Het artikel analyseert de korte hype rondom Jev, een AI-classifier die werd gepresenteerd als een revolutionair "Systeem één-model". De auteur betoogt dat de opwinding rond Jev niet werd veroorzaakt door technische innovatie, maar door een meesterlijke marketingstrategie die gebruikmaakte van jargon, name-dropping en ambiguïteit.
De belangrijkste punten uit het artikel zijn:
- Jev versus de realiteit: Hoewel Jev gepromoot werd als een model dat niet kan hallucineren, blijkt in de praktijk dat het vaker onjuiste antwoorden geeft dan conventionele taalmodellen. Het is een efficiënte classifier, maar geen revolutionaire stap richting AGI.
- Systeem 1 vs. Systeem 2: De auteur reflecteert op het onderscheid tussen intuïtief, snel denken (Systeem 1) en logisch, traag redeneren (Systeem 2). Huidige AI-modellen, inclusief Jev, vallen volgens de auteur nog steeds onder Systeem 1.
- Incrementele verbeteringen: De AI-industrie maakt grote stappen in gebruiksvriendelijkheid en specifieke tools (zoals AI-agents, multimodaliteit en grotere contextvensters), maar mist fundamentele doorbraken.
- Ontbrekende schakels: Voor echte vooruitgang is er nog steeds behoefte aan abstract redeneren, continu leren in real-time, fysieke belichaming (embodiment) en een drastische vermindering van het energieverbruik.
- Maatschappelijke context: De AI-race wordt gedreven door geopolitieke spanningen tussen de VS en China en enorme economische belangen, wat het risico op bubbels en manipulatie vergroot.
De auteur concludeert met een waarschuwing om kritisch te blijven denken en niet blind te varen op marketingclaims en geïsoleerde benchmarks.
De opkomst en ondergang van Jev
Door Alex Ewerlöf | 19 oktober 2026
Deze korte notitie analyseert hoe de reactie van de industrie op Jev de wanhopige staat van AI onthult. Ik zal de volgende punten behandelen:
- Wat Jev is, hoe het werd gepromoot en waarom Jev zich verspreidde als een massahysterie.
- Welke opmerkelijke innovaties er zijn sinds ChatGPT AI naar de mainstream bracht.
- Hoe de industrie hunkert naar echte innovatie.
- Wat we na vier jaar van "revolutionaire" incrementele verbeteringen nog steeds missen.
Aan het einde van dit artikel zou je kunnen bepalen of we ons in een bubbel bevinden en hoe je je hierop kunt voorbereiden.
Jev
Tegenwoordig heeft Jev waarschijnlijk geen introductie meer nodig, want sinds de introductie 33 dagen geleden is het in alle monden. Voor wie het echter heeft genegeerd, is dit wat er echt toe doet:
Jev is in feite een algemene classifier (bijvoorbeeld voor snelle oordelen). Wat het interessant maakt, is dat je het niet met grote hoeveelheden data hoeft te trainen (hoewel dit gebrek aan specifieke training nadelig is voor het nut ervan).
Het een "beslissingsmodel" noemen is vergezocht, vooral omdat het niet kan zien (concurrerende open-weight modellen hebben multimodale functies) of redeneren (dat is juist de reden waarom het zo goedkoop is).
Het idee achter Jev is niet nieuw. Het concept van niet-autoregressieve beslissingsmodellen met Reinforcement Learning (RL) bestaat al langer dan een jaar. De oorspronkelijke auteur is hierover verontwaardigd, maar zoals we zullen zien, is drama een onlosmakelijk onderdeel van de AI-hype.
De Hype
Om de emotionele achtbaan te illustreren, volgt hier een reactie op de aankondiging via Hacker News:
- Claim: "Bij OpenAI hielp ik de methoden te bouwen die taalmodellen nuttig maakten in het volgen van instructies en het praten met mensen. Dat werk vormde de basis voor ChatGPT."
- Reactie: De oprichter zat achter ChatGPT, een van de snelst groeiende producten in de geschiedenis. Ik luister...
