Wanneer wordt AI echt intelligent?

Iedereen heeft een mening over wanneer we Artificial General Intelligence (AGI) bereiken. De één wijst op benchmarks waarin AI al beter scoort dan mensen. De ander ziet dagelijks dat een chatbot struikelt over een simpele rekenvraag. Demis Hassabis, CEO van Google DeepMind en Nobelprijswinnaar, snijdt door dat debat heen met een gedachte-experiment dat verrassend helder is: als je een AI traint met alle kennis tot 1911, kan die dan zelfstandig de relativiteitstheorie bedenken die Einstein in 1915 publiceerde?

Dat klinkt als een academische vingeroefening, maar het raakt de kern van waar het bij AGI om draait. Huidige taalmodellen zijn uitzonderlijk goed in het herkennen van patronen in bestaande data. Ze kunnen wiskunde-olympiades winnen, juridische teksten analyseren en code schrijven. Maar diezelfde systemen struikelen regelmatig over logische puzzels die een kind kan oplossen. Hassabis noemt die inconsistentie het bewijs dat we nog ver verwijderd zijn van echte intelligentie. Een systeem dat soms briljant is en soms verbijsterend dom, mist een fundamentele eigenschap: betrouwbare generalisatie.

De 'Einstein-test' die Hassabis voorstelt, verschuift de discussie van wat AI kan reproduceren naar wat AI kan ontdekken. Dat onderscheid is wezenlijk. Informatie herhalen, ook op indrukwekkende schaal, is iets anders dan nieuwe kennis creëren die eerder niet bestond. AlphaFold, het DeepMind-project dat de structuur van miljoenen eiwitten voorspelde, komt in de buurt. Maar zelfs dat systeem werkte binnen een afgebakend domein met duidelijke regels. De stap naar open, ongestructureerde ontdekking is een ander kaliber.

Voor organisaties die vandaag beslissingen nemen over AI, is dit relevanter dan het lijkt. De huidige golf aan AI-tools levert concrete waarde op bij gestructureerde taken: samenvatten, vertalen, classificeren, routinewerk versnellen. Maar bij complexere taken blijken structurele grenzen die niet verdwijnen door een groter model. Wie zijn AI-strategie bouwt op de aanname dat AGI binnen een paar jaar realiteit is, neemt een gok. Wie investeert in wat AI nu aantoonbaar goed kan, en de organisatie voorbereidt op wat komen gaat, bouwt op steviger grond.

Hassabis zelf schat dat er nog twee tot drie fundamentele doorbraken nodig zijn voordat AGI bereikbaar wordt. Eén daarvan is het bouwen van zogenaamde world models: systemen die niet alleen taal verwerken, maar de fysieke wereld begrijpen in termen van oorzaak en gevolg. Die verschuiving, van patronen in tekst naar begrip van de werkelijkheid, is waar de volgende grote stap in AI waarschijnlijk vandaan komt.