Voorbij grote taalmodellen: hoe grote gedragsmodellen de toekomst van AI vormgeven

Kunstmatige intelligentie (AI) is ver komen, met grote taalmodellen (LLM’s) die indrukwekkende mogelijkheden hebben laten zien in het verwerken van natuurlijke taal. Deze modellen hebben onze manier van denken over de mogelijkheden van AI om menselijke taal te begrijpen en te genereren veranderd. Terwijl ze uitstekend zijn in het herkennen van patronen en het synthetiseren van geschreven kennis, hebben ze moeite om de manier waarop mensen leren en zich gedragen na te bootsen. Naarmate AI verder evolueert, zien we een verschuiving van modellen die alleen informatie verwerken naar modellen die leren, zich aanpassen en zich gedragen als mensen.

Grote Gedragsmodellen (LBM’s) zijn een nieuwe frontier in AI. Deze modellen gaan verder dan taal en richten zich op het repliceren van de manier waarop mensen met de wereld omgaan. In tegenstelling tot LLM’s, die voornamelijk zijn getraind op statische datasets, leren LBM’s continu door middel van ervaring, waardoor ze zich kunnen aanpassen en redeneren in dynamische, real-world situaties. LBM’s vormen de toekomst van AI door machines in staat te stellen te leren op de manier waarop mensen dat doen.

Waarom Gedrags-AI ertoe doet

LLM’s hebben zichzelf bewezen als uiterst krachtig, maar hun mogelijkheden zijn inherent verbonden met hun trainingsdata. Ze kunnen alleen taken uitvoeren die overeenkomen met de patronen die ze tijdens de training hebben geleerd. Terwijl ze uitblinken in statische taken, hebben ze moeite met dynamische omgevingen die real-time besluitvorming of leren van ervaring vereisen.

Bovendien zijn LLM’s voornamelijk gericht op taalverwerking. Ze kunnen geen niet-linguïstische informatie verwerken, zoals visuele signalen, fysieke sensaties of sociale interacties, die allemaal essentieel zijn voor het begrijpen en reageren op de wereld. Deze kloof wordt vooral duidelijk in scenario’s die multi-modale redenering vereisen, zoals het interpreteren van complexe visuele of sociale contexten.

Mensen daarentegen zijn levenslange leerlingen. Vanaf de geboorte interacteren we met onze omgeving, experimenteren we met nieuwe ideeën en passen we ons aan onvoorziene omstandigheden aan. Menselijk leren is uniek in zijn aanpasbaarheid en efficiëntie. In tegenstelling tot machines hebben we geen ervaring nodig met elke mogelijke scenario om beslissingen te nemen. In plaats daarvan extrapoleren we vanuit onze ervaringen, combineren we sensorische inputs en voorspellen we resultaten.

Gedrags-AI probeert deze kloof te overbruggen door systemen te creëren die niet alleen taalgegevens verwerken, maar ook leren en groeien van interacties en gemakkelijk kunnen aanpassen aan nieuwe omgevingen, net zoals mensen dat doen. Deze aanpak verschuift het paradigma van “wat weet het model?” naar “hoe leert het model?”

Wat zijn Grote Gedragsmodellen?

Grote Gedragsmodellen (LBM’s) hebben als doel om verder te gaan dan alleen het repliceren van wat mensen zeggen. Ze richten zich op het begrijpen van waarom en hoe mensen zich gedragen zoals ze doen. In tegenstelling tot LLM’s, die voornamelijk zijn getraind op statische datasets, leren LBM’s in real-time door middel van continue interactie met hun omgeving. Dit actieve leerproces helpt hen hun gedrag aan te passen, net zoals mensen dat doen – door trial, observatie en aanpassing. Bijvoorbeeld, een kind dat leert fietsen, leest niet alleen instructies of kijkt naar video’s; het fysiek interacteert met de wereld, valt, past zich aan en probeert het opnieuw – een leerproces dat LBM’s zijn ontworpen om na te bootsen.

LBM’s gaan ook verder dan tekst. Ze kunnen een breed scala aan gegevens verwerken, waaronder afbeeldingen, geluiden en sensorische inputs, waardoor ze hun omgeving meer holistisch kunnen begrijpen. Deze mogelijkheid om complexe, dynamische omgevingen te interpreteren en te reageren maakt LBM’s vooral nuttig voor toepassingen die aanpasbaarheid en contextuele bewustzijn vereisen.

Sleutelkenmerken van LBM’s zijn:

1. Interactief leren: LBM’s zijn getraind om acties uit te voeren en feedback te ontvangen. Dit stelt hen in staat om te leren van de gevolgen in plaats van statische datasets.
2. Multi-modale begrijping: Ze verwerken informatie vanuit diverse bronnen, zoals visie, geluid en fysieke interactie, om een holistisch begrip van de omgeving op te bouwen.
3. Aanpasbaarheid: LBM’s kunnen hun kennis en strategieën in real-time bijwerken. Dit maakt hen zeer dynamisch en geschikt voor onvoorspelbare scenario’s.

Hoe LBM’s leren zoals mensen

LBM’s faciliteren menselijk leren door dynamisch leren, multi-modale contextuele begrijping en de mogelijkheid om te generaliseren over verschillende domeinen.