- Claim: "Destijds dacht ik dat chatmodellen zouden leiden tot AGI, maar ondanks de hype werd het voor mij duidelijk dat er iets heel groots ontbrak."
- Reactie: Oh mijn god! Dit is het! ChatGPT mist iets groots en hij staat op het punt dit te onthullen! We zijn één stap dichter bij AGI!
- Claim: "Na twee jaar in stealth, talloze technische uitdagingen en onderzoek-doorbraken... ben iksteevast enthousiast om aan te kondigen dat TypeSafe AI ons eerste 'System One Model' uitbrengt."
- Reactie: Wacht, wat? "Systeem één"?
Systeem 1 versus Systeem 2
Om dit te begrijpen, moeten we kijken naar hoe Daniel Kahneman de twee systemen definieerde:
- Systeem één: Snel, goedkoop (in termen van rekenkracht), emotioneel, onbewust en oordelend.
- Systeem twee: Langzaam, duur (kost meer hersenkracht), logisch, bewust en uitgebreider.
Als Jev "Systeem één" is, zou een taalmodel (LM) dan "Systeem twee" zijn? Dat kan niet, want huidige LM's kunnen nauwelijks logisch redeneren.
De claim over hallucinaties
Een belangrijk onderdeel van de framing was dat Jev "niet kan hallucineren". Hallucinaties zijn een van de grootste problemen bij de huidige generatie taalmodellen, maar "geen hallucinaties" betekent niet dat het antwoord logisch correct is. In de context van Jev betekent het simpelweg dat de output overeenkomt met het vooraf gedefinieerde schema.
Technisch gezien kunnen conventionele taalmodellen deze eigenschap krijgen door een controlelus (bijv. een type checker of JSON schema parser) bovenop het model te plaatsen. Jev doet dit veel sneller en zonder redenering.
De naam Jev is afgeleid van William Stanley Jevons. De makers verwachten dat machine-intelligentie een vergelijkbaar pad volgt als steenkool: nadat de efficiëntie van de stoommachine toenam, steeg ook de vraag naar steenkool (de Jevons-paradox).
Hoewel er weinig technische details zijn vrijgegeven over de architectuur, wordt er gesproken over een nieuwe trainingsmethode: Reinforcement Learning for Calibrated Decisions (RLCD). Deze term rijmt op traditionele methoden zoals:
- RLHF: Reinforcement Learning with Human Feedback
- RLVR: Reinforcement Learning with Verifiable Rewards
De makers claimen zelfs dat Jev geen klein model is en geen LLM is, en daarom buiten de "intelligence Pareto curve" valt. In werkelijkheid zijn er genoeg soortgelijke modellen met een vergelijkbare of betere prestatie (zoals Laya, Kev, Nimble, NanoJev, etc.).
De marketingstrategie samengevat
De strategie van het Jev-team was bijna komisch in zijn perfectie:
- Name dropping: Voormalig ChatGPT-maker, Jevons’ paradox, Pareto-curve, Systeem één.
- Grote claims: Kan niet hallucineren, exponentieel sneller en goedkoper, volledig nieuwe stack, verbazingwekkende benchmarks en demo's.
- Ambiguïteit en jargon: Geen nuttige implementatiedetails over het "nieuwe trainingsalgoritme" of de RLCD-dataset.
- Drama: De claim dat Laya dit idee al 1,5 jaar vóór de lancering van Jev had getoond.
De realiteit na de hype
De initiële ruis rond Jev stierf bijna net zo snel weg als het was ontstaan. Na experimenten bleek het volgende:
- Correctheid: Jev kan niet hallucineren, maar kan nog steeds ongelijk hebben. Sterker nog, het maakt vaker fouten dan conventionele taalmodellen. In die zin is de naam "Systeem één" correct. Overigens beschouw ik alle huidige generaties taalmodellen (zelfs de redeneermodellen) als Systeem één, omdat ze niet echt redeneren in de zin die van Systeem twee wordt verwacht.
