14 augustus 2026
De machine denkt … of althans daar lijkt het op
Wie herinnert zich nog de steekkaarten geordend volgens trefwoord, de bibliotheken ingedeeld volgens het decimale systeem? Wie herinnert zich de lijvige encyclopedieën die prominent de boekenkasten vulden en de quasi onbetaalbare gespecialiseerde woordenboeken? Contacten waren veelal gebaseerd op briefwisseling waarbij het weken kon duren om de gevraagde informatie te ontvangen, voor zover die al verstrekt werd. Het leek wel de Republiek der Letteren uit de zestiende en latere eeuwen, maar dan met modernere middelen.
Dat veranderde medio de jaren tachtig met de intrede van de homecomputer. Tien jaar later volgde het world wide web. Mosaic, de eerste grafische browser, dateert van 1993. Het is verrassend te beseffen hoe recent die ontwikkelingen wel zijn.
De ambitie om natuurlijke taal met technische middelen voort te brengen kreeg een nieuwe impuls. In de beginjaren experimenteerde men met programma’s op basis van vastgelegde regels. Hierin schemert de invloed van Chomsky’s transformationele generatieve grammatica herkenbaar door. Helaas leidde dit niet tot bevredigende resultaten.
De universiteit van Tilburg koos voor een andere koers. Men liet de programma’s leren door massa’s voorbeelden en legde daarmee de basis voor een datagestuurd taalmodel. Een goede aanzet zo zou blijken maar voor een radicale doorbraak zorgde de introductie van de ‘transformer’ door Google’s Brain Team. Een enorme hoeveelheid voorbeeldzinnen wordt daarbij omgezet in wiskundige uitdrukkingen waar het systeem vervolgens naar onderlinge verbanden zoekt als basis voor voorspellingen over het ‘beste’ volgende woord. Hierbij staat een ‘aandachtsmechanisme’ centraal dat rekening houdt met de juiste context. ‘Bank’ kan naar een zitmeubel verwijzen maar ook naar een financiële instelling. Het houdt dus rekening met de omringende woorden. Niet alleen de introductie van zoiets als een transformer maar dat meerdere transformers na elkaar of gestapeld op een enorme datapool worden losgelaten, is baanbrekend. Dit is in een notendop wat een LLM of large language model realiseert.
De universiteit van Tilburg koos voor een andere koers. Men liet de programma’s leren door massa’s voorbeelden en legde daarmee de basis voor een datagestuurd taalmodel. Een goede aanzet zo zou blijken maar voor een radicale doorbraak zorgde de introductie van de ‘transformer’ door Google’s Brain Team. Een enorme hoeveelheid voorbeeldzinnen wordt daarbij omgezet in wiskundige uitdrukkingen waar het systeem vervolgens naar onderlinge verbanden zoekt als basis voor voorspellingen over het ‘beste’ volgende woord. Hierbij staat een ‘aandachtsmechanisme’ centraal dat rekening houdt met de juiste context. ‘Bank’ kan naar een zitmeubel verwijzen maar ook naar een financiële instelling. Het houdt dus rekening met de omringende woorden. Niet alleen de introductie van zoiets als een transformer maar dat meerdere transformers na elkaar of gestapeld op een enorme datapool worden losgelaten, is baanbrekend. Dit is in een notendop wat een LLM of large language model realiseert.
Deze voorstelling is al te simplistisch, maar ze wil slechts het grondpatroon schetsen waarbij regelgebaseerde systemen ingeruild worden voor het gebruik van enorme hoeveelheden voorbeelden waar waarschijnlijkheidsberekening op wordt toegepast. Merk op dat het proces uitdrukking vindt in mathematische termen die slechts in de laatste fase een omzetting krijgen in natuurlijke taal.
Dat zegt meteen ook iets over het fundamentele verschil met hoe mensen denken en taal gebruiken.
Dat zegt meteen ook iets over het fundamentele verschil met hoe mensen denken en taal gebruiken.
_Het probleem
Het recente karakter van deze ontwikkelingen valt op. Bovendien dat zo’n taalmodel niet alleen informatie levert maar daarbij een vorm aanneemt die verdacht veel lijkt op redeneren zoals een mens dat doet. Pattie Maes, een Vlaamse professor aan het befaamde MIT spreekt dat in De Standaard (11 juli 2026) tegen. Volgens haar redeneert een large language model niet maar dat is het punt hier niet. Wat intrigeert is dat het taalgebruik van een LLM zo sterk op menselijk redeneren lijkt. In een Chinese Room opstelling waarbij in het Chinees geschreven berichten door een gleuf in de deur naar binnen toe worden aangereikt en later ook in het Chinees worden beantwoord, zou ik onmogelijk kunnen uitmaken of achter die deur een mens of een LLM zit. Vandaar de vraag, hoe slaagt het ‘ding’ erin zich als een mens voor te doen?
