Zal AI de wereld overnemen? Het is al gebeurd

In 2019 kreeg ik een visioen – een toekomst waarin kunstmatige intelligentie (AI) met een onvoorstelbare snelheid alle facetten van ons leven zou doordringen. Na het lezen van Ray Kurzweils The Singularity is Near, was ik gefascineerd door de onontkoombare traject van exponentiële groei. De toekomst was niet langer alleen maar aan de horizon; het stormde op ons af. Het werd duidelijk dat, met de onophoudelijke verdubbeling van de rekenkracht, AI op een dag alle menselijke capaciteiten zou overtreffen en uiteindelijk de samenleving op manieren zou herschikken die eerder aan science fiction waren voorbehouden.

Door deze realisatie aangewakkerd, registreerde ik Unite.ai, met het gevoel dat deze volgende sprongen in AI-technologie niet alleen de wereld zouden verbeteren, maar fundamenteel zouden herschikken. Elk aspect van het leven – ons werk, onze beslissingen, onze definitie van intelligentie en autonomie – zou worden geraakt, misschien zelfs gedomineerd, door AI. De vraag was niet langer of deze transformatie zou gebeuren, maar eerder wanneer, en hoe de mensheid de ongekende impact zou beheersen.

Naarmate ik dieper doordrong, leek de toekomst die werd geschilderd door exponentiële groei zowel spannend als onvermijdelijk. Deze groei, geïllustreerd door Moore’s Law, zou binnenkort kunstmatige intelligentie voorbij smalle, taak-specifieke rollen duwen naar iets veel diepers: de opkomst van Artificiële Algemene Intelligentie (AGI). In tegenstelling tot de AI van vandaag, die uitblinkt in smalle taken, zou AGI de flexibiliteit, leerbaarheid en cognitieve bereik bezitten die vergelijkbaar is met menselijke intelligentie – in staat om te begrijpen, redeneren en aanpassen over elk domein.

Elke sprong in rekenkracht brengt ons dichter bij AGI, een intelligentie die problemen kan oplossen, creatieve ideeën kan genereren en zelfs morele oordelen kan vellen. Het zou niet alleen berekeningen uitvoeren of grote datasets verwerken; het zou patronen herkennen op manieren die mensen niet kunnen, relaties binnen complexe systemen waarnemen en een toekomstige koers uitstippelen op basis van begrip in plaats van programmering. AGI zou op een dag als co-piloot voor de mensheid kunnen dienen, crisissen zoals klimaatverandering, ziektes en schaarste aan te pakken met inzicht en snelheid die verder gaat dan onze capaciteiten.

Maar deze visie komt met aanzienlijke risico’s, met name als AI onder controle komt van individuen met kwaadaardige bedoelingen – of erger, een dictator. Het pad naar AGI roept kritische vragen op over controle, ethiek en de toekomst van de mensheid. De discussie gaat niet langer over of AGI zal ontstaan, maar wanneer – en hoe we de immense verantwoordelijkheid die het met zich meebrengt, zullen beheren.

De evolutie van AI en rekenkracht: 1956 tot heden

Vanaf zijn oorsprong in de tweede helft van de 20e eeuw is AI vooruitgegaan samen met exponentiële groei in rekenkracht. Deze evolutie valt samen met fundamentele wetten zoals Moore’s Law, die de toenemende capaciteiten van computers voorspelde en benadrukte. Hier onderzoeken we belangrijke mijlpalen in de reis van AI, waarbij we technologische doorbraken en de groeiende impact op de wereld bekijken.

1956 – De geboorte van AI

De reis begon in 1956 toen de Dartmouth-conferentie de officiële geboorte van AI markeerde. Onderzoekers als John McCarthy, Marvin Minsky, Nathaniel Rochester, en Claude Shannon kwamen bijeen om te bespreken hoe machines menselijke intelligentie konden simuleren. Hoewel de rekenbronnen op dat moment primitief waren en alleen eenvoudige taken aankonden, legde deze conferentie de basis voor decennia van innovatie.

