The Third Ambition: Artificial Intelligence and the Science of Human Behavior

Dit paper introduceert een derde ambitie voor kunstmatige intelligentie naast productiviteit en alignement, namelijk het gebruik van grote taalmodellen als wetenschappelijke instrumenten om menselijk gedrag, cultuur en morele redenering te bestuderen door de in hun training opgenomen symbolische patronen te analyseren.

De kern

De Drie Ambities van Kunstmatige Intelligentie

Stel je voor dat de wereld van kunstmatige intelligentie (AI) een grote reis is. Tot nu toe hebben wetenschappers en bedrijven zich voornamelijk gericht op twee bestemmingen. Dit artikel stelt dat er nu een derde, spannende bestemming is ontstaan die we nog niet volledig hebben verkend.

Laten we deze drie "ambities" bekijken:

1. De Eerste Ambitie: De Super-Werknemer (Productiviteit)

Dit is wat we het vaakst zien. AI wordt hier gezien als een super-efficiënte gereedschapskist.

• Het doel: Werk sneller doen, geld verdienen en taken automatiseren.
• De analogie: Denk aan een elektrische boormachine. Je gebruikt hem niet om te praten of na te denken, maar om gaten te boren. Zo gebruiken bedrijven AI om e-mails te schrijven, code te maken of logistiek te plannen. Het gaat puur om doen.

2. De Tweede Ambitie: De Veilige Wachter (Alignment)

Naarmate AI slimmer wordt, maken mensen zich zorgen. Wat als de boormachine per ongeluk een gat in je muur boort of iets gevaarlijks doet?

• Het doel: Zorgen dat AI veilig, beleefd en in lijn met onze menselijke waarden blijft.
• De analogie: Stel je een robot voor die een scherp mes vasthoudt. De "Alignment"-ambitie is het plaatsen van een veiligheidsslot en het geven van strenge instructies: "Sla nooit toe, wees aardig, en doe niets wat gevaarlijk is." Het gaat erom dat de AI zich gedraagt zoals we willen dat hij zich gedraagt.

3. De Derde Ambitie: De Spiegel van de Mensheid (Wetenschap)

Dit is het nieuwe idee uit het artikel. In plaats van AI te gebruiken om werk te doen of om te controleren, gebruiken we het als een wetenschappelijk instrument om de mens zelf te bestuderen.

• Het doel: AI gebruiken als een spiegel om te zien hoe mensen denken, praten, ruziën en normen vaststellen.
• De analogie: Stel je voor dat je een enorme, magische spiegel hebt. Deze spiegel is niet gemaakt van glas, maar van alle boeken, nieuwsberichten, chats en verhalen die ooit online zijn geplaatst. Als je naar deze spiegel kijkt, zie je niet je eigen gezicht, maar het collectieve gezicht van de hele mensheid.

Wat is deze "Derde Ambitie" precies?

De auteurs, Russell Neuman en Chad Coleman, zeggen dat AI-modellen (zoals de ones die je nu gebruikt) zijn getraind op biljoenen woorden van mensen. Ze hebben alles gelezen wat we hebben geschreven.

• De "Condensaat"-metafoor:
  Stel je voor dat je alle gesprekken van de mensheid in een grote pan doet en ze verdampt tot een dikke, geconcentreerde siroop. Die siroop is het AI-model. Het bevat de smaak, de structuur en de patronen van al die gesprekken, maar het is niet meer "live" praten.
  • Als je deze siroop (het model) een vraag stelt, geeft hij een antwoord dat gebaseerd is op hoe mensen gemiddeld zouden antwoorden.
  • Het is alsof je een statistisch spook bent dat alle menselijke meningen in één keer kan samenvatten.

Waarom is dit belangrijk voor wetenschappers?

Vroeger moesten sociologen of psychologen duizenden mensen ondervragen (enquêtes) of jarenlang in een dorpje wonen (etnografie) om te begrijpen hoe mensen denken. Dat kost veel tijd en geld.

Met deze "Derde Ambitie" kunnen wetenschappers nu:

1. Snel testen: Ze kunnen het AI-model duizenden keren een vraag stellen met kleine veranderingen (bijv. "Wat vind je eerlijk?" vs. "Wat vind je eerlijk als je honger hebt?").
2. Patronen zien: Ze kunnen zien welke antwoorden het vaakst terugkomen. Dit laat zien wat de "normen" zijn in onze cultuur.
3. Geschiedenis bestuderen: Ze kunnen vragen stellen alsof ze in het verleden zitten, om te zien hoe meningen vroeger verschoven zijn.

De Valkuilen (De "Maak je geen zorgen"-sectie)

Het artikel waarschuwt ook voor gevaren. Deze spiegel is niet perfect.

