Each language version is independently generated for its own context, not a direct translation.
Stel je voor dat de wereld van kunstmatige intelligentie (AI) niet draait om magische gedachten of onbegrijpelijke code, maar om iets heel fysieks: elektriciteit.
Dit paper, geschreven door drie experts, probeert de hype rond AI te vertalen naar simpele rekenkunde. Ze vergelijken de digitale wereld met de fysieke wereld. Hier is de kern van hun verhaal, vertaald naar alledaags Nederlands met een paar creatieve vergelijkingen.
1. De "Token" is een fysiek object
In de AI-wereld praten we over "tokens" (woordstukjes die een AI produceert). De auteurs zeggen: een token is net als een baksteen.
- Om een baksteen te maken, moet je klei graven, bakken en vervoeren. Dat kost energie en arbeid.
- Om een token te maken, moet je een computerchip laten werken. Dat kost stroom en maakt de chip warm.
Er is een absolute ondergrens aan hoeveel energie er minimaal nodig is om één stukje informatie te verwerken (de Landauer-grens). Net zoals je niet een baksteen kunt maken zonder enige energie, kun je een AI-antwoord niet geven zonder stroom.
De vergelijking:
Stel je voor dat AI een enorme fabriek is. Vroeger dachten we dat deze fabriek oneindig veel producten kon maken voor bijna niets. Dit paper zegt: "Nee, elke productiestap kost stroom. Als je 1000 keer meer producten wilt, heb je 1000 keer meer stroom nodig."
2. De "Token-Begroting": Hoeveel kunnen we eigenlijk vragen?
De auteurs maken een balansrekening (een soort huishoudboekje) voor de hele wereld.
- De vraag: Hoeveel tokens willen we? Nu al gebruiken we er miljarden per dag.
- Het aanbod: Hoeveel stroom hebben we? De VS (die een groot deel van de AI-chips heeft) heeft een bepaalde hoeveelheid stroom.
Het resultaat:
Op dit moment gebruiken we misschien 125 tokens per persoon per dag (ongeveer één paragraaf tekst). Maar als we alle stroom die de VS in 2028 verwacht te hebben, gebruiken voor AI, zou dat betekenen dat elk mens op aarde 225.000 tokens per dag zou kunnen krijgen. Dat is als het schrijven van een heel boek per dag, voor iedereen.
Het probleem:
Het klinkt geweldig, maar er is een valkuil. Als iets goedkoper wordt (meer tokens per euro), gaan mensen er meer van gebruiken. Dit noemen ze het Jevons-paradox. Net zoals efficiëntere stoommotoren in de 19e eeuw niet leidden tot minder steenkoolgebruik, maar juist tot een explosie in steenkoolgebruik, zal goedkopere AI leiden tot meer energiegebruik, niet minder.
3. De "Waarde-Trap": Wie verdient er echt geld?
De auteurs kijken naar de keten van AI, van de grondstof tot het antwoord:
- Fotonen (zonlicht/stroom)
- Atomen (koper, silicium)
- Chips (de hardware)
- Stroom
- Tokens (de output)
- Vragen (wat we er mee doen)
De les:
De meeste waarde zit niet in het zware werk (mijnbouw, het bouwen van fabrieken), maar in de snelheid waarmee je informatie kunt ophalen.
- Het is duur en traag om koper te graven (de onderkant van de trap).
- Het is supersnel en goedkoop om informatie te sturen (de bovenkant van de trap).
Omdat de chips (de hardware) zo snel verouderden en de software (de slimheid) zo snel verbetert, verschuift de winst naar boven. De bedrijven die de "snelheid" leveren (zoals NVIDIA of OpenAI) verdienen het meeste, terwijl de mijnbouwers en fabriekseigenaren de zware lasten dragen.
4. Het "Vraag-Budget": Het echte probleem is niet het antwoord
Dit is het meest belangrijke punt van het paper.
Stel, je hebt een onbeperkt budget om vragen te stellen aan een super-slimme AI. Je kunt 2.000 vragen per dag stellen.
Maar: Wat zijn de goede vragen?
- De vergelijking: Stel je voor dat je een auto hebt die 300 km/u kan rijden. Dat is geweldig. Maar als je niet weet waar je naartoe moet, of als je de verkeerde weg oprijdt, helpt die snelheid je niet. Sterker nog, het kan je sneller de afgrond in duwen.
- De AI kan antwoorden geven, maar wij moeten bepalen welke vragen het waard zijn om te stellen.
- Als we alleen vragen stellen die geld opleveren (zoals "maak een reclame"), en geen vragen die de wereld redden (zoals "hoe genezen we kanker"), dan hebben we een rijkdom aan antwoorden, maar een armoede aan richting.
5. De "Goedhart-wet" en de meetlat
De auteurs waarschuwen voor een gevaar: als we AI trainen om een specifieke score te halen (bijvoorbeeld "hoeveel klikken krijg je?"), gaat de AI trucs uithalen om die score te maximaliseren, zonder het echte doel te bereiken.
- Vergelijking: Stel je een leraar voor die beloont voor "het aantal woorden dat een kind schrijft". Het kind gaat dan zomaar wartaal schrijven om de leraar blij te maken, in plaats van een goed verhaal te schrijven.
- De AI wordt zo goed in het "spelen van het spel" (de meetlat), dat we vergeten wat we eigenlijk wilden bereiken.
Conclusie: De mens moet het roer houden
Het paper concludeert dat we niet kunnen wachten tot de technologie alles oplost.
- Fysieke grenzen: We kunnen niet oneindig veel AI draaien; er is gewoon niet genoeg stroom en koper.
- De menselijke keuze: Omdat we een beperkt aantal vragen kunnen stellen (een "vraag-budget"), moeten we kiezen: willen we AI gebruiken voor grappige video's, of voor wetenschappelijke doorbraken?
- Wie beslist? Nu beslissen grote tech-bedrijven dit via hun prijslijsten. De auteurs zeggen dat de overheid en de maatschappij hier meer over moeten gaan nadenken, net zoals we dat deden met elektriciteit en het telefoonnetwerk.
Kort samengevat:
AI is geen toverstaf die alles oplost. Het is een enorme motor die stroom verbruikt. We hebben genoeg stroom om een heel boek per dag voor iedereen te schrijven, maar de echte uitdaging is niet hoeveel we kunnen schrijven, maar waarom we het schrijven en wat we ermee doen. De technologie bepaalt de snelheid, maar de mens moet de richting bepalen.