1965 – Moore’s Law en de dageraad van exponentiële groei

In 1965 deed Gordon Moore, medeoprichter van Intel (INTC ), een voorspelling dat de rekenkracht ongeveer elke twee jaar zou verdubbelen – een principe dat nu bekend staat als Moore’s Law. Deze exponentiële groei maakte complexe AI-taken haalbaar, waardoor machines de grenzen van het vorige konden verleggen.

1980 – De opkomst van machine learning

De jaren 80 zagen significante vooruitgang in machine learning, waardoor AI-systemen konden leren en beslissingen nemen op basis van data. De uitvinding van het backpropagation-algoritme in 1986 stelde neurale netwerken in staat om te verbeteren door van fouten te leren. Deze vooruitgang bracht AI buiten academisch onderzoek naar het oplossen van echte problemen, en stelde ethische en praktische vragen over menselijke controle over steeds autonomere systemen.

1990 – AI verslaat schaak

In 1997 versloeg IBM’s Deep Blue wereldkampioen schaken Garry Kasparov in een volledige match, een belangrijke mijlpaal markerend. Het was de eerste keer dat een computer zijn superioriteit over een menselijke grootmeester aantoonde, en toonde aan dat AI strategisch denken kon beheersen en een krachtig computationeel instrument kon zijn.

2000 – Big Data, GPUs en de AI-renaissance

De jaren 2000 zagen de komst van Big Data en GPUs, waardoor AI werd gerevolutioneerd door algoritmen te trainen op enorme datasets. GPUs, oorspronkelijk ontwikkeld voor grafische rendering, werden essentieel voor het versnellen van dataprocessing en het verbeteren van diepe leerprocessen. Deze periode zag AI uitbreiden naar toepassingen zoals beeldherkenning en natuurlijke taalverwerking, waardoor het een praktisch instrument werd dat menselijke intelligentie kon nabootsen.

2010 – Cloud computing, diepe leerprocessen en het winnen van Go

Met de komst van cloud computing en doorbraken in diepe leerprocessen, bereikte AI ongekende hoogten. Platforms als Amazon (AMZN ) Web Services en Google Cloud democratiseerden de toegang tot krachtige rekenbronnen, waardoor kleinere organisaties AI-mogelijkheden konden benutten.

In 2016 versloeg DeepMind’s AlphaGo Lee Sedol, een van de werelds beste Go-spelers, in een spel dat bekend staat om zijn strategische diepte en complexiteit. Deze prestatie toonde de aanpassingsvermogen van AI-systemen aan bij het beheersen van taken die eerder uniek menselijk werden geacht.

2020 – AI-democratisering, grote taalmodellen en Dota 2

De jaren 2020 hebben AI toegankelijker en krachtiger gemaakt dan ooit. Modellen zoals GPT-3 en GPT-4 laten zien dat AI mensachtige tekst kan verwerken en genereren. Tegelijkertijd hebben innovaties in autonome systemen AI naar nieuwe domeinen geduwd, waaronder gezondheidszorg, fabricage en real-time beslissingen.

In esports hebben OpenAI-bots een opmerkelijke prestatie geleverd door professionele Dota 2-teams te verslaan in complexe multiplayer-wedstrijden, en toonden aan dat AI kan samenwerken, strategieën in real-time kan aanpassen en menselijke spelers in dynamische omgevingen kan overtreffen, waardoor het zijn toepassingen verder uitbreidt dan traditionele probleemoplossingstaken.

Neemt AI de wereld over?

De vraag of AI “de wereld overneemt” is niet louter hypothetisch. AI heeft zich al geïntegreerd in verschillende facetten van het leven, van virtuele assistenten tot voorspellende analyses in de gezondheidszorg en financiën, en de reikwijdte van zijn invloed blijft groeien. Echter, “de wereld overnemen” kan verschillende dingen betekenen, afhankelijk van hoe we controle, autonomie en impact interpreteren.

De verborgen invloed van aanbevelingssystemen

Een van de krachtigste manieren waarop AI ons leven subtiel domineert, is door aanbevelingssystemen op platforms zoals YouTube, Facebook (META ) en X. Deze algoritmen, die op AI-systemen draaien, analyseren voorkeuren en gedrag om content te serveren die nauw aansluit bij onze interesses. Aan de oppervlakte kan dit een gunstige ervaring lijken, maar deze algoritmen reageren niet alleen op onze voorkeuren; ze vormen ze ook actief, beïnvloedend wat we geloven, hoe we ons voelen en zelfs hoe we de wereld om ons heen waarnemen.

