Yann LeCun, een grondlegger van de moderne kunstmatige intelligentie, waarschuwt publiekelijk dat het huidige traject van de AI-ontwikkeling in Silicon Valley onhoudbaar is en waarschijnlijk op een doodlopende weg terechtkomt. LeCun, winnaar van de Turing Award en voormalig hoofd AI-wetenschapper bij Meta, stelt dat de overweldigende focus van de industrie op grote taalmodellen (LLM’s) – zoals die welke ChatGPT aandrijven – uiteindelijk vruchteloos zal blijken bij het bereiken van echte kunstmatige algemene intelligentie (AGI).
De grenzen van de huidige aanpak
LeCun beweert dat LLM’s, ondanks aanzienlijke investeringen en snelle vooruitgang, inherente beperkingen hebben. Het kernprobleem is dat het simpelweg opschalen van deze modellen er niet toe zal leiden dat computers de menselijke intelligentie evenaren of zelfs overtreffen. Hij beschrijft een ‘kudde-effect’ waarbij bedrijven blindelings dezelfde op LLM gebaseerde benaderingen nastreven, waardoor veelbelovende maar minder populaire onderzoeksrichtingen worden onderdrukt.
Dit is van belang omdat honderden miljarden dollars in projecten worden gestoken die mogelijk niet de gewenste resultaten opleveren. Het meedogenloze streven naar op LLM gebaseerde AGI riskeert het verspillen van middelen en het vertragen van echte doorbraken.
Het risico om achterop te raken
LeCun wijst er ook op dat terwijl het Westen zich richt op LLM’s, andere regio’s – met name China – mogelijk alternatieve AI-architecturen nastreven met een groter langetermijnpotentieel. Hij suggereert dat Chinese bedrijven, zonder last van dezelfde druk vanuit de industrie, de westerse inspanningen in de race naar AGI zouden kunnen overtreffen.
Een oproep tot diversificatie
De kritiek van LeCun gaat niet alleen over technologische beperkingen; het gaat ook over het gebrek aan intellectuele diversiteit. De huidige omgeving ontmoedigt de verkenning van alternatieve AI-methoden die uiteindelijk superieur zouden kunnen blijken. Zijn waarschuwingen komen na decennia van baanbrekend werk op dit gebied, waaronder fundamentele bijdragen aan convolutionele neurale netwerken en deep learning.
“Er is sprake van een kudde-effect waarbij iedereen in Silicon Valley aan hetzelfde moet werken”, aldus LeCun. “Het laat niet veel ruimte over voor andere benaderingen die op de lange termijn veel veelbelovender kunnen zijn.”
De onderliggende boodschap is duidelijk: de AI-industrie moet haar horizon verbreden, heersende aannames ter discussie stellen en fundamenteel andere benaderingen verkennen als ze hoopt echte intelligentie in machines te bereiken. Zonder diversificatie zou de huidige vooruitgang kunnen stagneren, waardoor het veld ondanks enorme investeringen in een staat van stagnatie zou achterblijven.
De toekomst van de AI-ontwikkeling hangt af van het onderkennen van deze beperkingen en het bevorderen van een meer experimenteel, minder conformistisch onderzoekslandschap.
