Author Archives: admin

In 2022-2023 explodeerde generatieve beeldvorming. Wat begon als een wetenschappelijk curiositeit werd een massamedium. Stable Diffusion en Midjourney waren de twee tools die dat mogelijk maakten — op fundamenteel verschillende manieren.

Stable Diffusion: democratisering via open source

In augustus 2022 bracht Stability AI Stable Diffusion uit als open-source model. Voor het eerst kon iedereen — met een redelijk krachtige thuiscomputer — een volledig beeldgeneratiemodel draaien, aanpassen en uitbreiden. Zonder betalen, zonder censuur, zonder API-limieten.

De gemeenschap ontplofte. Duizenden fine-tuned versies verschenen. Plug-ins voor Photoshop en Blender. Websites die Stable Diffusion beschikbaar maakten via de browser. De barriere van technische kennis viel weg.

Midjourney: kunst als dienst

Midjourney koos de tegenovergestelde aanpak: gesloten, via Discord, abonnementsgeld. Maar de kwaliteit was ongelooflijk. Versie 4 en versie 5 produceerden foto-realistische beelden en schilderachtige composities die kunstenaars deden duizelen — en vrezen.

Midjourney won een kunstwedstrijd in Colorado (2022) — een moment dat nationale nieuwsaandacht trok en het debat over AI-kunst volledig openbraken. Had de maker, Jason Allen, vals gespeeld? Wat is kunst als een machine het maakt?

Het debat dat volgde

De opkomst van AI-beeldgeneratie bracht drie grote debatten:

• Auteursrecht: waren de modellen getraind op auteursrechtelijk beschermde kunst zonder toestemming? Rechtszaken volgden.
• Arbeidsmarkt kunstenaars: stockfoto-sites raakten overspoeld met AI-beelden; illustratoren verloren opdrachten.
• Deepfakes: het genereren van valse afbeeldingen van echte mensen werd trivaal eenvoudig — met misbruikpotentieel voor desinformatie en non-consensuele intieme beelden.

Deze debatten zijn nog steeds niet opgelost. AI-beeldgeneratie is niet meer weg te denken — maar de regels rond gebruik, eigendom en verantwoordelijkheid zijn in 2026 nog steeds in de maak.

2023 was het jaar van de grote modellenwedloop. Elke maand een nieuw model, elke maand nieuwe benchmarks, elke maand nieuwe capabilities die een jaar eerder onmogelijk leken. Drie spelers domineerden: OpenAI, Anthropic en Google.

GPT-4: advocaten en artsen

In maart 2023 lanceerde OpenAI GPT-4. Het behaalde scores in de top 10% op het Amerikaanse advocatenexamen (bar exam), de top 13% op medische licentie-examens, en scoorde hoger dan 90% van de mensen op de SAT-wiskunde. Het was ook het eerste groot commercieel model dat afbeeldingen kon begrijpen (multimodaal).

Claude: veiligheid als kernwaarde

Anthropic lanceerde Claude met een andere filosofie dan OpenAI. Oprichters — waaronder voormalige OpenAI-medewerkers Dario en Daniela Amodei — richtten het bedrijf in 2021 op met een focus op AI-veiligheid. Claude werd getraind via Constitutional AI: een aanpak waarbij het model een set principes (een “grondwet”) krijgt en leert zichzelf te evalueren.

Claude onderscheidde zich door langere context (100.000 tokens), meer genuanceerde antwoorden en minder neiging tot “hallucination” (het verzinnen van feiten).

Gemini: Google’s antwoord

Google lanceerde Bard (later omgedoopt naar Gemini) als directe concurrent van ChatGPT. De lancering was chaotisch — een demonstratievideo bevatte een fout, het aandeel daalde miljarden. Maar Gemini 1.5 (2024) werd uiteindelijk een serieuze concurrent met een contextraam van 1 miljoen tokens.

De echte betekenis van de wedloop

De modellenwedloop zorgde voor versnelling die zonder competitie niet zou hebben bestaan. Maar ze riep ook vragen op: gaat het te snel? Zijn de veiligheidsgaranties voldoende? In maart 2023 tekenden honderden AI-wetenschappers en techleiders (waaronder Elon Musk en Yoshua Bengio) een open brief voor een pauze van zes maanden in de ontwikkeling van modellen groter dan GPT-4. OpenAI weigerde. De race ging door.

