Boekrecensie: Large Language Models van Stephan Raaijmakers

Als iemand die meer dan vijftien delen uit de MIT Press Essential Knowledge-serie bezit, benader ik elke nieuwe uitgave met zowel interesse als voorzichtigheid: de serie levert vaak gedachtevolle, toegankelijke overzichten – maar niet altijd in de stijl of diepte die ik verwacht.

In het geval van Large Language Models van Stephan Raaijmakers, heeft de auteur echter iets zeldzaams bereikt: een knap, rijk geïnformeerd en kritisch gebalanceerd boek dat een plaats verdient onder mijn meest aanbevolen AI-boeken.

Een van de meest opvallende sterke punten van Large Language Models is hoe het “taal” herdefinieert. In plaats van te blijven hangen in zuiver filosofische of literaire perspectieven, behandelt het boek taal als een computationeel fenomeen – een systeem van structuur, statistische patronen en generatief potentieel dat moderne neurale architectuur kan exploiteren. Deze herdefiniëring is niet gratuit: Raaijmakers leidt lezers door hoe, onder de motorkap, grote neurale netwerken tekst encoderen, parseren en genereren op basis van statistische regelmatigheden in enorme tekstdatasets – een subtiele maar krachtige verschuiving in hoe lezers deze systemen begrijpen. Het boek maakt het gemakkelijk om te begrijpen dat taal, wanneer bekeken door deze computationele lens, iets wordt dat een machine kan modelleren in plaats van iets mysterieus of ondoorzichtigs.

Deze kadering demystificeert wat LLM’s doen. In plaats van ze af te schilderen als mystieke “begrijpers” van betekenis, toont Raaijmakers hoe ze taal benaderen: het voorspellen van volgende tokens, het modelleren van syntaxis en semantiek statistisch, en het reproduceren van plausibele taaluitvoer op basis van geleerde distributies. Met andere woorden – ze “denken” niet in menselijke termen; ze berekenen, statistisch. Voor veel lezers – vooral die zonder diepe wiskundige of cognitieve achtergrond – is dit een verhelderend en gezond perspectief. Het boek verandert de wijdverbreide mystiek rond LLM’s in iets meer gefundeerd, meer begrijpelijk.

Van data naar gedrag: hoe LLM’s leren – en hoe ze worden afgestemd

Nadat het boek heeft vastgesteld wat taal is (computationeel), gaat het verder met hoe modellen leren. Raaijmakers legt op toegankelijke wijze uit hoe hedendaagse LLM’s worden gebouwd (diepe neurale netwerken, aandachtmecanismen, transformer-architectuur) en hoe ze evolueren vanuit pure patroonherkenningsmachines naar meer afgestemde, bruikbare instrumenten.

Een cruciaal onderdeel van die evolutie is het gebruik van menselijke feedback door middel van reinforcement learning from human feedback (RLHF) – een techniek waarbij LLM-uitvoer wordt beoordeeld of gerangschikt door mensen, en het model wordt bijgesteld om uitvoer te bevorchten die als nuttiger, veiliger of meer afgestemd op menselijke waarden wordt beschouwd. Het boek trekt een onderscheid (zowel impliciet als expliciet) tussen de basisfase – voorafgaand trainen op enorme hoeveelheden tekst om statistische regelmatigheden te leren – en de afstemmingsfase, waarbij menselijke oordelen het gedrag van het model vormen. Dit onderscheid is enorm belangrijk: voorafgaand trainen geeft de LLM zijn vloeiendheid en algemene kennis; RLHF (of feedback-gebaseerde bijstelling) leidt het naar gewenst gedrag.

Door hierbij geen complexiteit of risico’s te verdoezelen, erkent Raaijmakers dat menselijke feedback en beloning-gebaseerde afstemming onvolmaakt zijn: vooroordelen in de feedback, ongelijkmatige menselijke oordelen, overfitting naar het beloningsmodel, en onvoorspelbaar gedrag in nieuwe contexten – alle legitieme beperkingen. Door RLHF niet te idealiseren, behoudt het boek zijn geloofwaardigheid.

Wat LLM’s kunnen en niet kunnen doen

Raaijmakers blinkt uit in het uiteenzetten van zowel de sterke punten als de beperkingen van LLM’s. Aan de positieve kant: moderne LLM’s zijn verbazingwekkend veelzijdig. Ze kunnen talen vertalen, tekst samenvatten, code genereren, creatief schrijven produceren, essays opstellen, vragen beantwoorden en in veel domeinen assisteren – in wezen elke taak die kan worden teruggebracht tot “tekst invoer → tekst uitvoer”. Gegeven voldoende schaal en data, is hun generatieve vloeiendheid vaak indrukwekkend, soms ongelofelijk.

