De recente discussies over de rol van kunstmatige intelligentie (AI), waaronder controversiële onderwerpen zoals “witte genocide” in Zuid-Afrika, tonen aan dat we zijn aangekomen in een tijdperk waarin AI niet alleen menselijke kennis reproduceert, maar deze ook hertaalt. Grote-taalmodellen (LLM’s) zijn steeds meer het medium waarover wij, als mensheid, communiceren. Of we het nu willen of niet, de invloed van AI in ons dagelijks leven is niet te negeren.
De talloze voorbeelden van problematische output roepen echter vragen op over de fundamenten waarop deze AI-systemen zijn gebouwd. De huidige realiteit vereist onze aandacht niet alleen voor de vertekende resultaten, maar ook voor de verontrustende trend dat AI-systemen een realiteit versterken die niet wordt gevormd door feiten, maar door de inhoud die het meest wordt geciteerd en gedeeld op het internet.
Huidige AI-modellen zijn niet alleen traditioneel bevooroordeeld. Ze worden steeds vaker zo getraind dat ze aansluiten bij de publieke opinie, ongemakkelijke onderwerpen vermijden en soms zelfs ongemakkelijke waarheden verdoezelen. Het recent “sycophantische” gedrag van ChatGPT is geen bug, maar een reflectie van hoe deze modellen zijn geoptimaliseerd voor gebruikersinteractie en -behoud.
Aan de andere kant van het spectrum zien we modellen zoals Grok, die resultaten blijven leveren doordrenkt met samenzweringstheorieën, waaronder uitspraken die historische gruwel daden zoals de Holocaust in twijfel trekken. Of AI nu zo wordt gezuiverd dat deze inhoudsloos wordt, of zo subversief dat deze schade aanricht, beide extremen vervormen de realiteit zoals wij die kennen. Het gemeenschappelijke probleem is duidelijk: wanneer modellen worden geoptimaliseerd voor viraliteit of gebruikersbetrokkenheid boven accuraatheid, wordt de waarheid onderhandelbaar.
Wanneer Gegevens Worden Ingenomen, Niet Gegeven
Deze vervorming van de waarheid in AI-systemen is niet alleen het gevolg van algoritmische tekortkomingen; het begin ligt in de manier waarop gegevens worden verzameld. Wanneer de gegevens die worden gebruikt om deze modellen te trainen, zonder context, toestemming of kwaliteitscontrole worden verzameld, is het geen verrassing dat de grote-taalmodellen die op deze gegevens zijn gebouwd de vooroordelen en blinde vlekken overnemen die inherent zijn aan de ruwe data. Deze risico’s zijn bovendien zichtbaar geworden in rechtszaken in de echte wereld.
Auteurs, artiesten, journalisten en zelfs filmmakers hebben klachten ingediend tegen AI-giganten vanwege het zonder toestemming gebruiken van hun intellectuele eigendom, wat niet alleen juridische zorgen oproept, maar ook morele vragen: wie controleert de gegevens die worden gebruikt om deze modellen op te bouwen, en wie beslist wat echt is en wat niet?
Een verleidelijke oplossing is om te stellen dat we “diversere gegevens” nodig hebben, maar dat is niet voldoende. We hebben dataintegriteit nodig. We moeten systemen ontwikkelen die de oorsprong van deze gegevens kunnen traceren, de context van deze invoer kunnen valideren en vrijwillige deelname kunnen aanmoedigen in plaats van te functioneren in silo’s. Decentralisatie biedt hier een pad voorwaarts. In een gedecentraliseerd kader is menselijke feedback niet slechts een aanvulling, maar een essentiële ontwikkelingspilaar. Individuele bijdragers kunnen helpen bij het bouwen en verfijnen van AI-modellen via real-time validatie op de blockchain. Toestemming wordt dus expliciet ingebouwd, en vertrouwen wordt verifieerbaar.
Een Toekomst Gebouwd op Gedeelde Waarheid, Niet Synthetische Consensus
De realiteit is dat AI niet meer weg te denken is en dat we niet alleen slimmere AI nodig hebben, maar AI die verankerd is in de werkelijkheid. De steeds grotere afhankelijkheid van deze modellen in ons dagelijks leven, of het nu gaat om zoekopdrachten of app-integraties, geeft aan dat gebrekkige output geen geïsoleerde fouten meer zijn; ze beïnvloeden de manier waarop miljoenen mensen de wereld interpreteren.
Een terugkerend voorbeeld van dit probleem zijn de AI-overzichten van Google Search, die berucht zijn vanwege absurde suggesties. Deze zijn niet slechts eigenaardigheden; ze duiden op een dieper probleem: AI-modellen produceren zelfverzekerde maar onjuiste output. Het is cruciaal voor de hele technologiesector om in te zien dat wanneer schaal en snelheid belangrijker zijn dan waarheid en traceerbaarheid, we niet slimmere modellen krijgen, maar overtuigende modellen die zijn getraind om “geloofwaardig” te klinken.
Hoe nu verder? Om een koerscorrectie te maken, hebben we meer nodig dan alleen veiligheidsfilters. De weg voor ons is niet alleen technisch, maar ook participatief. Er is aanzienlijk bewijs dat wijst op de dringende noodzaak om de kring van bijdragers te verbreden, van gesloten trainingen naar open, gemeenschapsgestuurde feedback loops.
Met blockchain-ondersteunde consentprotocollen kunnen bijdragers verifiëren hoe hun gegevens in real-time worden gebruikt om output te vormen. Dit is geen theoretisch concept; projecten zoals het Large-scale Artificial Intelligence Open Network (LAION) testen al systemen voor gemeenschapsfeedback waarbij vertrouwde bijdragers helpen om de door AI gegenereerde antwoorden te verfijnen. Initiatieven zoals Hugging Face werken al samen met leden van de gemeenschap die LLM’s testen en publieke bevindingen delen.
Daarom ligt de uitdaging voor ons niet in de vraag of het mogelijk is, maar in de vraag of we de wil hebben om systemen te bouwen die de mensheid, en niet algoritmes, centraal stellen in de ontwikkeling van AI.
Vraag & Antwoord
Wat zijn de belangrijkste bezorgdheden over de huidige staat van AI?
De belangrijkste bezorgdheden betreffen de vervorming van de waarheid door AI-modellen, die niet alleen bevooroordeeld zijn, maar ook zijn geoptimaliseerd voor gebruikersinteractie ten koste van nauwkeurigheid. Dit leidt tot de productie van onbetrouwbare en soms valse informatie.
Waarom is dataverzameling zo cruciaal voor AI-systemen?
De wijze waarop data wordt verzameld bepaalt de kwaliteit en integriteit van de input voor AI-modellen. Als deze gegevens zonder toestemming of context worden verzameld, erft de AI de inherente vooroordelen en blinde vlekken die deze data bevatten.
Hoe kan decentralisatie de situatie verbeteren?
Decentralisatie biedt een model waarbij menselijke feedback niet alleen welkom is, maar ook een essentieel onderdeel van de ontwikkeling van AI-systemen. Dit stelt individuele bijdragers in staat om hun ervaringen en gegevens controleerbaar in te brengen, wat kan leiden tot betrouwbaardere en evenwichtigere uitkomsten.