Op 30 november 2022 lanceerde OpenAI een chatbot. Geen grote aankondiging, geen persconferentie. Gewoon een link op Twitter. Binnen vijf dagen hadden een miljoen mensen een account aangemaakt. Binnen twee maanden honderd miljoen. ChatGPT werd het snelst groeiende consumentenproduct in de geschiedenis.

Niets was meer hetzelfde na die dag.

Wat ChatGPT anders maakte

GPT-3 bestond al twee jaar. Maar het was een ruwe API — technisch, ontoegankelijk. ChatGPT verpakte hetzelfde soort model (GPT-3.5) in een chatinterface die iedereen kon gebruiken. Geen technische kennis vereist. Gewoon typen.

De andere sleutel was RLHF (Reinforcement Learning from Human Feedback): menselijke trainers beoordeelden antwoorden en ChatGPT leerde wat goede antwoorden waren. Het resultaat was een model dat behulpzamer, vriendelijker en minder gevaarlijk was dan de ruwe GPT-versies.

De culturele impact

ChatGPT werd direct onderwerp van gesprek in families, boardrooms en parlementen. Scholen verboden het. Journalisten schreven er bang over. Google verklaarde intern een “code rood” en versnelde zijn AI-inspanningen. Microsoft investeerde 10 miljard dollar in OpenAI en integreerde AI in Bing, Word en Teams.

Het was het eerste moment dat het grote publiek — niet alleen technici — AI zag als een echte kracht die hun leven zou raken. De discussies die al jaren in labs en papers werden gevoerd, kwamen plots in elk huiskamergesprek terecht.

De concurrentierace begon

Google lanceerde Bard (nu Gemini). Anthropic lanceerde Claude. Meta lanceerde LLaMA. Elk groot techbedrijf ter wereld heroriënteerde zijn strategie richting AI. De modellenwedloop — wie heeft het snelste, slimste, veiligste model? — was begonnen.

ChatGPT was niet het slimste model, niet het meest geavanceerde. Het was het model dat AI democratiseerde. Dat is zijn historische betekenis.

2021 was het jaar dat AI ophield een academisch concept te zijn en iets werd dat mensen gebruikten. Twee producten maakten dat zichtbaar: DALL-E van OpenAI en GitHub Copilot van GitHub (met Microsoft en OpenAI).

DALL-E: tekst naar beeld

In januari 2021 presenteerde OpenAI DALL-E (een combinatie van de schilder Dallí en de Pixar-robot Wall-E). Het model kon willekeurige tekst omzetten in afbeeldingen. “Een avocado in de stijl van Vermeer.” “Een astronaut die paardrijdt op Mars.” De resultaten waren verbluffend — en soms hilarisch onjuist.

DALL-E was niet vrij beschikbaar — OpenAI controleerde de toegang. Maar het bewees een principe: taalmodellen konden worden geëxtendeerd naar andere modaliteiten. In 2022 volgde DALL-E 2 met een enorme kwaliteitssprong, en in 2023 DALL-E 3 (geïntegreerd in ChatGPT).

GitHub Copilot: AI als programmeerpartner

In juni 2021 lanceerde GitHub Copilot als technische preview. Het was gebaseerd op Codex — een versie van GPT-3 fijn afgestemd op code. Je begon te typen in je editor, en Copilot vulde de rest aan: functies, loops, tests, documentatie.

Programmeurs reageerden verdeeld. Sommigen waren enthousiast: Copilot was een krachtige assistent die tijd bespaarde. Anderen waren sceptisch of bezorgd over kwaliteit en auteursrechtelijke vragen (Copilot was getraind op openbare code van GitHub, inclusief code met auteursrecht).

Maar de echte impact was onmiskenbaar: voor het eerst konden programmeurs in gewone taal beschrijven wat ze wilden en code terugkrijgen die daadwerkelijk werkte. In 2023 gebruikten meer dan een miljoen ontwikkelaars Copilot actief.

Het begin van AI als werktool

DALL-E en Copilot luidden een nieuw tijdperk in: AI als dagelijks werkinstrument, niet als laboratoriumcuriositeit. Kunstenaars, ontwerpers, schrijvers en programmeurs begonnen AI te gebruiken — en de gesprekken over wat dat betekende voor hun beroepen begonnen. Die gesprekken zijn vandaag nog steeds gaande.

In mei 2020 publiceerde OpenAI het paper voor GPT-3. Met 175 miljard parameters was het model twee ordes van grootte groter dan zijn voorganger GPT-2 (1,5 miljard parameters). De resultaten lieten de AI-gemeenschap staan te kijken.