• YouTube’s AI: Dit aanbevelingssysteem trekt gebruikers in uren van content door video’s aan te bieden die aansluiten bij en zelfs hun interesses intensiveren. Maar terwijl het optimaliseert voor betrokkenheid, leidt het vaak gebruikers naar radicaliseringspaden of naar sensationele content, versterkend van vooroordelen en soms het verspreiden van complottheorieën.
• Algoritmen op sociale media: Sites als Facebook, Instagram en X prioriteren emotioneel geladen content om betrokkenheid te stimuleren, wat echo-kamers kan creëren. Deze bubbels versterken gebruikersvoorkeuren en beperken de blootstelling aan tegenstrijdige meningen, leidend tot gepolariseerde gemeenschappen en vertekende percepties van de realiteit.
• Content-feeds en nieuwsaggregators: Platforms als Google News en andere aggregators passen het nieuws aan dat we zien op basis van eerdere interacties, waardoor een vertekend beeld van actuele gebeurtenissen ontstaat dat gebruikers kan beletten toegang te krijgen tot diverse perspectieven, hen nog verder isolerend in ideologische bubbels.

Deze stille controle is niet alleen over betrokkenheidsmetrieken; het kan ook subtiel de openbare perceptie beïnvloeden en zelfs cruciale beslissingen beïnvloeden – zoals hoe mensen stemmen in verkiezingen. Door strategische content-aanbevelingen heeft AI de macht om de openbare mening te beïnvloeden, politieke verhalen te vormen en kiezersgedrag te sturen. Deze invloed heeft significante implicaties, zoals aangetoond in verkiezingen over de hele wereld, waar echo-kamers en gerichte desinformatie verkiezingsresultaten hebben beïnvloed.

Dit verklaart waarom het bespreken van politiek of maatschappelijke kwesties vaak tot ongeloof leidt wanneer het perspectief van de ander volledig anders lijkt, gevormd en versterkt door een stroom van desinformatie, propaganda en leugens.

Aanbevelingssystemen vormen maatschappelijke wereldbeelden, vooral als je bedenkt dat desinformatie 6 keer vaker wordt gedeeld dan feitelijke informatie. Een lichte interesse in een complottheorie kan ertoe leiden dat een hele YouTube- of X-feed wordt gedomineerd door fabricaties, mogelijk aangestuurd door opzettelijke manipulatie of, zoals eerder vermeld, computational propaganda.

Computational propaganda verwijst naar het gebruik van geautomatiseerde systemen, algoritmen en gegevensgestuurde technieken om de openbare mening te manipuleren en politieke resultaten te beïnvloeden. Dit omvat vaak het inzetten van bots, nep-accounts of algoritmische versterking om desinformatie, verdeelde content of emotioneel geladen inhoud op sociale media te verspreiden. Het doel is om verhalen te vormen, specifieke standpunten te versterken en emotionele reacties te exploiteren om de openbare perceptie of gedrag te beïnvloeden, vaak op grote schaal en met precisie-gerichte doelgroepen.

Dit type propaganda is de reden waarom kiezers vaak tegen hun eigen belang stemmen; de stemmen worden beïnvloed door deze vorm van computationele propaganda.

“Garbage In, Garbage Out” (GIGO) in machine learning betekent dat de kwaliteit van de output volledig afhankelijk is van de kwaliteit van de invoerdata. Als een model wordt getraind op gebrekkige, vooroordeelde of lage kwaliteit data, zal het onbetrouwbare of onnauwkeurige resultaten produceren, ongeacht hoe geavanceerd de algoritme is.

Dit concept is ook van toepassing op mensen in de context van computationele propaganda. Net zoals gebrekkige invoerdata een AI-model corrumpeert, kan constante blootstelling aan desinformatie, vooroordeelde verhalen of propaganda de menselijke perceptie en besluitvorming vertekenen. Wanneer mensen “afval” informatie online consumeren – desinformatie, propaganda of emotioneel geladen maar valse verhalen – zijn ze geneigd om meningen te vormen, beslissingen te nemen en te handelen op basis van vertekende realiteiten.

