Stel je voor dat je een robot probeert te leren de wereld te begrijpen. De afgelopen tien jaar zijn de grootste doorbraken in kunstmatige intelligentie (AI) voortgekomen uit het voeden van deze robots met enorme hoeveelheden digitale informatie—tekst, afbeeldingen, code en video's. Dit is alsof je een student een eindeloze bibliotheek aan boeken over de oceaan geeft. Ze kunnen elke feit over getijden, vissen en stormen memoriseren, en ze kunnen prachtige essays over de zee schrijven. Maar als je hen vraagt om daadwerkelijk te zwemmen, de koude water te voelen, of te navigeren door een stroming die ze nog nooit hebben gezien, kunnen ze flink in de problemen komen. Dit is de huidige staat van "Narrow AI": systemen die briljant zijn in het verwerken van digitale gegevens, maar worstelen met de rommelige, echte wereld zoals oorzaak-gevolg, het begrijpen van menselijke intenties, of logisch redeneren dat meer vereist dan alleen patroonherkenning. Wetenschappers noemen het doel om een machine te bouwen die dit allemaal kan, "Artificial General Intelligence" (AGI). De grote vraag die iedereen stelt is: Waarom hebben we het nog niet gebouwd? Komt het omdat onze computers niet groot genoeg zijn, of ontbreekt er iets in de manier waarop we deze machines onderwijzen?

Dit artikel, geschreven door onderzoekers Yi Peng, Huansheng Ning en Jianguo Ding, betoogt dat het probleem niet de omvang van de computer of de hoeveelheid data is. In plaats daarvan is het probleem waar die data vandaan komt. De auteurs suggereren dat de huidige AI vastzit in een "Cyber-only" bubbel, waarbij het alleen leert van digitale records. Om echt slim te worden, betogen zij dat AI uit de bibliotheek moet stappen en de echte wereld in moet gaan. Ze stellen een nieuwe manier voor om naar AI-leren te kijken, de "CPST"-framework, wat staat voor Cyber-Physical-Social-Thinking (Cyber-Fysiek-Sociaal-Denken). Denk aan een vierdimensionale kaart van de werkelijkheid:

• Cyber: De digitale wereld van tekst, code en bestanden (waar de huidige AI leeft).
• Physical (Fysiek): De wereld van objecten, zwaartekracht en oorzaak-gevolg (waar je een kopje kunt duwen en ziet vallen).
• Social (Sociaal): De wereld van menselijke gevoelens, intenties en regels (waar je moet raden wat iemand anders denkt).
• Thinking (Denken): De wereld van strikte logica, wiskunde en gestructureerde symbolen (waar je een stelling kunt bewijzen).
  Het artikel suggereert dat om van een "slimme rekenmachine" naar een "algemene intelligentie" te gaan, een AI de lus moet sluiten in al deze vier werelden, niet alleen in de digitale wereld.

De Grote Databubbel

De onderzoekers bekeken tachtig verschillende AI-systemen, variërend van vroege beeldclassificatie tot de meest geavanceerde robots en chatbots van vandaag. Ze sorteerden deze systemen op basis van hoeveel van de vier "werelden" (Cyber, Physical, Social, Thinking) ze daadwerkelijk in een "gesloten lus" (closed loop) beïnvloeden. Een gesloten lus betekent dat het systeem niet alleen data leest, maar ook handelt in de wereld, het resultaat ziet en ervan leert.

En dit is wat ze vonden, en het is een schok voor de "groter is beter"-groep: Geen enkel AI-systeem in hun volledige lijst van tachtig heeft erin geslaagd om lussen te sluiten in meer dan twee van deze werelden.

De meest geavanceerde systemen die puur digitaal zijn (Cyber-only), lopen tegen een hard plafond aan. Ze zijn geweldig in het herkennen van patronen in de data die ze hebben gezien, maar ze falen jammerlijk bij zaken die een begrip van de echte wereld vereisen. Bijvoorbeeld:

• Causaal Redeneren: Als je een video laat zien van een robot die blokken stapelt, kan een digitale-only AI de volgende zet raden. Maar als je vraagt: "Wat zou er gebeuren als ik het onderste blok verwijder?" (een contrafeitelijke vraag), gaat het vaak mis. Het heeft de zwaartekracht niet gevoeld of de blokken niet geduwd, dus begrijpt het de fysica niet echt.
• Sociale Cognitie: Huidige AI kan menselijke gesprekken nabootsen, maar het heeft moeite om te begrijpen wat iemand anders denkt als die persoon zijn ware gevoelens verbergt. Het is als het spelen van een potje poker waarbij je wel de kaarten kunt lezen, maar niet het gezicht of de lichaamstaal van de speler kunt lezen.
• Logisch Redeneren: Hoewel AI wiskundige problemen kan oplossen door patronen te raden, faalt het vaak wanneer het wordt gevraagd om een strikt, stapsgewijs logisch pad te volgen dat vereist dat het eigen werk controleert tegen een reeks regels.

