AI leert de fysieke wereld begrijpen
Onderzoekers bouwen aan world models: simulaties waarin AI oorzaak en gevolg leert begrijpen. De belofte en de uitdaging van de overgang van simulatie naar werkelijkheid.
De volgende stap in AI draait niet om wat systemen zeggen, maar om wat ze doen. Om AI-agenten te laten functioneren in de echte wereld, bouwen onderzoekers aan world models: interne simulaties waarin AI oorzaak en gevolg leert begrijpen voordat ze handelt. Vergelijk het met een sporter die een beweging mentaal doorloopt voor de wedstrijd begint. Het doel is AI die niet blind patronen volgt, maar een vorm van synthetische intuïtie ontwikkelt voor de fysieke werkelijkheid.
Leren door ervaring, niet door lezen
Taalmodellen leren de wereld kennen via tekst. Ze weten dat een bal kan rollen, omdat dat in duizenden beschrijvingen staat. Maar ze hebben nooit een bal zien rollen. World models pakken het anders aan: ze leren van video, sensordata en interactie met gesimuleerde omgevingen. DeepMinds Dreamer-agent leerde diamanten verzamelen in Minecraft zonder menselijke instructies, puur door uit te proberen wat werkte. Het SIMA-project van dezelfde organisatie gaat een stap verder: het vertaalt gesproken opdrachten naar fysieke handelingen in 3D-werelden die het nog nooit eerder heeft gezien.
Dat verschil is fundamenteel. DeepMind-CEO Hassabis beschouwt deze aanpak als de ontbrekende schakel op weg naar algemenere intelligentie. En Yann LeCun haalde ruim een miljard dollar op om vanuit dezelfde overtuiging een alternatief voor taalmodellen te bouwen.
Wekelijkse inzichten in je mail.
Dilemma's, doorbraken en blinde vlekken uit onze AI-praktijk.
De kloof tussen simulatie en werkelijkheid
De belofte is groot, maar de uitdaging ook. Elke simulatie is een vereenvoudiging van de werkelijkheid. Een agent die perfect functioneert in een virtuele keuken, kan vastlopen op een natte vloer die niet in het model zat. Dat maakt de overstap van simulatie naar de echte wereld, in de robotica bekend als de sim-to-real gap, een van de hardste problemen in het vakgebied.
Toch bewegen de ontwikkelingen snel. Nvidia bouwt aan platforms waarmee bedrijven eigen world models kunnen maken voor hun specifieke omgeving. Meta laat robots objecten oppakken en verplaatsen in ruimtes waar ze nooit eerder zijn geweest. Het Japanse 1X demonstreerde een humanoïde robot die een kast opruimt, waarbij elke interactie data oplevert die het model verfijnt.
Voor organisaties die nadenken over de toekomst van hun AI-strategie is de les helder: de systemen die nu tekst genereren zijn waardevol, maar de volgende generatie AI leert van de wereld zelf. Wie werkprocessen heeft met een fysieke component, van logistiek tot productie, doet er goed aan deze ontwikkelingen te volgen.
Benieuwd wat dit betekent voor jouw organisatie? Plan een kennismaking in.