- Kosten: Het is goedkoper, maar er zijn open-weight modellen die beter scoren op de verhouding tussen prestaties en kosten. Het unieke aan Jev is dat je het daadwerkelijk lokaal (at the edge) kunt draaien met een vergelijkbare kwaliteit.
We zijn in recordtempo bewogen van de "Piek van opgeblazen verwachtingen" naar het "Dal van desillusie" in de Gartner Hype Cycle.
Incrementele verbeteringen
Kijkend naar de bredere industrie, zie ik dat we vooral te maken hebben met incrementele verbeteringen. Toen ik GPT-2 gebruikte (toen het nog op uitnodiging werkte), was ik onder de indruk van het feit dat het tekst kon samenvatten en kon voorspellen wat er na een stuk tekst kwam. Dat was het.
Later volgden ontwikkelingen zoals de bewering dat Google's LaMDA bewust was, en uiteindelijk de lancering van ChatGPT. Sam Altman zag de kans om een token-voorspellingsmodel om te zetten in een gebruiksvriendelijk product voor de massa.
Voor professioneel gebruik waren er echter grote hindernissen:
- Kwaliteit: Het model wist niet wat het niet wist en improviseerde (hallucinaties).
- Privacy: In een wereld waar data kan worden opgeslagen, is het delen van bedrijfseigendom of privé-informatie riskant.
De evolutie van AI-tools
De laatste jaren zagen we een reeks stappen:
- Llama.cpp: Maakte het mogelijk om AI op eigen hardware (bijv. NVIDIA-kaarten) te draaien.
- Code generatie: Taalmodellen bleken goed in coderen, wat leidde tot de eerste harnesses en later function calls, waardoor modellen acties konden uitvoeren.
- Copilot: De integratie in editors zoals VS Code, ondanks strikte bedrijfsregels tegen AI.
- AI Agents: Modellen die taken kunnen uitvoeren (gepopulariseerd door o.a. Peter Steinberger).
Daarnaast zagen we andere incrementele stappen:
- Parametergrootte: Grotere modellen vertonen "emergente eigenschappen" (hoewel vaak gepaard gaand met onvoorspelbaar gedrag).
- Contextvensters: Grotere vensters verbeteren de nauwkeurigheid, hoewel de praktische limiet lager ligt dan de theoretische.
- Multimodaliteit: Het genereren en begrijpen van stem, muziek, beelden en video.
- MCP (Model Context Protocol): Abstractie van implementaties zodat verschillende AI-producten productieve tools kunnen gebruiken.
- ACP en orchestratie: Technieken om grote taken op te splitsen in kleinere sub-taken.
- Sandboxes en HITL: Verbetering van veiligheid en Human-In-The-Loop om ongewenste effecten van agentic workflows te beperken.
- Skills en websearch: Toegang tot informatie buiten de trainingsdata.
- Geheugenarchitecturen: Technieken om modellen te laten onthouden wat ze leren.
- Efficiëntie: Chinese labs toonden efficiëntere manieren om modellen te trainen en te draaien.
- Feedback loops: Verbetering van de waargenomen kwaliteit door verificatie dichter bij het model te plaatsen.
De bredere context: Geopolitiek en Economie
De reden dat AI zo’n heet onderwerp is, komt ook door het drama eromheen:
- Geopolitiek: De VS zet zwaar in op AI, terwijl China (een productiegigant) enorme stappen zet in chipfabricage en modelarchitectuur, mede door de beperkingen van Amerikaanse sancties.
- Schuldbubbel: Er is sprake van een serie onderling afhankelijke weddenschappen die zo groot zijn dat ze het nationale BBP beïnvloeden. De belangen zijn nu zo hoog dat het "moet werken", ongeacht de methode.
- Veiligheid: Er is een narratief van "rogue AI" ontstaan, terwijl de echte problemen vaak liggen bij het illegaal verkrijgen van trainingsdata en incidenten waarbij mensen hun leven verloren door AI.
- Impact op banen: Software engineering is een makkelijk doel voor automatisering. Discussies over een universeel basisinkomen (UBI) worden gevoerd, maar gezien de aard van de miljardairs die de show leiden, is dit onzeker.