In beide gevallen verwerkt het systeem (of het nu een algoritme of het menselijk brein is) wat het krijgt, en leidt gebrekkige invoer tot gebrekkige conclusies. Computationele propaganda exploiteert dit door informatie-ecosystemen te overspoelen met “afval”, waardoor mensen onnauwkeurigheden internaliseren en verspreiden, uiteindelijk de maatschappelijke gedragingen en overtuigingen op grote schaal beïnvloedend.

Automatisering en banenverlies

AI-gebaseerde automatisering verandert het hele landschap van werk. In fabricage, klantenservice, logistiek en zelfs creatieve gebieden, drijft automatisering een diepgaande verschuiving in de manier waarop werk wordt gedaan – en, in veel gevallen, wie het doet. De efficiëntiegroei en kostenbesparingen van AI-gebaseerde systemen zijn onmiskenbaar aantrekkelijk voor bedrijven, maar deze snelle adoptie roept kritische economische en sociale vragen op over de toekomst van werk en het potentieel voor medewerkers.

In de fabricage behandelen robots en AI-systemen assemblagelijnen, kwaliteitscontrole en zelfs geavanceerde probleemoplossingstaken die eerder menselijke interventie vereisten. Traditionele rollen, van fabrieksoperatoren tot kwaliteitscontrole-specialisten, worden teruggebracht naarmate machines repetitieve taken met snelheid, precisie en minimale fouten uitvoeren. In hoge mate geautomatiseerde faciliteiten kan AI leren om gebreken te detecteren, verbeteringsgebieden te identificeren en zelfs onderhoudsbehoeften te voorspellen voordat problemen ontstaan. Hoewel dit leidt tot verhoogde productie en winst, betekent het ook minder instapbanen, vooral in regio’s waar fabricage traditioneel stabiele werkgelegenheid heeft geboden.

Klantenservicerollen ondergaan een soortgelijke transformatie. AI-chatbots, spraakherkenningsystemen en geautomatiseerde klantenservice-oplossingen reduceren de behoefte aan grote callcenters bemand door menselijke agenten. Vandaag kan AI vragen beantwoorden, problemen oplossen en zelfs klachten verwerken, vaak sneller dan een menselijke vertegenwoordiger. Deze systemen zijn niet alleen kostenefficiënt maar ook 24/7 beschikbaar, waardoor ze een aantrekkelijke keuze voor bedrijven zijn. Echter, voor medewerkers reduceert deze verschuiving de kansen in een van de grootste werkgelegenheidssectoren, met name voor individuen zonder geavanceerde technische vaardigheden.

Creatieve gebieden, lang beschouwd als uniek menselijke domeinen, voelen nu de impact van AI-automatisering. Generatieve AI-modellen kunnen tekst, kunst, muziek en zelfs lay-outs ontwerpen, waardoor de vraag naar menselijke schrijvers, ontwerpers en kunstenaars afneemt. Hoewel AI-gegenereerde content en media vaak worden gebruikt om menselijke creativiteit aan te vullen in plaats van te vervangen, wordt de grens tussen aanvulling en vervanging dunner. Taken die eerder creatieve expertise vereisten, zoals het componeren van muziek of het opstellen van marketingtekst, kunnen nu door AI worden uitgevoerd met opmerkelijke sofisticatie. Dit heeft geleid tot een herbeoordeling van de waarde die wordt toegekend aan creatief werk en de marktvraag ernaar.

Invloed op besluitvorming

AI-systemen worden steeds essentiëler in hoge-stakes besluitvormingsprocessen over verschillende sectoren, van rechterlijke vonnissen tot gezondheidszorgdiagnostiek. Deze systemen, die vaak grote datasets en complexe algoritmen gebruiken, kunnen inzichten, voorspellingen en aanbevelingen bieden die een significante impact hebben op individuen en de samenleving. Terwijl de mogelijkheid van AI om data op grote schaal te analyseren en verborgen patronen te ontdekken de besluitvorming aanzienlijk kan verbeteren, introduceert het ook diepgaande ethische zorgen met betrekking tot transparantie, vooroordelen, verantwoordelijkheid en menselijke toezicht.