GPT-3 kon code schrijven, poëzie dichten, vragen beantwoorden, tekst vertalen, sommen uitrekenen — allemaal zonder expliciete training op die taken. Je gaf het een paar voorbeelden en het begreep wat je wilde. Dit werd few-shot learning genoemd.

De grens waarna alles veranderde

GPT-3 was de eerste keer dat een taalmodel gegeneraliseerde intelligentie demonstreerde op een schaal die mensen serieus nam. De demo’s circuuleerden op Twitter: GPT-3 schreef essays die journalisten niet van menselijke teksten konden onderscheiden. Het genereerde SQL-code uit gewone tekst. Het beantwoordde filosofische vragen.

Sam Altman (CEO OpenAI) beschreef het als een vroege versie van de technologie die de wereld zou veranderen. Er waren ook critici — Gary Marcus wees op de patronen die GPT-3 niet begreep en de feitelijke fouten die het maakte. Maar de schaal van de mogelijkheden was onomstreden.

De API: AI als product

OpenAI lanceerde GPT-3 niet als open-source model, maar als API. Bedrijven konden toegang kopen om GPT-3 in hun eigen producten te integreren. Er ontstond een hele industrie: duizenden startups bouwden op de GPT-3 API. Jasper.ai (schrijfassistent), GitHub Copilot (codegeneratie, gebaseerd op Codex — een finetuned GPT-3), en tientallen andere tools.

Dit was de eerste keer dat AI als dienst grootschalig commercieel werd. OpenAI verdiende geld met ieder verzoek. Het model voor AI-commercialisering dat nu dominant is, begon hier.

De vraag die GPT-3 stelde

GPT-3 riep één vraag op die sindsdien centraal staat in AI-debat: is dit schaal alleen, of is er iets fundamenteel nieuws aan het ontstaan? Zijn grotere modellen automatisch slimmer? De scaling hypothesis — dat meer data en meer parameters lineair leiden tot betere prestaties — kreeg door GPT-3 zijn sterkste empirische onderbouwing tot dan toe.

2018 was het jaar dat grote taalmodellen van theorie naar praktijk gingen. Twee modellen domineerden: GPT-1 van OpenAI en BERT van Google. Ze hadden verschillende architecturen en doelen, maar samen legden ze het fundament voor de taalmodel-revolutie.

GPT-1: de geboorte van generatieve pretraining

In juni 2018 publiceerde OpenAI het paper “Improving Language Understanding by Generative Pre-Training”. Het introduceerde een aanpak die nu standaard is: train een groot model op enorme hoeveelheden tekst, en pas het daarna aan voor specifieke taken.

GPT-1 had 117 miljoen parameters — groot voor die tijd. Het werd getraind op de BooksCorpus (7.000 onuitgegeven boeken) en scoorde indrukwekkend op taal-benchmarks zonder taakspecifieke training.

BERT: twee richtingen tegelijk

In oktober 2018 publiceerde Google BERT (Bidirectional Encoder Representations from Transformers). Het sleutelverschil met GPT: BERT leest tekst in beide richtingen tegelijk. Bij de zin “De bank is leeg” kijkt BERT naar wat er voor én na het woord staat, wat rijkere contextuele representaties oplevert.

BERT versloeg in één klap de state-of-the-art op elf taal-NLP-benchmarks. Google implementeerde BERT in zijn zoekmachine — de grootste update aan Google Search in jaren — om zoekopdrachten beter te begrijpen.

Twee strategieen, één idee

GPT en BERT vertegenwoordigen twee fundamenteel verschillende aanpakken:

• GPT (autoregressive): voorspel het volgende woord — goed in generatie
• BERT (masked language modeling): vul ontbrekende woorden in — goed in begrip

De GPT-lijn zou uitgroeien tot GPT-2, GPT-3, GPT-4 en uiteindelijk ChatGPT. De BERT-lijn inspireerde RoBERTa, T5, en de Googlezoekmachine. Beide lijnen leven vandaag verder in de architecturen van alle grote AI-labs.

2018 was het jaar dat de vraag veranderde van “kunnen taalmodellen taal begrijpen?” naar “hoe groot moeten ze zijn?” — een vraag die de komende jaren alles zou bepalen.

In juni 2017 publiceerde een team van acht Google-onderzoekers een paper met een bescheiden titel: “Attention Is All You Need”. Het paper introduceerde de Transformer-architectuur. Het is het meest geciteerde AI-paper van de afgelopen tien jaar — en de basis voor vrijwel alles dat sindsdien in AI is gebouwd.

