maar soms ook eentje kiest uit de tien mogelijke meest waarschijnlijke

en zo heel snel op totaal andere teksten uitkomt.

Je kan dit dus niet betrappen op plagiaat.

Maar er wordt momenteel wel software geschreven

die kan zien of iets door AI gemaakt is of niet.

Dus het zou kunnen dat je binnenkort betrapt wordt.

Als dat gebeurt,

geef ik je nu even het perfecte antwoord om dan te geven.

Je wordt betrapt door je leerkracht op het gebruik van ChatGPT,

je kijkt je leerkracht aan en zegt: Maar mevrouw, ik ben 16 jaar oud.

Wat kan er mij nu beter voorbereiden op mijn toekomst

dan leren werken met AI-systemen?

Als je een slimme leerkracht hebt, gaat die zeggen:

Dat is eigenlijk waar.

Toon eens aan de rest van de klas hoe het werkt.

Als je een minder slimme leerkracht hebt, gaat die heel kwaad worden.

Dan moet je straf schrijven.

Dat is geen probleem, hè. Dus het...

(publiek lacht)

Het lost zichzelf op.

Maar dus: als je een tekst moet schrijven vandaag

en je hebt er geen tijd voor, hebt geen zin of bent er niet goed in,

kan je het gewoon vragen aan je computer.

Stel je voor, je bent tien jaar samen geweest met iemand

en je hebt het gevoel: nu is het wel een beetje op.

Maar je wilt dat op een mooie, romantische manier meedelen.

(publiek lacht)

En je weet van jezelf: ik ben daar niet goed in.

Geen enkel probleem.

Je gaat naar de computer en je vraagt:

Schrijf een mooie, romantische brief...

van 150 woorden...

van Simonneke aan Frank...

(publiek lacht)

...om een einde te maken aan hun liefdesrelatie.

Oké, en daar gaan we. Start.

Liefste Frank, terwijl ik deze woorden schrijf,

voel ik een mengeling van tederheid en een onvermijdelijk verdriet.

Je bent altijd een bijzondere man voor me geweest.

Samen hebben we gelachen, gehuild... Dat is zeker.

En bovenal hebben we van elkaar geleerd.

Maar het hart volgt zijn eigen mysterieuze wegen

en soms leiden die wegen ons in verschillende richtingen.

Ik heb diep in mijn hart gekeken en besef nu

dat onze paden uit elkaar moeten gaan.

Dit is geen besluit dat ik lichtvaardig heb genomen,

maar ik geloof dat het eerlijk is, voor ons allebei.

Weet dat je altijd een speciale plaats in mijn hart zult hebben,

een herinnering aan liefde en groei.

Ik hoop dat je begrip kunt vinden voor mijn beslissing

en dat je, net als ik, de mooie momenten koestert

die we samen hebben gedeeld.

Ik wens je alle geluk en liefde in de wereld.

Altijd de jouwe, Simonneke.

(applaus en gelach)

Ja, hè?

Control A, control C, control V, 'send'.

(publiek lacht)

Het zou ook kunnen dat Simonneke die brief leest en denkt:

Rustig aan, AI. Zo goed was het nu ook niet.

Ze denkt aan alle moeilijke momenten en wordt langzaam kwaad.

Ze denkt: dit was een vreselijke relatie.

Dan ga je gewoon terug naar de computer en dan vraag je:

Schrijf deze brief nu kwaad...

en vol verwijten.

(publiek lacht)

Huppa.

Frank, ik schrijf dit met een mix van woede en teleurstelling.

Na alles wat er gebeurd is,

kan ik niet anders dan deze pijnlijke waarheid onder ogen zien.

Je hebt me zoveel keer teleurgesteld, Frank, en ik ben het zat.

(publiek lacht)

Denk je echt dat ik blind ben voor je fouten?

Jouw egoïsme en onverschilligheid hebben keer op keer bewezen

dat je niet de man bent die ik ooit dacht dat je was.