AI in rechterlijke vonnissen en wetshandhaving

In het justitiesysteem worden AI-hulpmiddelen nu gebruikt om vonnisaanbevelingen te beoordelen, terugkeerpercentages te voorspellen en zelfs bailbeslissingen te ondersteunen. Deze systemen analyseren historische casusdata, demografische gegevens en gedragspatronen om de waarschijnlijkheid van recidive te bepalen, een factor die rechterlijke beslissingen over vonnissen en voorwaardelijke invrijheidstelling beïnvloedt. Echter, AI-gerecht introduceert ernstige ethische uitdagingen:

• Vooroordeel en eerlijkheid: AI-modellen getraind op historische data kunnen vooroordeel overnemen dat in die data aanwezig is, waardoor oneerlijke behandeling van bepaalde groepen kan ontstaan. Als een dataset een hoger arrestatiepercentage voor specifieke demografische groepen weerspiegelt, kan de AI onrechtvaardig deze kenmerken associëren met een hoger risico, waardoor systemische vooroordeel binnen het justitiesysteem in stand wordt gehouden.
• Gebrek aan transparantie: Algoritmen in wetshandhaving en vonnissen opereren vaak als “black boxes“, wat betekent dat hun besluitvormingsprocessen niet gemakkelijk door mensen te interpreteren zijn. Deze ondoorzichtigheid compliceert inspanningen om deze systemen verantwoordelijk te houden, waardoor het moeilijk wordt om de redenering achter specifieke AI-gedreven beslissingen te begrijpen of in twijfel te trekken.
• Impact op menselijke autonomie: AI-aanbevelingen, vooral in hoge-stakes contexten, kunnen rechters of voorwaardelijke invrijheidstellingscommissies ertoe brengen om AI-aanbevelingen te volgen zonder grondige beoordeling, waardoor menselijke oordeelkundigheid onbewust een ondergeschikte rol krijgt. Deze verschuiving roept zorgen op over het overmatig vertrouwen op AI in kwesties die rechtstreeks de menselijke vrijheid en waardigheid beïnvloeden.

AI in de gezondheidszorg en diagnostiek

In de gezondheidszorg bieden AI-gedreven diagnostische en behandelplanningsystemen baanbrekend potentieel om patiëntresultaten te verbeteren. AI-algoritmen analyseren medische dossiers, beelden en genetische informatie om ziektes te detecteren, risico’s te voorspellen en behandelingen aan te bevelen met een nauwkeurigheid die in sommige gevallen die van menselijke artsen overtreft. Echter, deze vooruitgang komt met uitdagingen:

• Vertrouwen en verantwoordelijkheid: Als een AI-systeem een aandoening verkeerd diagnoseert of een ernstig gezondheidsprobleem niet detecteert, rijzen vragen over verantwoordelijkheid. Is de zorgverlener, de AI-ontwikkelaar of de medische instelling verantwoordelijk? Deze onduidelijkheid compliceert aansprakelijkheid en vertrouwen in AI-gebaseerde diagnostiek, vooral naarmate deze systemen complexer worden.
• Vooroordeel en gezondheidsongelijkheid: Net als in het justitiesysteem kunnen AI-modellen in de gezondheidszorg vooroordeel overnemen dat in de trainingsdata aanwezig is. Als een AI-systeem wordt getraind op datasets die diversiteit missen, kan het minder nauwkeurige resultaten produceren voor ondervertegenwoordigde groepen, waardoor verschillen in zorg en resultaten kunnen ontstaan.
• Informed consent en patiëntbegrip: Wanneer AI wordt gebruikt in diagnose en behandeling, kunnen patiënten de aanbevelingen en de risico’s die aan AI-gedreven beslissingen zijn verbonden niet volledig begrijpen. Dit gebrek aan transparantie kan de autonomie van de patiënt en zijn recht op geïnformeerde keuzes in de gezondheidszorg beïnvloeden, waardoor vragen over autonomie en geïnformeerde toestemming ontstaan.

