Wat delen alle intelligente wezens?Volgens Yann LeCun, de hoofd-AI-wetenschapper bij Meta, zijn er vier belangrijke eigenschappen. Tijdens de AI Action Summit in Parijs eerder dit jaar kwamen politieke leiders en AI-experts bijeen om de ontwikkeling van AI te bespreken. Tijdens het evenement deelde LeCun zijn fundamentele definitie van intelligentie met IBM’s AI-leider Anthony Annunziata. “Er zijn vier essentiële kenmerken van intelligent gedrag die elk dier—of relatief slimme dier—en zeker mensen bezitten, ” legde hij uit. “Dit zijn het begrijpen van de fysieke wereld, het hebben van persistent geheugen, het vermogen om te redeneren, en het vermogen om te plannen, vooral complexe acties via hiërarchisch plannen. ” LeCun wees erop dat AI, vooral grote taalmodellen, dit niveau nog niet hebben bereikt en dat het integreren van deze vaardigheden een verandering in hun trainingsmethoden zou vereisen. Dit verklaart waarom veel toonaangevende techbedrijven momenteel nieuwe capaciteiten toevoegen aan bestaande modellen terwijl ze strijden om de leidende positie in AI. “Voor het begrijpen van de fysieke wereld train je een apart visionsysteem en koppelt dat aan het grote taalmodel. Voor geheugen gebruik je retrieval augmented generation (RAG), voeg je wat associatief geheugen toe, of schaal je het model simpelweg op, ” zei hij.

(RAG is een techniek ontwikkeld bij Meta om grote taalmodellen te verbeteren door externe kennisbronnen te integreren. ) Toch beschouwt LeCun al die inspanningen als louter “hacks. ” Hij heeft herhaaldelijk een alternatieve aanpak besproken, genaamd wereldgebaseerde modellen, die getraind worden op scenario’s uit de echte wereld en hogere cognitieve vermogens vertonen dan enkel patroonherkenning. In zijn gesprek met Annunziata lichtte hij dit concept verder toe. “Je begint met een idee van de toestand van de wereld op een bepaald tijdstip T, bedenkt een actie, en het wereldmodel voorspelt hoe de toestand van de wereld zal veranderen als reactie op die actie, ” legde hij uit. Echter, omdat de wereld zich ontwikkelt door ontelbare onvoorspelbare mogelijkheden, is de enige haalbare manier om dergelijke modellen te trainen via abstractie. Meta onderzoekt dit concept al met V-JEPA, een model dat in februari publiekelijk werd uitgebracht. Het wordt beschreven als een niet-generatief model dat leert door het voorspellen van ontbrekende of gemaskeerde segmenten in video's. “Het kernidee is dat je niet direct op pixelniveau voorspelt. In plaats daarvan train je een systeem dat werkt op een abstracte representatie van de video, zodat het voorspellingen kan doen binnen die abstractie. Idealiter filtert deze representatie onvoorspelbare details eruit, ” zei LeCun. Deze aanpak weerspiegelt hoe chemisten een fundamentele hiërarchie voor de bouwstenen van materie hebben vastgesteld. “We creëerden abstracties: deeltjes, daarboven atomen, vervolgens moleculen, en uiteindelijk materialen, ” zei hij. “Elke laag filtert een groot deel van de irrelevante informatie uit de lagere lagen, afhankelijk van de taak die voorhanden is. ” In wezen betekent dit dat we de fysieke wereld begrijpen door het construeren van hiërarchieën, wat fundamenteel is voor intelligentie.