Vóór 2017 werden taalmodellen gebouwd op recurrente netwerken (RNN’s en LSTM’s) die tekst woord voor woord verwerken — traag en slecht in het bijhouden van langetermijnafhankelijkheden. Transformers losten beide problemen op met één elegant mechanisme: attention.

Wat is attention?

Attention laat het model bij elke stap kijken naar alle woorden in de invoer tegelijk, en beslissen welke woorden het meest relevant zijn voor de huidige context. Bij de zin “De bank was leeg omdat alle klanten… ” begrijpt attention dat “klanten” verwijst naar de financiële instelling, niet de zitbank.

Dit maakt Transformers parallel te verwerken (ideaal voor GPU’s) en effectief in het begrijpen van context over lange stukken tekst.

De erfenis: alles wat sindsdien is gebouwd

De lijst van modellen die op Transformers gebaseerd zijn, is in feite de lijst van alle grote moderne AI-modellen:

• BERT (Google, 2018) — bidirectionele taalrepresentaties
• GPT-serie (OpenAI, 2018–heden) — de basis van ChatGPT
• Claude (Anthropic, 2023–heden)
• Gemini (Google DeepMind, 2023–heden)
• LLaMA (Meta, 2023–heden)
• DALL-E, Stable Diffusion — ook afbeeldingsmodellen gebruiken nu Transformer-varianten

De namen achter het paper

De acht auteurs — Vaswani, Shazeer, Parmar, Uszkoreit, Jones, Gomez, Kaiser en Polosukhin — zijn inmiddels verspreid over heel Silicon Valley. Meerdere hebben hun eigen AI-startups opgericht. Noam Shazeer richtte Character.AI op. Aidan Gomez richtte Cohere op.

Het is zeldzaam dat één wetenschappelijk paper zo’n directe en brede impact heeft. “Attention Is All You Need” is dat paper. Zonder Transformers: geen ChatGPT, geen Claude, geen Gemini. Alles wat moderne AI definieert, rust op dit fundament.

In maart 2016 verloor Lee Sedol — een van de beste Go-spelers aller tijden — drie partijen op rij tegen een computerprogramma. Hij weende. Miljoenen mensen keken toe. Het was een moment dat de wereld van AI fundamenteel veranderde.

Go is een bordspel met eenvoudige regels maar astronomische complexiteit. Het heeft meer mogelijke spelposities dan er atomen in het waarneembare universum zijn. Schaakcomputers konden brute-force rekenen — Go was altijd beschouwd als onmogelijk voor computers, omdat intuïtie en patroonherkenning domineerden boven berekening.

Hoe AlphaGo werkte

DeepMind (eigendom van Google) nam een radicaal andere aanpak dan Deep Blue bij schaak. AlphaGo combineerde:

• Supervised learning: trainen op 160.000 menselijke partijen
• Reinforcement learning: tegen zichzelf spelen om beter te worden
• Monte Carlo Tree Search: slim selectief vooruitrekenen
• Deep neurale netwerken: patroonherkenning op boardposities

De beroemde 37e zet

In de tweede partij speelde AlphaGo zet 37 op een positie die menselijke experts “menselijk onmogelijk” noemden. Lee Sedol verliet de zaal voor vijftien minuten. Commentatoren geloofden dat het een fout was. Het bleek een creatieve meesterzet die achteraf een sleutelrol in de overwinning speelde.

AlphaGo won vier van de vijf partijen. Lee Sedol won er één — partij vier — met een menselijke tegenzet die later “de God-zet” werd genoemd. In zijn pensioenverklaring in 2019 noemde hij AlphaGo als de reden: een entiteit die niet te verslaan is.

AlphaGo Zero: leren zonder menselijk voorbeeld

In 2017 publiceerde DeepMind AlphaGo Zero — een versie die helemaal zonder menselijke partijen werd getraind. Het leerde Go uitsluitend door tegen zichzelf te spelen, beginnend van nul. Na drie dagen versloeg het de versie die Lee Sedol had verslagen. Na 40 dagen was het het sterkste Go-programma ooit gemaakt.

AlphaGo Zero bewees dat machines menselijke kennis niet nodig hebben als startpunt — ze kunnen die kennis zelf ontdekken, en vervolgens overstijgen. Dat principe — self-play reinforcement learning — wordt nu gebruikt in robotica, medicijnontwikkeling en wetenschappelijke simulaties.