Hoeveel kansen verwachtte je nog van mij?

Ik ben klaar met deze vermoeiende dans van excuses en lege beloftes.

Oké...

Onze relatie is een opeenstapeling van jouw fouten

en mijn naïviteit in het geloven dat je zou veranderen.

Dus hier stoppen we. Ik verdien beter dan dit

en diep vanbinnen weet jij dat ook.

Misschien vind je ooit iemand die je onvolwassen gedrag tolereert,

maar ik ben klaar. Vaarwel, Frank. En laat dit duidelijk zijn:

vanaf nu ben je niets meer dan een vervelende herinnering.

Simonneke.

(applaus)

Dit staat gratis online, hè. Hier kun je heel de nacht mee spelen.

Je kunt vragen: Schrijf een tekst. Maak hem blij en maak hem boos.

En maak hem poëtisch. En schrijf alsof je een pinguïn bent.

Awel, ja. We zullen toch nog een keer... Ja.

Euh, ja. Hier.

Schrijf deze brief opnieuw...

alsof je een pinguïn bent.

En start.

Beste Frank, ik schrijf je deze brief vanaf een ijzige berg.

(publiek lacht)

Alleen en koud.

Onze tijd samen voelde als een dans in de sneeuw,

maar nu is het tijd dat onze paden scheiden.

Ik ben een pinguïn, Frank,

en onze werelden zijn gewoon te verschillend.

(publiek lacht)

We deelden vele visjes.

En gleden samen over het ijs.

Maar ik kan niet langer negeren hoe anders wij zijn.

Jij houdt van de warmte, terwijl ik verlang naar de koude zeeën.

Jij droomt van uitgestrekte velden,

terwijl ik alleen denk aan ijzige kusten.

Ik zal altijd koesteren hoe we samen over het ijs schaatsten,

maar het is tijd voor mij om terug te keren naar mijn kolonie.

Misschien vind je iemand die beter bij je warme wereld past.

Dus vaarwel, Frank. Blijf warm en gelukkig,

ver weg van de bevroren diepten van mijn hart.

Met een koude flipper.

(publiek lacht)

Simonneke de pinguïn.

(applaus en gelach)

Dat is toch... Oh, Jezus...

(hij lacht)

Maak een afbeelding bij deze brief.

En huppakee. Maar dat...

Dat hou je toch niet voor mogelijk?

Een neuraal netwerk dat volgende woorden voorspelt

op basis van een opdracht, kan dit schrijven.

Het is waanzinnig hoe goed die taalsystemen geworden zijn.

Voilà, een afbeelding erbij.

Daar is ze... Oh... (publiek lacht)

Oh...

Oooh...

Simonneke de pinguïn.

(publiek lacht)

Ik ga niet kunnen slapen vannacht. Vreselijk...

Het is krankzinnig hoe goed de generative AI geworden is.

En we staan nog maar aan het begin. Een jaar geleden kon je dit nog niet.

Ik heb zitten denken: wat kun je nog doen

om eens te rammelen met die AI?

Om eens te testen: waar ligt de grens? Wanneer breekt dit?

Ik dacht bij mezelf: de moeilijkste opdracht voor AI

lijkt mij toch om poëzie te schrijven.

De moeilijkste opdracht voor software

lijkt mij om te vragen om poëzie te schrijven.

Dus laat het ons eens proberen.

Schrijf een sonnet...

Een olifant hadden we daarnet, hè? Een olifant, ja.

Over een olifant...

die graag...

een vogel wil zijn.

Dus een sonnet over een olifant die graag een vogel wil zijn.

Een sonnet is een dichtvorm die bestaat uit strofes van vier regels,

die rijmen ABAB.

Maar een regel in een sonnet moet eigenlijk ook een vast ritme hebben.

De klemtoon en de niet-klemtoon moeten een ritme volgen.

