Elke keer dat een manager een AI-systeem “slim” noemt, krimpt ergens een ingenieur ineen. Niet omdat het woord helemaal fout is, maar omdat het echte mechanisme zowel minder mystiek als interessanter is dan “slim” doet vermoeden. Er draait geen brein in een datacenter. Wat er wél draait, is een gigantische berg rekenwerk — netjes genoeg geordend dat de uitkomst op nadenken lijkt.
Er zit geen geest in de machine
Een populaire beschrijving vat het scherp samen: “Er zit geen geest in de machine. Er is alleen lineaire algebra, in een heel overtuigend kostuum.” Die zin komt uit een veelgelezen technische uitleg voor ontwikkelaars (Bron: HackerNoon), en hij vat precies samen waarom AI zo vaak verkeerd begrepen wordt.
Een AI-taalmodel — de techniek achter ChatGPT, Claude en Gemini — heeft geen bewustzijn en geen begrip in de zin die je bij een mens zou gebruiken. Het doet één ding, en dat doet het op enorme schaal: het voorspelt het volgende woord. Geef het een stuk tekst, en het rekent uit welk woord daar het meest waarschijnlijk op volgt, gegeven alle tekst die het tijdens de training heeft gezien.
Beginner-tip:je hoeft geen wiskunde te kunnen om dit stuk te volgen. De vaktermen leg ik steeds meteen uit. Het doel is niet dat je zelf een model kunt bouwen, maar dat je snapt wat er ongeveer gebeurt — dat maakt je een slimmere gebruiker.
Woorden worden getallen
Een computer rekent, hij leest niet. Dus het eerste wat er gebeurt, is dat je tekst wordt vertaald naar getallen. Elk woord (of stukje woord) wordt omgezet in een reeks getallen, een vector genoemd. Je kunt zo’n vector zien als een set coördinaten die de “betekenis” van een woord vastlegt in verhouding tot alle andere woorden.
Dat klinkt abstract, maar het effect is concreet: woorden die op elkaar lijken — “koning” en “koningin”, “Parijs” en “Rome” — krijgen getallenreeksen die dicht bij elkaar liggen. Zo ontstaat een soort landkaart van taal, waarop het model afstanden en richtingen kan berekenen.
De transformer: het hart van moderne AI
Sinds 2017 draaien vrijwel alle grote taalmodellen op een bepaald type neuraal netwerk: de transformer. Het bijzondere eraan is dat het niet star van links naar rechts leest, maar een hele zin tegelijk bekijkt en berekent welke woorden voor elkaar belangrijk zijn.
Dat gebeurt via een mechaniek dat attention heet — aandacht. In de zin “de kat zat op de mat omdat hij moe was” moet het model weten dat “hij” naar “de kat” verwijst, niet naar “de mat”. Attention is de wiskunde die dat soort verbanden legt: voor elk woord berekent het model hoeveel elk ander woord ertoe doet (Bron: Transformer Explainer, Georgia Tech).
Waar de rekenkracht in gaat zitten
Al dat werk — vectoren transformeren, aandacht berekenen, het volgende woord voorspellen — komt uiteindelijk neer op één soort som, keer op keer: het vermenigvuldigen van grote roosters van getallen. Zulke roosters heten matrices, en de bewerking heet matrixvermenigvuldiging.
Dat is geen bijzaak. In een modern taalmodel slokt matrixvermenigvuldiging naar schatting meer dan 80% van de rekentijd op. Daarom draait AI op gespecialiseerde chips, GPU’s, die juist dit soort massale rekenwerk parallel en razendsnel kunnen doen. Als je hoort dat AI-bedrijven miljarden uitgeven aan chips, gaat het in de kern hierom: heel veel getallenroosters, heel vaak met elkaar vermenigvuldigd.
Gevorderden:binnen elke transformer-laag zitten twee blokken — het attention-blok en een feedforward-netwerk. Beide zijn in essentie ketens van lineaire transformaties (matrixvermenigvuldigingen) met daartussen een niet-lineaire activatiefunctie. Die niet-lineariteit is wat het model in staat stelt om complexe patronen te leren die met puur lineair rekenen niet te vangen zijn.
Waarom dit ertoe doet voor jou
Weten dat er geen brein maar een patroonmachine achter AI zit, is niet zomaar trivia. Het verklaart het meest verwarrende gedrag van deze systemen: dat ze met volle overtuiging onzin kunnen produceren.
Een taalmodel is getraind om vloeiende, waarschijnlijke tekst te maken — niet om waar te zijn. Klinkt een antwoord plausibel in de taal die het heeft gezien, dan schrijft het dat op, ook als het feitelijk fout is. Dat is wat “hallucineren” betekent: het model verzint met exact hetzelfde zelfvertrouwen als waarmee het klopt, want het onderscheid tussen waar en onwaar zit niet in de wiskunde.
Voor de dagelijkse gebruiker volgt daar een simpele les uit. Behandel AI als een uitzonderlijk handige, snelle assistent die soms zelfverzekerd de plank misslaat — niet als een orakel. Controleer belangrijke feiten, vraag om bronnen, en vertrouw niet blind op een gladde formulering. Je hoeft de lineaire algebra niet te snappen. Je hoeft alleen te onthouden dat er aan de andere kant geen alwetend wezen zit, maar een heel goed getrainde voorspeller van het volgende woord.