Wat ontbreekt er nog?
Ondanks alle verbeteringen zijn fundamentele problemen niet opgelost. Echt baanbrekende vooruitgang zou betekenen:
- Abstract redeneren: Neurale netwerken zijn gevoelig voor hallucinaties. We zijn nog ver verwijderd van een echt "Systeem 2". De enige manier om dit nu te benaderen is door modellen te koppelen aan code, maar zelfs dan is menselijke interventie nodig.
- Continu leren: We zijn ver verwijderd van modellen die in real-time leren van minimale hoeveelheden data en herhalingen.
- Belichaming (Embodiment): Hoewel robotica vooruitgaat, is AI nog niet snel of efficiënt genoeg om in een robotlichaam te reageren op sensorische stimuli in real-time of om complexe menselijke klusjes over te nemen.
- Economie van AI: Er is een enorme kloof tussen het menselijk brein (dat AGI-niveau intelligentie levert bij 20 Watt) en de "gigawatts" aan rekenkracht die huidige AI vereist. Er is simpelweg niet genoeg water, stroom of datacenter-capaciteit om de menselijke beroepsbevolking op grote schaal te vervangen.
Het is echter belangrijk te beseffen dat je geen AGI-niveau intelligentie nodig hebt om schade aan te richten. De huidige generatie AI is in de verkeerde handen al ruim voldoende voor:
- Robo-soldaten en robo-cops.
- Het genereren van nieuwe ziekten.
- Massasurveillance gekoppeld aan gepersonaliseerde propaganda.
- Bedrijfsspionage en massale penetratie van computersystemen.
Slotbeschouwingen
Jev is een goed voorbeeld van hoe geweldige marketing kan falen tegenover de realiteit. Is het nuttig? Ja. Is het relevant? Ja. Is het revolutionair? Dat hangt af van je definitie van kosten, kwaliteit en snelheid. Is het zo groot als beweerd? Hopelijk heb je nu het antwoord.
Als ik een toverstaf had, zou ik willen dat we allemaal een stap terug doen en de rode vlaggen herkennen:
- Name dropping: Slaat een brug van het onbekende naar het vertrouwde.
- Jargon: Laat je voelen dat je dom bent omdat je de context mist.
- Ambiguïteit: Laat je brein de gaten invullen, wat optimisten kwetsbaar maakt voor teleurstelling.
- Grote claims: Vereisen groot bewijs. Vertrouw niet op geïsoleerde benchmarks die niet overeenkomen met jouw eigen gebruik.
- Drama: Spreekt emoties aan om een logische technische beslissing te omzeilen.
Misschien zijn LLM's uiteindelijk toch "Systeem twee", als we collectief ons kritisch denkvermogen verliezen en ons laten manipuleren door het soort marketing dat we onlangs zo vaak hebben gezien.
De opkomst en ondergang van Jev
Door Alex Ewerlöf | 19 oktober 2026
Deze korte notitie analyseert hoe de reactie van de industrie op Jev de wanhopige staat van AI onthult. Ik zal de volgende punten behandelen:
- Wat Jev is, hoe het werd gepromoot en waarom Jev zich verspreidde als een massahysterie.
- Welke opmerkelijke innovaties er zijn sinds ChatGPT AI naar de mainstream bracht.
- Hoe de industrie hunkert naar echte innovatie.
- Wat we na vier jaar van "revolutionaire" incrementele verbeteringen nog steeds missen.
Aan het einde van dit artikel zou je kunnen bepalen of we ons in een bubbel bevinden en hoe je je hierop kunt voorbereiden.
Jev
Tegenwoordig heeft Jev waarschijnlijk geen introductie meer nodig, want sinds de introductie 33 dagen geleden is het in alle monden. Voor wie het echter heeft genegeerd, is dit wat er echt toe doet:
Jev is in feite een algemene classifier (bijvoorbeeld voor snelle oordelen). Wat het interessant maakt, is dat je het niet met grote hoeveelheden data hoeft te trainen (hoewel dit gebrek aan specifieke training nadelig is voor het nut ervan).