We vragen het een LLM zelf. Mijn inbreng beperkt zich tot het zo begrijpelijk mogelijk voor te stellen.
We vragen het een LLM zelf. Mijn inbreng beperkt zich tot het zo begrijpelijk mogelijk voor te stellen.
_Het antwoord
Het zoeken naar de relevante data
Een eerste stap wijst op het verschil tussen het opzoeken van relevante data en het verbinden van elementen die een zekere verwantschap vertonen. In het eerste geval zoekt het systeem op een directe manier naar teksten waarin het trefwoord een belangrijke rol speelt. Denk aan zoekmachines vóór AI op de proppen kwam.
De tweede methode en hierbij moet men vooral in rekening nemen dat krachtige computers toelaten enorme aantallen gegevens in een oogwenk te verwerken, zoekt naar het voorkomen van het trefwoord in de globaal beschikbare verzameling data – het hele www – en kent die een waarde toe gebaseerd bijvoorbeeld op de centraliteit van de term in gevonden teksten. Als ‘Lukaku’ steeds voorkomt in een context van voetbal en nooit in deze van de scheepvaart, dan zal dat in het eerste geval een waarde van 0,9 krijgen en in het tweede 0,0. Data worden gebruikmakend van een bepaald criterium geselecteerd, een relationele synthese dus en niet op grond van de direct geassocieerde betekenis (rechtstreeks Lukaku googelen). Overigens moet de resulterende selectie niet gezien worden als een gesloten verzameling maar als een richting waarin ‘men’ moet uitkijken (vectorieel). Wie zich iets kan voorstellen bij vectoren en vage logica denkt in de goede richting.
Die aanpak toont een zekere affiniteit met hoe de mens doorgaans denkt, namelijk dikwijls gebruikmakend van eerder vaag omschreven concepten die een bepaalde richting uitwijzen (we weten wel wat intelligentie is, maar vraag niet om het precies te definiëren).
De tweede methode en hierbij moet men vooral in rekening nemen dat krachtige computers toelaten enorme aantallen gegevens in een oogwenk te verwerken, zoekt naar het voorkomen van het trefwoord in de globaal beschikbare verzameling data – het hele www – en kent die een waarde toe gebaseerd bijvoorbeeld op de centraliteit van de term in gevonden teksten. Als ‘Lukaku’ steeds voorkomt in een context van voetbal en nooit in deze van de scheepvaart, dan zal dat in het eerste geval een waarde van 0,9 krijgen en in het tweede 0,0. Data worden gebruikmakend van een bepaald criterium geselecteerd, een relationele synthese dus en niet op grond van de direct geassocieerde betekenis (rechtstreeks Lukaku googelen). Overigens moet de resulterende selectie niet gezien worden als een gesloten verzameling maar als een richting waarin ‘men’ moet uitkijken (vectorieel). Wie zich iets kan voorstellen bij vectoren en vage logica denkt in de goede richting.
Die aanpak toont een zekere affiniteit met hoe de mens doorgaans denkt, namelijk dikwijls gebruikmakend van eerder vaag omschreven concepten die een bepaalde richting uitwijzen (we weten wel wat intelligentie is, maar vraag niet om het precies te definiëren).
Het karakter van tijdelijkheid
De mens denkt serieel, het ene element na het andere wat het proces uitsmeert over de tijd. De computer en het daarop geïmplementeerde LLM-systeem ziet/verwerkt alle data gelijktijdig. Eén grafische processor kan tot 24.000 kernen bevatten die bovendien onderling samenwerken. Die tijdelijke dimensie komt hierbij niet voor. Maar deel uitmakend van de training werd het systeem geconfronteerd met de menselijke opbouw van thesis, antithesis, tegenwerping, meegaan in de redenering enzovoort, wat het als stijl gaat simuleren. Het noemt het zelf als ‘een retorische simulatie van cognitieve bescheidenheid’ (sic). Dit illustreert scherp dat het niet alleen bijzonder vaardig is in het verwerken van informatie maar ook een module heeft die bij de presentatie de mens gaat nadoen.
Een stochastische bemonstering en de temperatuur
Het Grieks ‘stochos’ betekent doel, gok, toeval, kans. Stochastische bemonstering betekent dat de LLM het veld (data pool onderworpen aan het aandachtsmechanisme) aftast rekening houdend met de mate van waarschijnlijkheid (dat een bepaalde term voor zal komen). Nogal simplistisch verwoord: een LLM is in de kern een voorspellingsmachine. Ook daarbij komt een aangeleerde manier van verwoorden aan de orde. Het systeem heeft geleerd om occasioneel creatief om te gaan met verwoordingen om aan de uitdrukking een poëtisch karakter te geven. Bijvoorbeeld, iets ‘vorm geven’ wordt iets ‘aankleden als’.