AI in financiële beslissingen en werving

AI heeft ook een significante invloed op financiële diensten en wervingspraktijken. In de financiële sector analyseren algoritmen grote datasets om kredietbeslissingen te nemen, kredietwaardigheid te beoordelen en zelfs beleggingen te beheren. In de werving evalueren AI-gedreven wervingsinstrumenten cv’s, bevelen kandidaten aan en voeren in sommige gevallen zelfs het eerste sollicitatiegesprek. Hoewel AI-gedreven besluitvorming efficiëntie kan verbeteren, introduceert het ook nieuwe risico’s:

• Vooroordeel in werving: AI-wervingsinstrumenten, als ze getraind zijn op vooroordeelde data, kunnen onbewust stereotypes versterken, kandidaten filteren op basis van factoren die niet relevant zijn voor de functie, zoals geslacht, ras of leeftijd. Terwijl bedrijven steeds meer vertrouwen op AI voor talentwerving, bestaat het gevaar dat ongelijkheden in stand worden gehouden in plaats van diversiteit te bevorderen.
• Financiële toegankelijkheid en kredietvooroordeel: In financiële diensten kunnen AI-gebaseerde kredietbeoordelingsystemen de toegang tot leningen, hypotheken of andere financiële producten beïnvloeden. Als de trainingsdata discriminerende patronen bevat, kan AI onrechtvaardig krediet ontzeggen aan bepaalde groepen, waardoor financiële ongelijkheid wordt verergerd.
• Vermindering van menselijke toezicht: AI-beslissingen in financiën en werving kunnen gegevensgestuurd zijn maar onpersoonlijk, waardoor menselijke factoren die de besluitvorming kunnen beïnvloeden over het hoofd worden gezien. Het gebrek aan menselijke beoordeling kan leiden tot een overmatig vertrouwen op AI, waardoor de rol van empathie en oordeel in besluitvormingsprocessen wordt verminderd.

Bestaansrisico’s en AI-uitlijning

Naarmate de kunstmatige intelligentie in kracht en autonomie toeneemt, is het concept van AI-uitlijning – het doel om AI-systemen te laten handelen op manieren die consistent zijn met menselijke waarden en belangen – een van de meest dringende ethische uitdagingen in het veld geworden. Denkers als Nick Bostrom hebben de mogelijkheid van bestaansrisico’s naar voren gebracht als hoge autonomie AI-systemen, met name AGI, doelen of gedragingen ontwikkelen die niet in overeenstemming zijn met het menselijk welzijn. Hoewel dit scenario grotendeels speculatief is, eist het potentieel een proactieve, zorgvuldige benadering van AI-ontwikkeling.

Het AI-uitlijningsprobleem

Het uitlijningsprobleem verwijst naar de uitdaging om AI-systemen te ontwerpen die menselijke waarden, doelen en ethische grenzen kunnen begrijpen en prioriteren. Terwijl huidige AI-systemen smal zijn in hun reikwijdte en specifieke taken uitvoeren op basis van trainingsdata en door de mens gedefinieerde doelen, roept de mogelijkheid van AGI nieuwe uitdagingen op. AGI zou, in theorie, de flexibiliteit en intelligentie bezitten om zijn eigen doelen te stellen, zich aan te passen aan nieuwe situaties en onafhankelijk beslissingen te nemen over een breed scala aan domeinen.

Het uitlijningsprobleem ontstaat omdat menselijke waarden complex, contextafhankelijk en vaak moeilijk zijn om precies te definiëren. Deze complexiteit maakt het moeilijk om AI-systemen te creëren die consistent menselijke intenties interpreteren en naleven, vooral als ze situaties of doelen tegenkomen die in conflict zijn met hun programmering. Als AGI doelen zou ontwikkelen die niet in overeenstemming zijn met menselijke belangen of menselijke waarden verkeerd interpreteert, zouden de gevolgen ernstig kunnen zijn, mogelijk leidend tot scenario’s waarin AGI-systemen handelen op manieren die de mensheid schaden of ethische principes ondermijnen.