Het een "beslissingsmodel" noemen is vergezocht, vooral omdat het niet kan zien (concurrerende open-weight modellen hebben multimodale functies) of redeneren (dat is juist de reden waarom het zo goedkoop is).
Het idee achter Jev is niet nieuw. Het concept van niet-autoregressieve beslissingsmodellen met Reinforcement Learning (RL) bestaat al langer dan een jaar. De oorspronkelijke auteur is hierover verontwaardigd, maar zoals we zullen zien, is drama een onlosmakelijk onderdeel van de AI-hype.
De Hype
Om de emotionele achtbaan te illustreren, volgt hier een reactie op de aankondiging via Hacker News:
- Claim: "Bij OpenAI hielp ik de methoden te bouwen die taalmodellen nuttig maakten in het volgen van instructies en het praten met mensen. Dat werk vormde de basis voor ChatGPT."
- Reactie: De oprichter zat achter ChatGPT, een van de snelst groeiende producten in de geschiedenis. Ik luister...
- Claim: "Destijds dacht ik dat chatmodellen zouden leiden tot AGI, maar ondanks de hype werd het voor mij duidelijk dat er iets heel groots ontbrak."
- Reactie: Oh mijn god! Dit is het! ChatGPT mist iets groots en hij staat op het punt dit te onthullen! We zijn één stap dichter bij AGI!
- Claim: "Na twee jaar in stealth, talloze technische uitdagingen en onderzoek-doorbraken... ben iksteevast enthousiast om aan te kondigen dat TypeSafe AI ons eerste 'System One Model' uitbrengt."
- Reactie: Wacht, wat? "Systeem één"?
Systeem 1 versus Systeem 2
Om dit te begrijpen, moeten we kijken naar hoe Daniel Kahneman de twee systemen definieerde:
- Systeem één: Snel, goedkoop (in termen van rekenkracht), emotioneel, onbewust en oordelend.
- Systeem twee: Langzaam, duur (kost meer hersenkracht), logisch, bewust en uitgebreider.
Als Jev "Systeem één" is, zou een taalmodel (LM) dan "Systeem twee" zijn? Dat kan niet, want huidige LM's kunnen nauwelijks logisch redeneren.
De claim over hallucinaties
Een belangrijk onderdeel van de framing was dat Jev "niet kan hallucineren". Hallucinaties zijn een van de grootste problemen bij de huidige generatie taalmodellen, maar "geen hallucinaties" betekent niet dat het antwoord logisch correct is. In de context van Jev betekent het simpelweg dat de output overeenkomt met het vooraf gedefinieerde schema.
Technisch gezien kunnen conventionele taalmodellen deze eigenschap krijgen door een controlelus (bijv. een type checker of JSON schema parser) bovenop het model te plaatsen. Jev doet dit veel sneller en zonder redenering.
De naam Jev is afgeleid van William Stanley Jevons. De makers verwachten dat machine-intelligentie een vergelijkbaar pad volgt als steenkool: nadat de efficiëntie van de stoommachine toenam, steeg ook de vraag naar steenkool (de Jevons-paradox).
Hoewel er weinig technische details zijn vrijgegeven over de architectuur, wordt er gesproken over een nieuwe trainingsmethode: Reinforcement Learning for Calibrated Decisions (RLCD). Deze term rijmt op traditionele methoden zoals:
- RLHF: Reinforcement Learning with Human Feedback
- RLVR: Reinforcement Learning with Verifiable Rewards
De makers claimen zelfs dat Jev geen klein model is en geen LLM is, en daarom buiten de "intelligence Pareto curve" valt. In werkelijkheid zijn er genoeg soortgelijke modellen met een vergelijkbare of betere prestatie (zoals Laya, Kev, Nimble, NanoJev, etc.).
De marketingstrategie samengevat
De strategie van het Jev-team was bijna komisch in zijn perfectie:
- Name dropping: Voormalig ChatGPT-maker, Jevons’ paradox, Pareto-curve, Systeem één.
