Het AI-domein is booming, omdat decennia van onderzoek eindelijk leiden tot nieuwe tools en modellen die de menselijke intelligentie benaderen of misschien zelfs evenaren.
Van de hele reeks resultaten van DeepMind, zoals game-playing AI en voorspellende modellering voor het vouwen van eiwitten, wat wetenschappers decennialang niet lukte, over de bijna-menselijke taal van het AI-model GPT-3 tot het nieuwste product van de 'deep learning'-revolutie die de menselijke neocortex nabootst: AI lijkt zijn toppunt te bereiken.1
Maar is dit echt een gouden tijdperk? Het domein werd in het verleden immers te veel gehypet. In de jaren 1960 voorspelde Herbert Simon dat computers binnen 20 jaar mensen zouden kunnen evenaren. Marvin Minsky, die mee aan de basis lag van de computerwetenschappen, voorspelde dat het probleem van het creëren van artificiële intelligentie binnen een generatie zou worden opgelost. Geen van beide voorspellingen is uitgekomen.
Economist Impact heeft de geschiedenis en het tempo van innovatie in belangrijke technologische sectoren geanalyseerd. Met behulp van data science-tools ontwikkelden wij een unieke aanpak om innovatieactiviteiten te meten, op basis van een analyse van de taal die in wetenschappelijke artikels en octrooien wordt gebruikt.2
Winter wordt zomer
Onze AI-analyse wijst op een sterke toename van innovatieactiviteiten in het begin van de jaren 1980 en een aanzienlijke afname daarvan in de tweede helft van het decennium. Dit volgt de tweede zogenaamde 'AI Winter', die verwijst naar periodes waarin het domein moeite had om resultaten te leveren die leidden tot een vertraging in de financiering en het onderzoek. Maar dat waren geen volledig onproductieve tijden. Ons model geeft aan dat belangrijke concepten, zoals neurale netwerken en deep learning, zelfs in slechtere tijden meer aandacht trokken en de basis legden voor doorbraken die we vandaag meemaken. (Er kunnen immers zeer lange vertragingen zijn tussen AI-concepten en tools en technologieën; de eerste 'kunstneuron' werd ontwikkeld in 1943. 3)
Engere focus
Ons onderzoek stelt vast dat de taalkundige diversiteit in de academische literatuur vanaf ongeveer 2006 in het algemeen kleiner is geworden en zo het laagste niveau van de afgelopen jaren heeft bereikt. De taalkundige diversiteit in octrooien is in deze periode echter toegenomen.
Dat sluit aan bij andere bevindingen die tonen dat het domein zich richt op een aantal subthema's, waarbij mogelijk een grotere diepte van het onderzoek naar commercialisering wordt ingeruild voor breedte, risico en innovatie.
Juan Mateos-Garcia, directeur data-analyse bij Nesta, werkte aan één onderzoek naar thematische diversiteit in AI-onderzoek. In hun bevindingen, gebaseerd op een steekproef van 110.000 AI-papers, maakten de onderzoekers gebruik van onderwerpmodellering om de thematische samenstelling van AI-onderzoek te kwantificeren en de onderzoeksdiversiteit in te schatten. Ze ontdekten dat de thematische diversiteit de afgelopen tien jaar is afgenomen, net wanneer AI in de echte wereld aan belangstelling won. "Je zou verwachten dat de toenemende schaal van de AI-markt diversiteit zou stimuleren, maar onze eerdere hypothese [voordat we ons onderzoek uitvoerden] dat de diversiteit in feite stagneert, hield stand, ondanks de uitbreiding van het domein", zegt de heer Mateos-Garcia.
Een van de redenen, stelt hij, is dat de private sector de dominante speler is in het financieren en uitvoeren van AI-onderzoek en dat bedrijven zich richten op een kleiner aantal bedrijfsgerichte toepassingen. "Deelnemers uit de industrie zijn kortzichtiger in hun focus op beperkte technologieën, maar bij innovatie weet je niet zeker of iets succesvol zal zijn."
Wordt de academische wereld enger?
De heer Mateos-Garcia stelt dat de focus van de universiteiten ook enger wordt, deels vanwege de toenemende samenwerking met de industrie. Dat is verontrustend omdat academische instellingen in het verleden de broeikas waren van toonaangevende AI-ontwikkelingen. Denk maar aan de belangrijke zomerschool van het Dartmouth College in 1956 (waaraan het ontstaan van het AI-tijdperk wordt toegeschreven) en de werkprogramma's van het Stanford AI-project en het MIT AI Lab. Kritische innovaties die AI tegenwoordig stimuleren, zoals neurale netwerken en deep learning, hebben hun wortels in de academische wereld.
Hoewel commercialisering duidelijk belangrijk is om ervoor te zorgen dat er voortdurend in AI wordt geïnvesteerd om echte problemen op te lossen, zijn er ook nadelen verbonden aan de huidige trend naar een engere focus.
De heer Mateos-Garcia is bezorgd dat AI-innovatie niet alleen verengt, maar dat het domein als geheel er niet in slaagt te innoveren op gebieden die er het meest toe doen. "We hebben een geweldige vooruitgang gezien in de reclame en sociale media en tot op zekere hoogte ook in de wetenschappelijke ontdekkingen, met AlphaFold als meest recente. Maar heeft AI ons echt geholpen wat veel van de grootste sociale uitdagingen betreft, zoals onderwijs, gezondheid en milieu, en zelfs Covid-19? Er is heel weinig bewijs van enige impact."