Tadam, tadam, tadam, tadam.

Na die strofes van vier regels... Daarin wordt een gevoel,

een soort emotie opgewekt, maar niet in rechtstreeks taalgebruik,

maar in metaforisch taalgebruik.

Op het einde wordt dat gevoel een beetje afgerond

in een soort catharsis, in twee regels die ook rijmen.

Dat zijn veel opdrachten voor een softwaresysteem

dat niet eens weet wat de woorden betekenen.

Bon, ik ga op enter duwen.

Soms lukt dit en soms niet. Soms lukt het hem om te rijmen,

soms gaat hij woorden verzinnen omdat hij niet kan rijmen.

Soms zit dat metrum juist, soms ook niet.

Heel af en toe slaagt hij erin om een gevoel op te wekken

en dat op het einde af te sluiten.

En soms gebeuren er kleine mirakels en dan lukt alles.

We gaan het proberen.

Een sonnet over een olifant die graag een vogel wil zijn. En start.

Een olifant, groot in zijn grijze pracht,

droomde vaak van het blauwe hemelrijk.

Wilde zweven als vogel, zacht en licht.

Ver boven de savanne, 's nachts bij nacht.

Zijn slurf zong liedjes naar de wolken toe.

Zijn oren fladderden als vleugels wild.

In dromen was hij vogel, vrij en mild.

Zwevend op de wind, waarheen hij ook vloog.

Maar och, bij 't ontwaken, zwaar en groot,

voelde hij de aarde, niet de luchtse troon.

Zijn hart zwaar, in zijn borstkas als een lood.

Toch, in zijn ogen, schitterde een droom.

Dat zelfs een olifant, met vaste poot,

kan vliegen in zijn dromen, zonder schroom.

Niet slecht.

Maar het is voor tv, dus we gaan het nog eens proberen.

We gaan deze eens proberen. Dus...

Schrijf een sonnet...

over een zebra...

die graag rood wil zijn.

En start.

In 't rijk der wilde vlakten, zwart en wit.

Een zebra droomt van kleuren, rood en fel.

Verlangend naar een kleed, onuitgezegd.

Waar rood haar strepen kleurt, een wens zo snel.

In graslanden, onder 't Afrikaans azuur,

begluurt zij bloemen, vlinders in hun pracht.

Ziet zij de rozen bloeien, uur na uur.

En wenst dezelfde kleur, met al haar kracht.

O, mocht ik dansen in een veld van rood.

Verliezen zwart en wit, die oude dos.

En stralen in de zon als rozen groot.

Mijn strepen scharlaken, zonder verlies of los.

Maar dromen zijn als schaduwen, zo vlucht.

De zebra blijft zichzelf in zwart-wit, zucht.

Niet slecht.

Laat ons even deze strofe nemen.

In graslanden, onder 't Afrikaanse azuur,

begluurt zij bloemen, vlinders in hun pracht.

Ziet zij de rozen bloeien, uur na uur.

En wenst dezelfde kleur, met al haar kracht.

Ik denk dat sommige menselijke dichters hier al jaloers op zijn.

Terwijl... De combinatie van dingen dat dat ding hier combineert,

zou niet mogelijk mogen zijn voor software.

Ik snap niet meer hoe dit kan met 'next word prediction'.

ChatGPT spreekt 100 talen.

Spreekt Italiaans, Frans, Japans, Hindi, wat je maar wilt.

En het spreekt niet alleen mensentalen,

want op het internet staan ook andere talen.

Zoals bijvoorbeeld Python. Python is een programmeertaal.

En stel dat ik nu vraag aan ChatGPT: Schrijf eens Python-software

die aan vijf mensen hun leeftijd vraagt

en dan de gemiddelde leeftijd berekent van de vijf.

Als je op enter duwt, moet die eerst eventjes diep nadenken

en de vraag analyseren.

Dan begint hij te programmeren.