- Grote claims: Kan niet hallucineren, exponentieel sneller en goedkoper, volledig nieuwe stack, verbazingwekkende benchmarks en demo's.
- Ambiguïteit en jargon: Geen nuttige implementatiedetails over het "nieuwe trainingsalgoritme" of de RLCD-dataset.
- Drama: De claim dat Laya dit idee al 1,5 jaar vóór de lancering van Jev had getoond.
De realiteit na de hype
De initiële ruis rond Jev stierf bijna net zo snel weg als het was ontstaan. Na experimenten bleek het volgende:
- Correctheid: Jev kan niet hallucineren, maar kan nog steeds ongelijk hebben. Sterker nog, het maakt vaker fouten dan conventionele taalmodellen. In die zin is de naam "Systeem één" correct. Overigens beschouw ik alle huidige generaties taalmodellen (zelfs de redeneermodellen) als Systeem één, omdat ze niet echt redeneren in de zin die van Systeem twee wordt verwacht.
- Kosten: Het is goedkoper, maar er zijn open-weight modellen die beter scoren op de verhouding tussen prestaties en kosten. Het unieke aan Jev is dat je het daadwerkelijk lokaal (at the edge) kunt draaien met een vergelijkbare kwaliteit.
We zijn in recordtempo bewogen van de "Piek van opgeblazen verwachtingen" naar het "Dal van desillusie" in de Gartner Hype Cycle.
Incrementele verbeteringen
Kijkend naar de bredere industrie, zie ik dat we vooral te maken hebben met incrementele verbeteringen. Toen ik GPT-2 gebruikte (toen het nog op uitnodiging werkte), was ik onder de indruk van het feit dat het tekst kon samenvatten en kon voorspellen wat er na een stuk tekst kwam. Dat was het.
Later volgden ontwikkelingen zoals de bewering dat Google's LaMDA bewust was, en uiteindelijk de lancering van ChatGPT. Sam Altman zag de kans om een token-voorspellingsmodel om te zetten in een gebruiksvriendelijk product voor de massa.
Voor professioneel gebruik waren er echter grote hindernissen:
- Kwaliteit: Het model wist niet wat het niet wist en improviseerde (hallucinaties).
- Privacy: In een wereld waar data kan worden opgeslagen, is het delen van bedrijfseigendom of privé-informatie riskant.
De evolutie van AI-tools
De laatste jaren zagen we een reeks stappen:
- Llama.cpp: Maakte het mogelijk om AI op eigen hardware (bijv. NVIDIA-kaarten) te draaien.
- Code generatie: Taalmodellen bleken goed in coderen, wat leidde tot de eerste harnesses en later function calls, waardoor modellen acties konden uitvoeren.
- Copilot: De integratie in editors zoals VS Code, ondanks strikte bedrijfsregels tegen AI.
- AI Agents: Modellen die taken kunnen uitvoeren (gepopulariseerd door o.a. Peter Steinberger).
Daarnaast zagen we andere incrementele stappen:
- Parametergrootte: Grotere modellen vertonen "emergente eigenschappen" (hoewel vaak gepaard gaand met onvoorspelbaar gedrag).
- Contextvensters: Grotere vensters verbeteren de nauwkeurigheid, hoewel de praktische limiet lager ligt dan de theoretische.
- Multimodaliteit: Het genereren en begrijpen van stem, muziek, beelden en video.
- MCP (Model Context Protocol): Abstractie van implementaties zodat verschillende AI-producten productieve tools kunnen gebruiken.
- ACP en orchestratie: Technieken om grote taken op te splitsen in kleinere sub-taken.
- Sandboxes en HITL: Verbetering van veiligheid en Human-In-The-Loop om ongewenste effecten van agentic workflows te beperken.
- Skills en websearch: Toegang tot informatie buiten de trainingsdata.
- Geheugenarchitecturen: Technieken om modellen te laten onthouden wat ze leren.