Het was 2014. Ian Goodfellow — een PhD-student aan de Universiteit van Montreal — discussieerde met vrienden in een bar over een probleem in computervisionderzoek: hoe genereer je realistische afbeeldingen met een neuraal netwerk? Na de avond werkte hij nacht door en implementeerde hij in één nacht een idee dat de richting van AI voor een decennium zou bepalen.

Het idee heette Generative Adversarial Networks, of kortweg GANs.

Hoe GANs werken

Een GAN bestaat uit twee neurale netwerken die tegen elkaar strijden:

• De Generator probeert nep-content te maken die zo realistisch mogelijk is
• De Discriminator probeert echt en nep van elkaar te onderscheiden

Door training worden beide steeds beter. De generator leert steeds overtuigender te liegen; de discriminator leert steeds beter te detecteren. Het resultaat: na voldoende training maakt de generator content die de discriminator niet meer van echt kan onderscheiden.

De impact: van wetenschappelijk speeltje naar deepfakes

De eerste GAN-resultaten in 2014 waren wazig en primitief — gegenereerde gezichten die eruitzagen als smeltende was. Maar het idee was zo elegant dat onderzoekers over de hele wereld ermee aan de slag gingen. Binnen enkele jaren werden GANs gebruikt voor:

• StyleGAN (NVIDIA, 2018-2019): hyper-realistische menselijke gezichten genereren
• Deepfakes: gezichten in video’s vervangen
• Afbeeldingssynthese: foto’s bewerken op semantisch niveau (“maak dit dag” of “verwijder de wolken”)
• Medische beeldvorming: trainingsdata synthetiseren voor zeldzame aandoeningen

Goodfellow en de toekomst

Ian Goodfellow werkte later bij Google Brain en Apple. Het GAN-principe — twee netwerken die elkaar verbeteren door competitie — bleek een van de meest vruchtbare architecturale ideeën in de AI-geschiedenis.

Vandaag zijn diffusion models (zoals DALL-E en Stable Diffusion) populairder voor beeldgeneratie dan GANs, maar het idee achter GANs — dat generatieve modellen leren door competitie — heeft de gehele generatieve AI-beweging geïnspireerd.

In september 2012 stuurde een team van drie onderzoekers van de Universiteit van Toronto een inzending in voor de ImageNet Large Scale Visual Recognition Challenge — een jaarlijkse competitie waarbij computers leren afbeeldingen te classificeren. Hun inzending heette AlexNet. Ze wonnen met een marge die niemand voor mogelijk had gehouden.

De foutmarge van AlexNet was 15,3%. De beste niet-deep-learning concurrent maakte 26,2% fouten. Dat verschil van bijna 11 procentpunten was zo groot dat de hele vakgemeenschap van onderzoeksrichting veranderde — in één klap.

Het team: Krizhevsky, Sutskever en Hinton

Alex Krizhevsky schreef het netwerk. Ilya Sutskever werkte mee (hij zou later OpenAI mede-oprichten). En hun promotor was Geoffrey Hinton — de man die al decennia in neurale netwerken geloofde toen niemand anders dat deed. Hij zou in 2024 de Nobelprijs Fysica winnen.

De sleutel van AlexNet was de combinatie van drie dingen die al bestonden maar nog nooit op deze schaal gecombineerd waren:

• Diepe convolutionele neurale netwerken (meerdere lagen, elk leert andere features)
• GPU-training — grafische kaarten bleken perfect voor matrixberekeningen in neurale netwerken
• Grote datasets (ImageNet had 1,2 miljoen gelabelde afbeeldingen)

Waarom dit het keerpunt was

Vóór 2012 geloofden de meeste AI-onderzoekers dat handmatig geëngineerde features noodzakelijk waren — mensen die expliciet programma’s schreven om randen, kleuren en vormen te detecteren. AlexNet bewees dat een netwerk die features zelf kon leren uit ruwe pixels.

Google, Facebook, Baidu, Microsoft — ze aanschouwden de resultaten en begrepen onmiddellijk de implicaties. Binnen twee jaar hadden alle grote techbedrijven deep learning-teams. Hinton zelf werd aangenomen door Google. Sutskever ging naar OpenAI. De moderne AI-boom was begonnen.

Vandaag draaien GPT-4, Claude, Gemini, en vrijwel alle moderne AI-systemen op de architectuurprincipes die AlexNet demonstreerde: schaalbare neurale netwerken, getraind op GPU’s, met grote datasets. 2012 was het jaar nul van de moderne AI.