Tegelijkertijd schiet het boek niet terug voor hun fundamentele beperkingen. LLM’s blijven statistische patroonherkenningsmachines, geen echte denkers: ze kunnen hallucineren, met vertrouwen plausibele maar valse informatie uitvoeren, vooroordelen en stereotypen in hun trainingsdata repliceren en falen in contexten die echte wereldbegrip, gezond verstand of langetermijncoherentie vereisen. Raaijmakers’ behandeling van deze tekortkomingen is nuchter – niet alarmistisch, maar realistisch – en versterkt dat, hoewel LLM’s krachtig zijn, ze geen magie zijn.

Deze evenwichtige aanpak is waardevol – het vermijdt de twee valkuilen van hype en pessimisme. Lezers lopen weg met een helder oog voor wat LLM’s goed zijn en wat ze niet kunnen.

Mogelijkheid en verantwoordelijkheid: sociale belofte en gevaar

Waar veel technische handleidingen stoppen bij architectuur of gebruikscases, gaat Large Language Models verder – in de sociale, politieke en ethische implicaties van deze technologie. In hoofdstukken zoals “Praktische kansen” en “Sociale risico’s en zorgen”, nodigt Raaijmakers lezers uit om te overwegen hoe LLM’s creativiteit, productiviteit, menselijke communicatie, media en instellingen kunnen herschappen.

Aan de kant van de mogelijkheden: het potentieel is enorm. LLM’s konden toegang tot schrijven, vertalen, programmeren democratiseren. Ze konden onderzoek, onderwijs en creatieve expressie versnellen. Ze konden mensen helpen die worstelen met taal of schrijven. Ze konden de manier waarop media wordt geproduceerd en geconsumeerd veranderen. In een wereld met een enorme informatie-overbelasting, zouden LLM’s kunnen helpen om gaten te overbruggen – als ze verstandig worden gebruikt.

Maar Raaijmakers vermijdt de donkere kant niet. Hij waarschuwt voor misinformatie en “gehallucineerde waarheden”, voor ingebouwde vooroordelen, voor de erosie van menselijk oordeel, voor te veel vertrouwen op defecte modellen – alle risico’s die al in bredere AI-ethiek discussies zijn gedocumenteerd.

Cruciaal is dat deze sociale lens het boek waardevol maakt, niet alleen voor ingenieurs en onderzoekers, maar ook voor beleidsmakers, educatieve instellingen en elke weloverwogen burger. Het verankert LLM’s in echte wereldcontexten, niet in abstracte hype.

Wat komt er hierna – en een oproep tot waakzaamheid

Het laatste hoofdstuk, “Wat komt er hierna?”, doet alsof de huidige LLM’s het laatste woord zijn. In plaats daarvan moedigt Raaijmakers een vooruitkijkend perspectief aan: hoe kunnen LLM’s evolueren? Hoe kunnen we afstemming, transparantie, eerlijkheid verbeteren? Welke governance, regelgeving en ontwerpprincipes zullen de samenleving beschermen terwijl deze modellen zich vermenigvuldigen?

Voor mij – als iemand die diep geïnvesteerd is in de Essential Knowledge-catalogus, zich bewust van hoe sommige delen onder de indruk zijn – verdient dit boek het om te worden gerangschikt onder de allerbeste. Zijn helderheid, evenwicht, technische onderbouwing en sociale bewustzijn maken het een uitschieter. Het vindt een zeldzame evenwicht tussen toegankelijke uitleg en serieuze kritiek.

Daarom dring ik er bij alle ontwikkelaars, implementeerders en gebruikers van LLM’s op aan om een waakzame, kritische en geïnformeerde blik te houden. Eisen transparantie. Drijf aan op diverse, representatieve trainingsdata. Eisen een grondige evaluatie. Stel uitvoer in vraag. Behandel LLM’s niet als orakels, maar als krachtige instrumenten – instrumenten waarvan de kracht moet worden gematcht door zorg, verantwoordelijkheid en menselijk oordeel.

Definitief oordeel

Large Language Models is niet zomaar een technische handleiding – het is een tijdige, scherpe en diep doordachte gids voor een van de meest consequente technologieën van onze tijd. Het combineert toegankelijke uitleg met nuchtere reflectie; duidelijke, technische details met brede sociale bewustzijn; bewondering voor het potentieel met voorzichtig realisme over risico’s.

Voor iedereen – ingenieur, onderzoeker, student, beleidsmaker, nieuwsgierige burger – die wil begrijpen wat LLM’s zijn, wat ze kunnen en niet kunnen doen, en wat ze voor onze toekomst kunnen betekenen – is het boek Large Language Models van Stephan Raaijmakers essentieel om te lezen.