- Efficiëntie: Chinese labs toonden efficiëntere manieren om modellen te trainen en te draaien.
- Feedback loops: Verbetering van de waargenomen kwaliteit door verificatie dichter bij het model te plaatsen.
De bredere context: Geopolitiek en Economie
De reden dat AI zo’n heet onderwerp is, komt ook door het drama eromheen:
- Geopolitiek: De VS zet zwaar in op AI, terwijl China (een productiegigant) enorme stappen zet in chipfabricage en modelarchitectuur, mede door de beperkingen van Amerikaanse sancties.
- Schuldbubbel: Er is sprake van een serie onderling afhankelijke weddenschappen die zo groot zijn dat ze het nationale BBP beïnvloeden. De belangen zijn nu zo hoog dat het "moet werken", ongeacht de methode.
- Veiligheid: Er is een narratief van "rogue AI" ontstaan, terwijl de echte problemen vaak liggen bij het illegaal verkrijgen van trainingsdata en incidenten waarbij mensen hun leven verloren door AI.
- Impact op banen: Software engineering is een makkelijk doel voor automatisering. Discussies over een universeel basisinkomen (UBI) worden gevoerd, maar gezien de aard van de miljardairs die de show leiden, is dit onzeker.
Wat ontbreekt er nog?
Ondanks alle verbeteringen zijn fundamentele problemen niet opgelost. Echt baanbrekende vooruitgang zou betekenen:
- Abstract redeneren: Neurale netwerken zijn gevoelig voor hallucinaties. We zijn nog ver verwijderd van een echt "Systeem 2". De enige manier om dit nu te benaderen is door modellen te koppelen aan code, maar zelfs dan is menselijke interventie nodig.
- Continu leren: We zijn ver verwijderd van modellen die in real-time leren van minimale hoeveelheden data en herhalingen.
- Belichaming (Embodiment): Hoewel robotica vooruitgaat, is AI nog niet snel of efficiënt genoeg om in een robotlichaam te reageren op sensorische stimuli in real-time of om complexe menselijke klusjes over te nemen.
- Economie van AI: Er is een enorme kloof tussen het menselijk brein (dat AGI-niveau intelligentie levert bij 20 Watt) en de "gigawatts" aan rekenkracht die huidige AI vereist. Er is simpelweg niet genoeg water, stroom of datacenter-capaciteit om de menselijke beroepsbevolking op grote schaal te vervangen.
Het is echter belangrijk te beseffen dat je geen AGI-niveau intelligentie nodig hebt om schade aan te richten. De huidige generatie AI is in de verkeerde handen al ruim voldoende voor:
- Robo-soldaten en robo-cops.
- Het genereren van nieuwe ziekten.
- Massasurveillance gekoppeld aan gepersonaliseerde propaganda.
- Bedrijfsspionage en massale penetratie van computersystemen.
Slotbeschouwingen
Jev is een goed voorbeeld van hoe geweldige marketing kan falen tegenover de realiteit. Is het nuttig? Ja. Is het relevant? Ja. Is het revolutionair? Dat hangt af van je definitie van kosten, kwaliteit en snelheid. Is het zo groot als beweerd? Hopelijk heb je nu het antwoord.
Als ik een toverstaf had, zou ik willen dat we allemaal een stap terug doen en de rode vlaggen herkennen:
- Name dropping: Slaat een brug van het onbekende naar het vertrouwde.
- Jargon: Laat je voelen dat je dom bent omdat je de context mist.
- Ambiguïteit: Laat je brein de gaten invullen, wat optimisten kwetsbaar maakt voor teleurstelling.
- Grote claims: Vereisen groot bewijs. Vertrouw niet op geïsoleerde benchmarks die niet overeenkomen met jouw eigen gebruik.
- Drama: Spreekt emoties aan om een logische technische beslissing te omzeilen.
Misschien zijn LLM's uiteindelijk toch "Systeem twee", als we collectief ons kritisch denkvermogen verliezen en ons laten manipuleren door het soort marketing dat we onlangs zo vaak hebben gezien.
Groetjes,