• De "Filter"-probleem: De AI die we nu gebruiken is vaak "gefixeerd" (fine-tuned) om beleefd en veilig te zijn.

  • Vergelijking: Stel je voor dat je de spiegel hebt, maar er zit een roze bril op. Alles wat erin staat is netjes, beleefd en zonder ruzie. Maar in het echte leven maken mensen ruzie, zeggen ze dingen die niet beleefd zijn en hebben ze tegenstrijdige meningen. Als je alleen naar de "gefixeerde" AI kijkt, zie je een te mooi, te schoon beeld van de mensheid.
  • Oplossing: Wetenschappers moeten proberen de "roze bril" eraf te halen (door gebruik te maken van minder gefixeerde modellen) om de rauwe, echte menselijke meningen te zien.

• Het is geen mens: De AI heeft geen gevoel, geen hart en geen ervaring. Het is geen mens die denkt; het is een rekenmachine die heel goed kan voorspellen wat mensen zeggen. Het is een spiegel, geen een ziel.

Conclusie: Wat moeten we doen?

De auteurs zeggen: "Laten we niet proberen de AI te vervangen door mensen, en laten we niet denken dat de AI alles weet."

In plaats daarvan moeten we de AI zien als een nieuw type telescoop.

• Net als een telescoop ons niet direct het universum laat zien, maar wel licht dat door de ruimte reist, laat de AI ons niet direct de "ziel" van de mens zien, maar wel de sporen van onze taal en cultuur.

Als we voorzichtig zijn, deze "spiegel" goed gebruiken en onze resultaten vergelijken met echte mensen, kunnen we voor het eerst in de geschiedenis de grote patronen van het menselijk denken op een schaal zien die we nooit eerder hebben kunnen zien.

Kort samengevat:
Gebruik AI niet alleen om werk te doen (Ambitie 1) of om te controleren (Ambitie 2). Gebruik het ook als een wetenschappelijke lens om te begrijpen wie wij als mensheid zijn, hoe we denken en wat we belangrijk vinden, maar doe dit met de nodige voorzichtigheid en zonder de AI voor een mens aan te zien.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "The Third Ambition: Artificial Intelligence and the Science of Human Behavior" van W. Russell Neuman en Chad Coleman, in het Nederlands.

Probleemstelling

Het artikel identificeert dat het hedendaagse AI-onderzoek voornamelijk wordt gedomineerd door twee ambities:

1. Productiviteit: Het gebruik van AI als instrument om werk te versnellen en economische output te maximaliseren.
2. Alignement (Uitlijning): Het zorgen dat AI-systemen veilig gedragen en in overeenstemming zijn met menselijke waarden (vaak via Reinforcement Learning from Human Feedback - RLHF).

De auteurs stellen dat hiermee een derde, opkomende ambitie wordt genegeerd: het gebruik van Large Language Models (LLM's) als wetenschappelijke instrumenten om menselijk gedrag, cultuur en moreel redeneren te bestuderen. De kernuitdaging is dat LLM's, hoewel getraind op enorme hoeveelheden menselijke tekst, niet als vervanging voor menselijke proefpersonen worden gezien, maar als "condensaten" van menselijke symbolische gedragingen. Een groot obstakel is echter dat de huidige, in de markt verkrijgbare modellen zwaar zijn gefine-tuned (gealigneerd), wat de onderliggende culturele patronen kan vervormen of verbergen.

Methodologie

De auteurs stellen een nieuw methodologisch kader voor dat LLM's behandelt als observatie-infrastructuur (analoog aan de Large Hadron Collider in de fysica of genomics-databases), in plaats van als autonome agenten.

Conceptueel Kader:

• Condensaat: Het model zelf wordt gedefinieerd als een "Learned Distribution of Human Symbolic Behavior" (een geleerde verdeling van menselijk symbolisch gedrag). Het is een samengeperste, generatieve representatie van menselijke discours.
• Generatieve Output (GO): De daadwerkelijke tekst die het model produceert, wordt gezien als een bemonstering van dit condensaat, vergelijkbaar met antwoorden in enquêtes of experimenten.
• Afwijking van menselijk leren: De auteurs benadrukken dat LLM's geen embodiment, emotie of biologische ontwikkeling hebben. Ze leren uitsluitend via symbolische patronen in data, niet via interactie met de fysieke wereld.