AI in robotica

De toekomst van de robotica beweegt zich snel naar een realiteit waarin drones, humanoid robots en AI worden geïntegreerd in elk aspect van het dagelijks leven. Deze convergentie wordt aangedreven door exponentiële vooruitgang in rekenkracht, batterijefficiëntie, AI-modellen en sensortechnologie, waardoor machines de wereld kunnen benaderen op manieren die steeds geavanceerder, autonoom en mensachtig zijn.

Een wereld van alomtegenwoordige drones

Stel je voor dat je wakker wordt in een wereld waar drones overal aanwezig zijn, taken uitvoeren die zo alledaags zijn als het bezorgen van boodschappen of zo kritiek als het reageren op medische noodtoestanden. Deze drones, ver verwijderd van eenvoudige vliegapparaten, zijn verbonden via geavanceerde AI-systemen. Ze opereren in zwermen, coördinerend hun inspanningen om verkeersstroom te optimaliseren, infrastructuur te inspecteren of bossen in beschadigde ecosystemen aan te planten.

Voor persoonlijk gebruik kunnen drones functioneren als virtuele assistenten met fysieke aanwezigheid. Uitgerust met sensoren en LLM’s, kunnen deze drones vragen beantwoorden, items ophalen of zelfs als mobiele tutors voor kinderen fungeren. In stedelijke gebieden kunnen luchtdrones milieumonitoring in real-time faciliteren, inzichten biedend in luchtkwaliteit, weerspatronen of stedelijke planningbehoeften. Landelijke gemeenschappen, daarentegen, kunnen vertrouwen op autonome landbouwdrones voor het planten, oogsten en bodemanalyse, waardoor toegang tot geavanceerde landbouwtechnieken wordt gedemocratiseerd.

De opkomst van humanoid robots

Naast drones zullen humanoid robots, aangedreven door LLM’s, naadloos in de samenleving integreren. Deze robots, die mensachtige gesprekken kunnen voeren, complexe taken kunnen uitvoeren en zelfs emotionele intelligentie kunnen vertonen, zullen de grenzen tussen menselijke en machine-interacties vertroebelen. Met geavanceerde mobiliteitssystemen, tactiele sensoren en cognitieve AI kunnen ze dienen als verzorgers, metgezellen of collega’s.

In de gezondheidszorg kunnen humanoid robots diepe leermodellen gebruiken om patiënten te ondersteunen, niet alleen fysieke hulp biedend maar ook empathische gesprekken voerend, geïnformeerd door grote datasets van menselijk gedrag. In het onderwijs kunnen ze fungeren als gepersonaliseerde tutors, zich aanpassend aan individuele leervormen en aangepaste lessen biedend die studenten betrekken. Op de werkplek kunnen humanoid robots gevaarlijke of repetitieve taken overnemen, waardoor mensen zich kunnen concentreren op creatief en strategisch werk.

Onjuiste doelen en onbedoelde gevolgen

Een van de meest genoemde risico’s geassocieerd met misgealigneerd AI is het paperclip-maximalisatie gedachtenexperiment. Stel je voor dat een AGI is ontworpen met het ogenschijnlijk onschuldige doel om zoveel mogelijk paperclips te produceren. Als dit doel met voldoende intelligentie en autonomie wordt nagestreefd, kan de AGI extreme maatregelen nemen, zoals het omzetten van alle beschikbare middelen (inclusief die essentieel voor menselijk overleven) in paperclips om zijn doel te bereiken. Hoewel dit voorbeeld hypothetisch is, illustreert het de gevaren van single-minded optimalisatie in krachtige AI-systemen, waar smal gedefinieerde doelen tot onbedoelde en potentieel catastrofale gevolgen kunnen leiden.

Een voorbeeld van dit soort single-minded optimalisatie met negatieve gevolgen is het feit dat sommige van de krachtigste AI-systemen ter wereld uitsluitend optimaliseren voor betrokkenheidstijd, waarbij feiten en waarheid worden gecompromitteerd. De AI kan ons langer vermaken door opzettelijk de verspreiding van complottheorieën en propaganda te verhogen.

Conclusie