AI-expert Karpathy: groot begripskloof over mogelijkheden AI
Gratis ChatGPT-gebruikers en professionele ontwikkelaars leven in een andere technologische werkelijkheid
- AI-pionier Andrej Karpathy signaleert een groeiende begripskloof tussen gewone gebruikers van gratis AI-tools en professionals die dagelijks werken met de meest geavanceerde modellen
- De twee groepen hebben een zo uiteenlopende ervaring dat zij volledig langs elkaar heen praten over de werkelijke mogelijkheden van kunstmatige intelligentie
Er bestaat een toenemende kloof in het begrip van wat kunstmatige intelligentie vandaag werkelijk vermag. Dat stelt Andrej Karpathy, voormalig AI-directeur bij Tesla en medeoprichter van OpenAI, in een uitvoerige post op het sociale netwerk X. Volgens hem spreken twee groepen gebruikers volledig langs elkaar heen, omdat zij een fundamenteel verschillende ervaring hebben met AI-tools.
Twee werelden, twee ervaringen
De eerste groep bestaat uit mensen die vorig jaar eenmalig de gratis versie van ChatGPT hebben uitgetest en op basis daarvan hun mening over AI hebben gevormd. Deze versies zijn verouderd en beperkt in functionaliteit, aldus Karpathy. Zo circuleerden er virale video's waarop OpenAI's gratis spraakassistent 'Advanced Voice Mode' struikelde over banale vragen, zoals de vraag of iemand beter kon rijden of wandelen naar een carwash. Dergelijke beelden kleuren het publieke beeld van AI op een misleidende manier, meent de expert.
De tweede groep is heel wat kleiner, maar ook radicaal anders gepositioneerd: het zijn professionals die maandelijks tot 200 dollar neertellen voor toegang tot de meest geavanceerde AI-modellen, zoals OpenAI Codex en Claude Code, en die deze tools dagelijks inzetten in technische domeinen zoals programmeren, wiskunde en wetenschappelijk onderzoek. Karpathy beschrijft hoe leden van deze groep regelmatig getuige zijn van wat hij omschrijft als 'niets minder dan verbijsterende vooruitgang'. Zo zouden deze modellen in staat zijn om zelfstandig gedurende een uur een volledige codebase te herstructureren, of om kwetsbaarheden in computersystemen op te sporen en te benutten.
Technische verklaring voor de kloof
De opmerkelijke prestatiekloof tussen alledaagse toepassingen en hooggespecialiseerde taken heeft een technische verklaring. Karpathy wijst op de rol van zogeheten 'reinforcement learning', een trainingstechniek waarbij modellen worden beloond voor verifieerbare correcte antwoorden. Bij programmeren valt duidelijk te meten of een stuk code werkt of niet, terwijl de kwaliteit van schrijfwerk of advies veel moeilijker objectief te beoordelen valt. Precies die meetbaarheid maakt dat AI-bedrijven hun inspanningen concentreren op technische domeinen, die bovendien commercieel bijzonder lucratief zijn in zakelijke omgevingen. De kloof zal daardoor wellicht nog verder vergroten zolang bedrijven hun prioriteiten niet verleggen naar bredere toepassingen voor het grote publiek.
"Het is tegelijkertijd waar dat de gratis spraakassistent van OpenAI de domste vragen verknoeit in je Instagram-reels, en dat het duurste Codex-model een uur lang zelfstandig een volledige codebase coherent herstructureert." — Andrej Karpathy, op X
Karpathy besluit dat beide groepen gelijk hebben vanuit hun eigen perspectief, maar dat geen van beide het volledige beeld ziet. Wie enkel de gratis, verouderde versies kent, onderschat de reële en snelle vooruitgang in gespecialiseerde AI-toepassingen. Wie dagelijks werkt met de meest geavanceerde modellen, loopt het risico de brede maatschappelijke realiteit uit het oog te verliezen, waarbij de grote meerderheid van de bevolking nooit in contact komt met deze krachtigste systemen. De roep om meer transparantie en publiek begrip over de stand van de AI-technologie klinkt daarmee luider dan ooit.
Reacties
Log in om een reactie te plaatsen
Inloggen