Technische Benaderingen:
Om de beperkingen van gefine-tunde modellen te omzeilen en de "ruwe" culturele patronen te bestuderen, worden de volgende methoden voorgesteld:

1. Prompt-based Experimenten: Het systematisch variëren van prompts (context, framing, autoriteit) om causale afhankelijkheden in de leerrepresentaties van het model te testen.
2. Synthetische Populatiebemonstering: Het gebruik van LLM's om "synthetische persona's" te genereren die specifieke demografische of culturele kenmerken vertegenwoordigen, om discursieve priors te mapen.
3. Comparatief-Historische Modellering: Het trainen of fine-tunen van modellen op tijdsgebonden corpora (bijv. teksten uit de middeleeuwen vs. heden) om historische verschuivingen in waarden en normen te analyseren.
4. Ablatiestudies: Het systematisch verwijderen of onderdrukken van specifieke onderdelen van het model (bijv. bepaalde trainingsdata-categorieën of alignement-lagen) om te zien welke culturele steunstructuren nodig zijn voor bepaalde redeneerpatronen.
5. Modulaire Adaptatie (LoRA): Het gebruik van Parameter-Efficient Fine-Tuning (zoals LoRA) om specifieke domeinen of culturen toe te voegen zonder de basisparameters van het model te veranderen, waardoor vergelijkbare "weergaven" van hetzelfde model mogelijk zijn.

Omgaan met Fine-tuning:
De auteurs waarschuwen dat zware alignement (RLHF) de "ruwe" data vervormt door taboe-onderwerpen te onderdrukken en institutionele normen op te leggen. Voor sociaal-wetenschappelijk onderzoek wordt instruct-only fine-tuning aanbevolen als een pragmatisch compromis: dit verbetert de coherentie zonder zware morele filterlagen toe te passen.

Belangrijkste Bijdragen

1. Definitie van de "Derde Ambitie": Het positioneren van LLM's niet als tools voor actie of controle, maar als instrumenten voor observatie van menselijke collectieve cognitie.
2. Epistemologische Distinctie: Het maken van een duidelijk onderscheid tussen het model als "condensaat" (de verdeling) en de output als "bemonstering". Dit helpt bij het vermijden van antropomorfisme.
3. Methodologische Integratie: Het tonen aan hoe LLM's bestaande sociale-wetenschappelijke designs (experimenten, enquêtes, contentanalyse, historische vergelijking) kunnen uitbreiden naar een schaal die voorheen onmogelijk was.
4. Validatiekader: Het introduceren van triangulatie als cruciale stap. LLM-uitkomsten mogen niet worden gezien als bewijs van individuele cognitie of populatie-prevalentie, maar moeten worden gevalideerd door convergentie met traditionele menselijke data (enquêtes, ethnografie). Afwijkingen worden gezien als hypotheses voor verder onderzoek, niet als fouten.

Resultaten en Observaties

Hoewel het artikel voornamelijk een theoretisch en methodologisch kader schetst, citeert het bestaand onderzoek dat de haalbaarheid aantoont:

• Psychologische Regulariteiten: LLM's reproduceren bekende psychologische en politieke patronen (bijv. bias in beslissingen, morele dilemma's zoals het Trolley-probleem) die overeenkomen met menselijke studies.
• Sensitiviteit voor Framing: Modellen reageren systematisch op veranderingen in autoriteit, bronvermelding en winst/verlies-framing, wat aantoont dat ze gestructureerde normatieve patronen hebben geleerd.
• Culturele Variatie: Door prompts te beperken tot specifieke talen of culturele datasets, kunnen systematische verschillen in moreel oordeel worden blootgelegd.
• De "Fine-tuning" Effect: Het onderzoek bevestigt dat zware alignement de variatie in antwoorden vermindert en minderheidsperspectieven onderdrukt, waardoor de "ruwe" culturele realiteit wordt vervangen door een geïdealiseerde, institutionele versie.

Betekenis en Conclusie

De "Derde Ambitie" biedt een transformatieve kans voor de sociale en gedragswetenschappen. LLM's fungeren als een nieuwe observatie-infrastructuur die de statistische structuur van collectieve menselijke expressie computabel maakt.

• Niet als vervanging: LLM's vervangen geen menselijke proefpersonen, ethnografie of causale theorievorming. Ze vullen deze aan door een "hoogdimensionale spiegel" van collectieve cognitie te bieden.
• Cautious Experimentalism: De auteurs pleiten voor een houding van "voorzichtig experimentalisme". De vergelijkbaarheid van LLM-uitkomsten en menselijk gedrag moet een testbare empirische vraag zijn, geen aanname.
• Institutionele Erkenning: Er is een beroep gedaan op de wetenschappelijke gemeenschap om LLM's te erkennen als gedeelde wetenschappelijke hulpbronnen (zoals de LHC), waarbij toegang, documentatie en replicatie cruciaal zijn.

Kortom, het artikel stelt dat LLM's, mits correct geïnterpreteerd en methodologisch gedisciplineerd gebruikt, een unieke lens bieden om menselijke cultuur, normen en morele conflicten te bestuderen op een schaal en met een resolutie die voorheen onbereikbaar was.