Het artikel sluit expliciet de mogelijkheid uit dat het simpelweg groter maken van de AI (het toevoegen van meer parameters of het trainen op meer tekst) deze problemen zal oplossen. Ze wijzen erop dat zelfs de grootste, krachtigste modellen nog steeds vastzitten in de "Cyber"-zone. Ze zijn als een chef die elk kookboek ter wereld heeft gelezen, maar nog nooit een fornuis heeft aangeraakt of een gerecht heeft geproefd. Geen enkele hoeveelheid lezen zal hem leren hoe hij een perfect maaltijd bereidt als hij nooit zijn handen vuil maakt.

De Ontbrekende Ingrediënten

De auteurs gebruiken een slimme analogie om uit te leggen waarom de "Cyber-only" benadering faalt. Ze zeggen dat elke van de vier werelden een uniek type "signaal" biedt dat de andere werelden simpelweg niet kunnen produceren.

• Om causaliteit (oorzaak en gevolg) te leren, heb je Physical data nodig. Je moet daadwerkelijk iets doen en zien wat er gebeurt. Je kunt dit niet leren door alleen een boek over natuurkunde te lezen.
• Om sociale intelligentie (het begrijpen van mensen) te leren, heb je Social data nodig. Je moet met echte mensen interageren, hun reacties zien en je gedrag aanpassen. Je kunt dit niet leren door alleen chatlogs te lezen.
• Om complexe logica te leren, heb je Thinking data nodig. Je hebt een gestructureerd systeem van symbolen en regels nodig dat je kunt opvragen en aanpassen, niet alleen een hoop tekst.

Het artikel presenteert sterk bewijs hiervoor. Ze vergeleken AI-systemen die identiek waren in alles, behalve in de data die ze kregen gevoerd.

• Toen een robot uitsluitend werd getraind op video's van andere robots die bewegen, kon de robot zijn eigen bewegingen niet plannen. Maar toen dezelfde robot werd getraind op echte video's van zichzelf terwijl hij bewoog en met objecten interactie had, leerde de robot plotseling hoe hij dingen kon plannen en manipuleren die hij nog nooit eerder had gezien.
• Op dezelfde manier kreeg een wiskunde-oplossende AI die slechts een taalmodel was, bijna geen enkele vraag goed. Maar toen ze datzelfde taalmodel koppelden aan een strikte logische engine (een "Thinking"-tool), schoot de prestatie omhoog.

De data laat een duidelijk patroon zien: Systemen die met slechts één extra wereld interageren (zoals Physical of Thinking), zijn veel eerder geneigd een hoger niveau van bekwaamheid te bereiken. Maar de "heilige graal" van AGI—waarbij een systeem alle vier de werelden tegelijkertijd kan hanteren—blijft leeg. In hun onderzoek van tachtig systemen had nul systemen erin geslaagd lussen te sluiten in drie of meer werelden. De gehele regio op de kaart waar een echte "Algemene Intelligentie" zou moeten liggen, is momenteel een spookstad.

De Roadmap naar Algemene Intelligentie

Dus, waar gaan we vanaf hierheen? De auteurs wijzen niet alleen op het probleem; ze bieden een driestaps-roadmap om het op te lossen.

1. Semantische Uitlijning: We moeten AI leren om tussen deze verschillende werelden te vertalen. Nu begrijpt een AI misschien een fysieke sensormeting, maar weet het niet hoe die verbonden is met een sociale regel of een logisch feit. We moeten bruggen bouwen zodat de AI kan zeggen: "De robot botste tegen de beker (Physical), wat de mens boos maakte (Social), dus ik moet mijn excuses aanbieden (Thinking)."
2. Verenigde Wereldmodellen: We moeten één enkele "hersenen" bouen die al deze verschillende soorten informatie tegelijkertijd kan vasthouden. In plaats van één brein voor fysica, een ander voor sociale regels en een ander voor wiskunde, hebben we één systeem nodig dat al deze zaken tegelijkertijd kan jongleren.
3. Governance (Bestuur): Naarmate AI begint te interageren met de echte wereld (Physical) en echte mensen (Social), hebben we nieuwe veiligheidsregels nodig. We kunnen niet alleen de code controleren; we moeten ervoor zorgen dat de AI de gevolgen van zijn acties in de echte wereld begrijpt.

Het artikel concludeert met een gedurfde voorspelling: De weg naar AGI gaat niet over het bouwen van grotere computers of het schrapen van meer tekst van het internet. Het gaat over het bouwen van robots die kunnen aanraken, voelen en interageren met de fysieke wereld; het creëren van systemen die daadwerkelijk kunnen converseren en onderhandelen met mensen; en het ontwerpen van tools die kunnen redeneren met strikte logica. Totdat AI-systemen uit de digitale bibliotheek stappen en de rommelige, complexe, vierdimensionale realiteit van Cyber-Physical-Social-Thinking binnenstappen, zullen ze briljante maar beperkte studenten blijven, niet in staat om af te studeren op het niveau van ware algemene intelligentie.

De auteurs merken er voorzichtig bij op dat dit een hypothese is die wordt ondersteund door sterk bewijs, maar nog geen bewezen wet is. Ze suggereren dat als een puur digitale AI plotseling al deze problemen zou oplossen zonder ooit de echte wereld aan te raken, hun theorie onjuist zou zijn. Maar tot nu toe wijst het bewijs in één duidelijke richting: om een algemene intelligentie te bouwen, moeten we stoppen met de wereld als een dataset te behandelen en de wereld gaan behandelen als een speeltuin.