Dit is software die kan programmeren.

Software die zelf software kan schrijven

en opnieuw uitvoeren.

We hebben computers leren programmeren.

Was dat wel een goed plan? Ik weet het niet.

Er bestaan nu hulpprogramma's voor programmeurs.

Dat is AI. Als je aan het programmeren bent,

zet je dat open op een scherm naast je. Zoals GitHub Copilot.

Terwijl je programmeert, volgt die AI wat je aan het doen bent.

Na een tijdje zegt die: Je probeert dit te schrijven zeker?

Dan zeg jij: Ja, dat is waar.

AI die zelf software kan schrijven.

De volgende stap zal zijn dat we AI bouwen

die zelf nieuwe AI kan bouwen.

In het begin zullen die dat slechter kunnen dan de mens.

Misschien worden die daar steeds beter in.

Misschien komt er een punt waarop de AI beter wordt dan de mens

in het bouwen van nieuwe AI.

Dat is een heel belangrijk punt. Dat noemen we de 'singularity'.

Het moment waarop AI beter wordt dan de mens in het bouwen van nieuwe AI.

Vanaf dan verandert er veel.

Want vanaf dan gaan wij niet de nieuwe AI bouwen,

maar gaat de AI de nieuwe AI bouwen. En in theorie is het vanaf daar

een zelfversterkend, exponentieel slimmer wordend systeem.

Hoe ver die 'singularity' nog van ons is, is heel moeilijk te voorspellen.

Dat is misschien nog 300 of 400 jaar.

Maar het kan evengoed over tien jaar al zijn.

Sowieso staan er ons nog zotte tijden te wachten.

Laat ons daarom, tot slot,

eventjes kijken waar we ons hier en nu bevinden.

Ik zei in het begin: Dit is eigenlijk alleen maar nieuwe software

die goed is in patroonherkenning. Dat is ook zo.

Maar door die software te trainen en bij te trainen,

dat te combineren met zichzelf en zichzelf te laten trainen,

zijn we nu al toepassingen aan het bouwen

die we amper voor mogelijk hielden. En we zijn nog maar net begonnen.

We zijn letterlijk nog maar net begonnen

met de mogelijkheden van neurale netwerken te onderzoeken.

We zijn nog maar net binnengestapt door dat deurtje waar 'AI' op stond.

En we hebben een zaklamp bij ons.

Die schijnt een paar meter ver. Wat erachter ligt, weten we niet.

Misschien komen we snel een muur tegen. Dat kan altijd.

Maar wellicht ligt daar een enorm gebied

dat wij de komende jaren gaan ontdekken.

De AI-revolutie is begonnen

en die wordt groter dan de internetrevolutie.

Wat kunnen wij nu doen?

Ik zou zeggen, leer het zo goed mogelijk kennen.

Werk eens met een AI-systeem,

train eens een fotoset op Teachable Machine.

Dat geeft je een gevoel van wat het is en wat het kan.

Als je er bang van geworden bent,

leer het dan zeker zo goed mogelijk kennen.

Ofwel gaat dat je geruststellen,

en anders gaat dat je helpen om de juiste risico's te zien.

Er zijn risico's aan AI.

Als je AI niet goed kent, ga je verkeerde risico's zien.

En misschien mijn belangrijkste advies voor de komende jaren:

geniet van het spektakel.

Er komen waanzinnige tijden aan. Eigenlijk zijn ze al begonnen.

Wij mogen die meemaken.

Wij zijn de generatie die erbij mag zijn terwijl het gebeurt.

Wij zijn de generatie die erop mag staan kijken

terwijl het geboren wordt.

'Science is the greatest show on earth.'

Zet je op de eerste rij en 'enjoy the ride'.

Dank je wel.

(applaus)

Merci.

Dank je.

Thanks. Bye.

Dank je wel. Applausje voor Ludo.

(applaus en gejoel)

Merci. Bye.