Herinner u, we zoeken naar de kunstgrepen om het eindproduct op dat van een mens te doen lijken. Ook ‘temperatuur’ draagt daartoe bij. Veronderstel dat het een beperkte lijst mogelijkheden heeft om het volgende woord in te vullen. Maar bij de uiteindelijke keuze speelt de probleemstelling ook een rol. Stel dat het probleem van mathematische aard is, dan zal preciesheid de doorslag geven. Met andere woorden, de uitkomst (de formulering) die daar best bij past zal voorkeur genieten terwijl in de context waarin een gedicht opgesteld moet worden een kandidaat die getuigt van creativiteit verkozen wordt. Men zou over ‘dichterlijke vrijheid’ kunnen spreken.
Herinner u, we zoeken naar de kunstgrepen om het eindproduct op dat van een mens te doen lijken. Ook ‘temperatuur’ draagt daartoe bij. Veronderstel dat het een beperkte lijst mogelijkheden heeft om het volgende woord in te vullen. Maar bij de uiteindelijke keuze speelt de probleemstelling ook een rol. Stel dat het probleem van mathematische aard is, dan zal preciesheid de doorslag geven. Met andere woorden, de uitkomst (de formulering) die daar best bij past zal voorkeur genieten terwijl in de context waarin een gedicht opgesteld moet worden een kandidaat die getuigt van creativiteit verkozen wordt. Men zou over ‘dichterlijke vrijheid’ kunnen spreken.
Verandering van mening
In een conversatie met een LLM kunnen nieuwe elementen aangevoerd worden. Dit leidt ertoe dat er in de antwoorden van de LLM ook andere contexten (nuances bijvoorbeeld) worden aangebracht. Voor de LLM is dit puur een technische om maar niet te zeggen machinale reactie terwijl het de gebruiker overkomt als een overweging van een argument. Dit is echter een puur menselijke zaak en daar menselijkheid aan toeschrijven zou Ryle een category mistake noemen. Menselijkheid is een kwalificatie die op geen enkele manier op machines toegepast kan worden omdat beide van een geheel andere orde zijn.
Bekrachtiging op grond van menselijke feedback
De uitkomsten worden (werden?) tijdens het leerproces aan menselijke beoordelaars – veelal laagbetaalde Afrikanen – voorgelegd die het een waardering toekennen. Die heroriënteerden de uitkomsten niet alleen naar de stijl van menselijke conversatie zelfs met respect voor prosodie maar ook naar wenselijk geachte uitspraken zoals het weren van ethisch niet aanvaardbare stereotyperingen. Dit heet ‘prompt conditioning’ waarbij het systeem getraind wordt om in te haken op de stijl van de gebruiker en van de culturele context.
Samenvattend
De vraag was niet hoe realiseert een LLM een gepast antwoord maar, hoe doet het uitschijnen alsof het door een mens wordt voortgebracht. Het maakt gebruik van vaagheid van termen zoals dat ook bij mensen voorkomt. Het relateert de betekenis tot de context. Hoewel een LLM breed en in het moment werkt, bouwt het stapsgewijze en dus in een tijdsverloop een antwoord op. Het kiest termen rekening houdend met de context (contextuele bepaaldheid of dichterlijke vrijheid). De relativering van een context suggereert overweging. De menselijke bijsturing heeft een belangrijke inbreng tot de uiteindelijke menselijk lijkende presentatie.
_Tot slot
We stellen vast dat wat een LLM biedt sterk lijkt op dat wat door een mens wordt voortgebracht, zodanig zelfs dat het quasi onmogelijk lijkt op grond van het eindproduct de aard van de bron aan te duiden.
Wat betekent dat voor het begrijpen van de aard van het menselijk denken? Ik heb het bij deze vraag niet over de wijze van voortbrengen, er zijn genoeg elementen om daar verschil in te ontdekken (stochastisch versus semantische velden om maar wat te noemen). Wat ik bedoel is dat dit kan aantonen dat het menselijk denken niet mentaal-mysterieus is en misschien wel voortkomt uit de implementatie van mechanicistische procedures op discrete eenheden.
Wat betekent dat voor het begrijpen van de aard van het menselijk denken? Ik heb het bij deze vraag niet over de wijze van voortbrengen, er zijn genoeg elementen om daar verschil in te ontdekken (stochastisch versus semantische velden om maar wat te noemen). Wat ik bedoel is dat dit kan aantonen dat het menselijk denken niet mentaal-mysterieus is en misschien wel voortkomt uit de implementatie van mechanicistische procedures op discrete eenheden.