1. Dynamisch leren: Mensen onthouden geen feiten; we passen ons aan aan nieuwe situaties. Bijvoorbeeld, een kind leert puzzels op te lossen niet alleen door antwoorden te onthouden, maar door patronen te herkennen en zijn aanpak aan te passen. LBM’s proberen dit leerproces na te bootsen door feedbackloops te gebruiken om kennis te verfijnen terwijl ze met de wereld omgaan. In plaats van te leren van statische gegevens, kunnen ze hun begrip aanpassen en verbeteren naarmate ze nieuwe situaties meemaken. Bijvoorbeeld, een robot die is uitgerust met een LBM, kan leren een gebouw te navigeren door te verkennen, in plaats van te vertrouwen op vooraf geladen kaarten.
2. Multi-modale contextuele begrijping: In tegenstelling tot LLM’s, die beperkt zijn tot het verwerken van tekst, integreren mensen zintuiglijke inputs, zoals zicht, geluid, aanraking en emoties, om de wereld te begrijpen op een diepe, multidimensionale manier. LBM’s proberen een soortgelijke multi-modale contextuele begrijping te bereiken, waarbij ze niet alleen gesproken commando’s kunnen begrijpen, maar ook gebaren, toon van stem en gezichtsuitdrukkingen kunnen herkennen.
3. Generaliseren over domeinen: Een van de kenmerken van menselijk leren is de mogelijkheid om kennis toe te passen over verschillende domeinen. Bijvoorbeeld, iemand die leert autorijden, kan die kennis gemakkelijk toepassen op het besturen van een boot. Een van de uitdagingen met traditionele AI is het overdragen van kennis tussen verschillende domeinen. Terwijl LLM’s tekst kunnen genereren voor verschillende velden, zoals recht, geneeskunde of entertainment, hebben ze moeite om kennis over te dragen tussen verschillende contexten. LBM’s daarentegen zijn ontworpen om kennis te generaliseren over domeinen. Bijvoorbeeld, een LBM die is getraind om te helpen met huishoudelijke taken, kan gemakkelijk worden aangepast om te werken in een industriële omgeving, zoals een magazijn, door te leren van interacties met de omgeving in plaats van opnieuw getraind te moeten worden.

Praktische toepassingen van Grote Gedragsmodellen

Hoewel LBM’s nog een relatief nieuw veld zijn, is hun potentieel al zichtbaar in praktische toepassingen. Bijvoorbeeld, een bedrijf genaamd Lirio gebruikt een LBM om gedragsgegevens te analyseren en gepersonaliseerde gezondheidsaanbevelingen te creëren. Door continu te leren van patiëntinteracties, past Lirio’s model zijn aanpak aan om betere behandelingen en gezondheidsresultaten te ondersteunen. Bijvoorbeeld, het kan patiënten identificeren die hun medicatie waarschijnlijk zullen missen en tijdige, motiverende herinneringen geven om naleving te stimuleren.

In een ander innovatief voorbeeld heeft Toyota samengewerkt met MIT en Columbia Engineering om robotleren met LBM’s te onderzoeken. Hun “Diffusion Policy”-aanpak stelt robots in staat om nieuwe vaardigheden te verwerven door menselijke acties te observeren. Dit stelt robots in staat om complexe taken uit te voeren, zoals het hanteren van verschillende keukenobjecten, sneller en efficiënter. Toyota plant om deze mogelijkheid uit te breiden naar meer dan 1.000 verschillende taken tegen het einde van 2024, waarmee de flexibiliteit en aanpasbaarheid van LBM’s in dynamische, real-world omgevingen wordt aangetoond.

Uitdagingen en ethische overwegingen

Hoewel LBM’s veelbelovend zijn, brengen ze ook verschillende belangrijke uitdagingen en ethische zorgen met zich mee. Een belangrijk punt is het waarborgen dat deze modellen geen schadelijk gedrag kunnen overnemen van de gegevens waarop ze zijn getraind. Aangezien LBM’s leren van interacties met de omgeving, is er een risico dat ze onbewust vooroordelen, stereotypen of ongepaste acties kunnen leren of repliceren.

Een andere significante zorg is privacy. De mogelijkheid van LBM’s om menselijk gedrag te simuleren, vooral in persoonlijke of gevoelige contexten, roept de mogelijkheid op van manipulatie of inbreuk op de privacy. Naarmate deze modellen meer worden geïntegreerd in het dagelijks leven, zal het cruciaal zijn om ervoor te zorgen dat ze gebruikersautonomie en vertrouwelijkheid respecteren.

Deze zorgen benadrukken de dringende behoefte aan duidelijke ethische richtlijnen en regelgevingskaders. Adequate toezicht zal helpen bij de ontwikkeling van LBM’s op een verantwoorde en transparante manier, waardoor hun inzet ten goede komt aan de samenleving zonder vertrouwen of eerlijkheid te compromitteren.

De bodemlijn

Grote Gedragsmodellen (LBM’s) nemen AI in een nieuwe richting. In tegenstelling tot traditionele modellen, verwerken ze geen informatie – ze leren, passen zich aan en gedragen zich meer als mensen. Dit maakt ze nuttig in gebieden zoals gezondheidszorg en robotica, waar flexibiliteit en contextuele bewustzijn ertoe doen.

Maar er zijn uitdagingen. LBM’s kunnen schadelijk gedrag overnemen of de privacy schenden als ze niet zorgvuldig worden behandeld. Daarom zijn duidelijke regels en zorgvuldige ontwikkeling zo belangrijk.

Met de juiste aanpak kunnen LBM’s de manier waarop machines met de wereld omgaan transformeren, waardoor ze slimmer en nuttiger worden dan ooit tevoren.