Andere toonaangevende AI-onderzoekers hebben ook hun bezorgdheid geuit dat de ontwikkeling in het domein tot stilstand komt. Er zijn uitzonderlijke capaciteiten bereikt voor beperkte taken, maar er zijn weinig aanwijzingen dat de flexibiliteit en aanpasbaarheid van de menselijke geest wordt benaderd.4
Wind uit het Oosten
Een laatste trend die in ons model kan worden waargenomen, is een opvallende verschuiving van AI-innovatielocaties van Noord-Amerika en Europa, vooral uit de jaren 1960 en 1970, naar Oost-Azië, met name Japan en China. Het wereldwijde aandeel van AI-onderzoek uit China steeg van 4% in 1997 naar 28% in 2017, het grootste van alle landen.5
De trend consolideert deels de bredere verschuiving naar commerciële en praktische toepassingen in plaats van fundamenteel onderzoek. Sinds maart 2019 bedraagt het aantal Chinese AI-bedrijven 1.189, waarmee het land op de tweede plaats komt na de VS met meer dan 2.000 bedrijven. De focus van de Chinese AI-bedrijven ligt vooral op spraak- en beeldherkenning, wat toepassing vindt in gebieden als retail, fintech, transport en entertainment. Toonaangevende Chinese bedrijven hebben een voorsprong op westerse bedrijven omdat de kracht van AI grotendeels berust op enorme hoeveelheden gegevens die voortdurende verfijning en herkalibratie mogelijk maken. En dat kan de 1,4 miljard sterke bevolking van China bieden. Dit past echter in de categorie van de zogenaamde 'zwakke AI' die gericht is op het oplossen van nauw omschreven problemen.6
AI bevindt zich, net als de wetenschappen waarvan het deel uitmaakt, in een constant spanningsveld tussen basisinnovaties van de fundamentele concepten en modellen — of 'paradigma' — en wat wetenschapshistoricus Thomas Kuhn 'normale wetenschap' noemde, waarbij wetenschappers experimenteren binnen een gemeenschappelijk overeengekomen kader. De commercialisering van AI voor het oplossen van echte problemen is deels een teken van succes, gezien de voorbije minder goede tijden voor het domein. Maar zoals ons model toont, kunnen moeilijke tijden ook een productieve periode van reflectie en experimenten zijn.
De toekomst zal waarschijnlijk voor verrassingen zorgen, aangezien sommige voorspellingen (zowel positieve als dystopische) niet uitkomen en andere onverwachte toepassingen opduiken. De visie dat AI en automatisering zullen leiden tot massale werkloosheid wordt aangevochten door een meer genuanceerde opvatting, gebaseerd op de toepassing in de praktijk waarbij AI de menselijke capaciteiten vergroot. Zo voert AI eentonig werk uit zodat mensen vaardigheden kunnen ontwikkelen en complexe kwesties onder de knie kunnen krijgen en tegelijk fouten en vooroordelen corrigeren die van invloed kunnen zijn op de werkprestaties.7 Het belang van menselijk toezicht zal nieuwe categorieën expertise en vaardigheden creëren rond ethische en verantwoordelijke AI die op termijn kunnen leiden tot nieuwe onderzoeksagenda's om de volgende generatie AI-innovaties vorm te geven.
-
Inzichten voor beleggers
- 27 procent van de bedrijven heeft AI ingevoerd om serviceactiviteiten te optimaliseren en 22 procent om producten te verbeteren, terwijl 16 procent gebruikmaakt van AI om risico's te modelleren en 14 procent voor fraude- en schuldanalyse. Dat blijkt uit de AI-enquête van McKinsey van 2021.
- AI wordt gebruikt om problemen met kwantumcomputers op te lossen. In een recent voorbeeld werd dankzij AI een probleem met 100.000 vergelijkingen gereduceerd tot slechts vier vergelijkingen, zonder aan nauwkeurigheid te verliezen.
- Tussen 2022 en 2025 zullen wereldwijd ongeveer 97 miljoen banen worden gecreëerd dankzij AI, wat zal helpen om bijna elke sector te transformeren, maar werkgevers zullen moeite hebben om die vacatures in te vullen, aldus Forbes.
[1] https://arxiv.org/pdf/2205.03401.pdf
[2] Ons model wijst ook op levendigheid vanaf 2010 (zie Afbeelding 2 hieronder), met inbegrip van fundamentele concepten die hedendaagse toepassingen mogelijk maken, zoals Generative Adversarial Networks (GAN's) en zero-shot learning. Beide zijn essentieel voor beeld- en dataclassificatie waarin AI uitblinkt. In 2012 kwam er een grote stap voorwaarts met AlexNet, een convolutionele neurale netwerkarchitectuur die beter presteerde dan andere modellen op het gebied van beeldherkenning en wordt beschouwd als een van de meest invloedrijke papers die in computervisie zijn gepubliceerd. De invloedrijke AI-wetenschapper Yann LeCun heeft GAN's het "meest interessante idee [op het gebied van machine learning] in een decennium" genoemd.
[3] https://towardsdatascience.com/mcculloch-pitts-model-5fdf65ac5dd1
[4] https://www.bbc.co.uk/news/technology-51064369
[5] https://hbr.org/2021/02/is-china-emerging-as-the-global-leader-in-ai
[6] https://hbr.org/2021/02/is-china-emerging-as-the-global-leader-in-ai
[7] https://www.raconteur.net/technology/artificial-intelligence/ai-human-augmentation/
