The Conversion Gap: How China, Japan and South Korea Turn AI Inputs into AI Capability, 2017–2025
Dit artikel betoogt dat nationale AI-soevereiniteit meer afhangt van de beleidscapaciteit van een staat om middelen efficiënt om te zetten in capaciteit dan van loutere middelenaccumulatie, waarbij wordt onthuld dat de achterstand van Japan op China en Zuid-Korea voortkomt uit systemische inefficiënties in het transformeren van kennis en rekenkracht naar AI-modellen in plaats van een gebrek aan input.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de race om kunstmatige intelligentie te bouwen, worden landen vaak beoordeeld op wat ze kunnen verzamelen. Ze tellen de onderzoekers in hun laboratoria, de miljarden dollars die in projecten worden gepompt, en de enorme rijen computers die in datacentra zoemen. Het is een logica van accumulatie: als je meer van de grondstoffen hebt, zou je de beste machine moeten bouwen. Jarenlang was dit de standaard manier om landen als China, Japan en Zuid-Korea te vergelijken, die allemaal enorme middelen hebben geïnvesteerd om leiders in deze technologie te worden. Maar het bezitten van de ingrediënten garandeert geen voltooide maaltijd. Een land kan over een enorme voorraad talent en rekenkracht beschikken, maar er toch niet in slagen om die middelen om te zetten in werkende, intelligente systemen die de wereld veranderen. De echte vraag is niet alleen hoeveel een land heeft, maar hoe efficiënt het kan transformeren wat het heeft naar werkelijke capaciteit.
Dit is de puzzel die Alfredo Merlet probeerde op te lossen in een nieuwe studie die de jaren 2017 tot en met 2025 onderzocht. Hij keek verder dan de eenvoudige totalen van geld en mensen om iets subtielers te meten: het conversiepercentage. Stel je een fabriek voor waar het doel is om ruw erts om te zetten in afgewerkte auto's. De ene fabriek koopt misschien twee keer zoveel erts als de andere, maar als zij minder auto's produceert, is zij duidelijk minder efficiënt in de taak. Merlet paste dezelfde logica toe op kunstmatige intelligentie, waarbij hij het proces onderverdeelde in drie duidelijke stadia. Het eerste is uitvinding, waarbij onderzoekers nieuwe ideeën creëren en papers publiceren. Het tweede is industrialisatie, waarbij die ideeën worden omgezet in daadwerkelijke softwaremodellen die gebruikt kunnen worden. Het derde is operationalisering, waarbij die modellen worden geadopteerd door gewone mensen en bedrijven. Door te volgen hoeveel output er voortkwam uit elke eenheid input in elk stadium, onthulde de studie een verrassend verhaal over waarom sommige landen voorop lopen terwijl anderen, ondanks dat ze meer middelen hebben, achterblijven.
De resultaten schetsen een beeld van drie zeer verschillende paden die door Oost-Aziatische buren zijn bewandeld. China, beginnend met een enorme beroepsbevolking en een overheid die duidelijke, agressieve doelen stelt, slaagde erin zijn vooruitgang dramatisch te versnellen. Tegen 2024 en 2025 brachten Chinese ontwikkelaars honderden nieuwe AI-modellen uit, waarmee ze van een volger naar een gelijke van de Verenigde Staten gingen. Ze bereikten dit niet alleen door meer uit te geven, maar door hun inspanningen zo te coördineren dat onderzoek snel werd omgezet in inzetbare producten. Zuid-Korea, ondanks het hebben van minder onderzoekers en minder rekenkracht dan Japan, bereikte de hoogste efficiëntie van de groep. Het land slaagde erin 87 AI-modellen te produceren, waaronder 23 die als opmerkelijk of baanbrekend werden beschouwd, een aantal dat dat van zijn grotere buurman ver overtrof. Dit succes werd gedreven door een zeer gecoördineerde relatie tussen de overheid en de grote ondernemingen, waardoor zij hun middelen intensief konden richten op specifieke technologieën en snel resultaten konden boeken.
Japan presenteert echter een scherp en verwarrend contrast. Op papier zou het het meest succesvol moeten zijn. Het heeft een grotere onderzoekswerkforce, meer rekenkracht en een langere geschiedenis van industriële uitmuntendheid dan Zuid-Korea. Toch brachten Japanse organisaties tussen 2017 en 2025 slechts 52 AI-modellen uit, waarvan er slechts zes als opmerkelijk werden beschouwd. In de laatste twee jaar van de studie bracht geen enkele Japanse organisatie een model uit dat door de onderzoekers als opmerkelijk werd geclassificeerd. De gegevens laten zien dat Japan niet faalt omdat het een gebrek heeft aan geld of wetenschappers. In feite, wanneer men kijkt naar hoe goed Japanse onderzoekers hun werk omzetten in patenten, presteren zij redelijk goed. De breuk vindt later in de keten plaats. De kloof ontstaat wanneer Japanse onderzoekers proberen hun gepubliceerde papers om te zetten in werkende modellen, en opnieuw wanneer zij proberen hun enorme rekenkracht te gebruiken om die modellen te bouwen. Ze hebben de ingrediënten, maar de keuken produceert het gerecht niet.
De studie suggereert dat de reden voor deze kloof niet in de technologie zelf ligt, maar in hoe de overheid het proces beheert. De onderzoekers vergeleken de prestaties van de landen met een maatstaf voor "beleidscapaciteit", wat in essentie het vermogen van de overheid is om een duidelijke richting te bepalen, verschillende groepen te coördineren en snel te handelen om nieuwe industrieën te ondersteunen. Zuid-Korea scoorde zeer hoog op deze maatstaf, wat wijst op een overheid die assertief en georganiseerd is in haar aanpak van AI. Japan scoorde daarentegen aanzienlijk lager. Gedurende het grootste deel van de onderzochte periode vertrouwde Japan op milde sturing en vrijwillige richtlijnen in plaats van bindende doelen of geconcentreerde programma's. Pas in 2025 richtte Japan een speciale hoofdkwartier in en voerde een nieuwe wet in om AI vooruit te helpen, een zet die de studie interpreteert als een late erkenning van het probleem. Het bewijs geeft aan dat het bezitten van het beste onderzoek en de krachtigste computers niet genoeg is als de staat ze niet effectief kan organiseren om resultaten te produceren.
Deze bevinding daagt de algemene aanname uit dat dominantie in AI simpelweg een kwestie is van wie het meeste geld kan uitgeven of de meeste experts kan inhuren. De studie laat zien dat soevereiniteit over kunstmatige intelligentie niet alleen gaat over het bezitten van de instrumenten; het gaat over het vermogen om te regeren hoe die instrumenten worden gebruikt. Een land kan zwaar investeren in onderzoek en infrastructuur en nog steeds heel weinig produceren als het systeem om die investeringen om te zetten in toepassingen in de echte wereld zwak is. Voor opkomende economieën die deze race in de gaten houden, is de les duidelijk: een sterke AI-toekomst opbouwen hangt misschien minder af van het evenaren van de enorme budgetten van wereldleiders en meer van het opbouwen van de administratieve capaciteit om middelen effectief te coördineren. Het verschil tussen een natie die AI financiert en een natie die het echt bouwt, kan voortkomen uit de kwaliteit van de planning en de snelheid van de uitvoering, in plaats van de omvang van de bankrekening.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.