De AI-winters: waarom het veld drie keer bijna stierf

Stel je voor: je werkt aan een technologie waarvan iedereen zegt dat die de wereld gaat veranderen. De overheid geeft miljoenen, bedrijven investeren, de kranten schrijven over het 'nieuwe tijdperk'. En dan... gebeurt er niks. De beloftes worden niet ingelost, het geld droogt op, en je vakgebied wordt opeens een vies woord.

Dat is drie keer gebeurd met kunstmatige intelligentie. Wetenschappers noemen die periodes 'AI-winters' — tijden waarin enthousiasme omsloeg in desinteresse en financiering verdween. Waarom gebeurde dat? En wat hebben we ervan geleerd?

De eerste winter: de belofte van vertaalmachines (jaren 60-70)

In de jaren 50 en 60 was het optimisme enorm. Onderzoekers dachten dat computers binnen tien jaar zouden kunnen denken zoals mensen. De Amerikaanse overheid investeerde fors in projecten die machines moesten leren vertalen — belangrijk tijdens de Koude Oorlog om Russische teksten te kunnen lezen.

Het probleem: taal bleek veel ingewikkelder dan gedacht. Een beroemd voorbeeld is de zin 'the spirit is willing, but the flesh is weak' die door een vroege vertaalmachine werd omgezet in het Russisch en terug naar 'the vodka is good, but the meat is rotten'. Grappig, maar ook illustratief voor het fundamentele probleem: computers snapten niet wat woorden betekenden.

In 1966 publiceerde de Amerikaanse overheid het ALPAC-rapport, dat concludeerde dat vertaalmachines niet werkten en te duur waren. De financiering stopte. Vrijwel meteen verdween ook het geld voor andere AI-projecten. De eerste winter was een feit.

Wat misging: onderzoekers hadden onderschat hoe complex menselijke taal is. Ze dachten dat je gewoon woordenboeken en grammaticaregels in een computer kon stoppen. Maar taal draait om context, dubbelzinnigheid en impliciete kennis — dingen die veel moeilijker te programmeren zijn.

De tweede winter: de limieten van expertsystemen (jaren 80-90)

In de jaren 80 leek AI weer terug. 'Expertsystemen' werden de rage — programma's waarin menselijke expertise werd vastgelegd in regels. Een arts zou bijvoorbeeld al zijn kennis over een ziekte invoeren, waarna de computer diagnoses kon stellen.

Bedrijven investeerden massaal. Japan startte het 'Vijfde Generatie Computer Project' met als doel intelligente computers te bouwen die de wereld zouden domineren. Westerse landen volgden uit angst achter te blijven.

Maar ook deze golf liep vast. Expertsystemen bleken te star: ze konden alleen situaties aan die precies in de regels waren beschreven. Zodra er iets onverwachts gebeurde, faalden ze. Bovendien waren ze enorm arbeidsintensief — je moest elke regel handmatig invoeren. En als de werkelijkheid veranderde, moest je alles opnieuw doen.

Tegen 1990 waren de meeste expertsystemen alweer verlaten. Het Japanse project werd stilletjes stopgezet. Investeerders voelden zich misleid. De tweede winter begon, en deze was kouder dan de eerste.

Wat misging: AI-systemen waren te 'broos'. Ze werkten alleen in gecontroleerde omgevingen met duidelijke regels. De echte wereld is rommelig, vol uitzonderingen en onvoorspelbare situaties.

De derde winter: voorzichtige teleurstelling (late jaren 90-vroege 2000s)

Deze was minder dramatisch, maar wel voelbaar. Na de teleurstellingen rond expertsystemen durfden wetenschappers amper meer grote beloftes te doen. AI werd een vaag begrip — iets wat ooit zou komen, maar niemand wist wanneer.

Bedrijven investeerden nog wel in AI, maar noemden het anders: 'machine learning', 'data mining', 'pattern recognition'. Het woord 'kunstmatige intelligentie' zelf was te beladen geworden.

Ook dit keer was er een fundamenteel probleem: computers waren simpelweg niet krachtig genoeg. De algoritmes die wetenschappers bedachten (zoals neurale netwerken) werkten in theorie wel, maar hadden zoveel rekenkracht en data nodig dat ze in de praktijk onbruikbaar waren.

Waarom is het nu anders?

Sinds pakweg 2012 is AI niet meer te stoppen. Wat is er veranderd?

Meer rekenkracht: de grafische processors die gamers gebruiken, bleken perfect voor AI. Opeens waren berekeningen mogelijk die twintig jaar eerder onbetaalbaar waren.

Belachelijk veel data: door internet, smartphones en sensoren overal hebben we nu miljarden voorbeelden waarmee AI kan leren. In de jaren 80 hadden onderzoekers misschien duizend foto's; nu zijn het miljarden.

Betere aanpak: moderne AI-systemen proberen niet meer alles met regels vast te leggen. Ze leren patronen uit voorbeelden — zoals een kind dat leert fietsen door te oefenen, niet door een handboek te lezen.

Maar ook nu zijn er grenzen. AI kan nog steeds geen context begrijpen zoals mensen dat doen. Het hallucineren soms antwoorden. En het heeft geen echt begrip van wat het doet.

Wat kunnen we eruit leren?

De AI-winters leren ons vooral voorzichtig te zijn met hype. Elke golf van enthousiasme ging gepaard met beloftes die te groot waren. Toen die niet werden waargemaakt, stortte alles in.

Dat betekent niet dat AI niet werkt — integendeel. Maar het betekent wel dat we realistisch moeten blijven. AI is een tool, geen wondermiddel. Het lost specifieke problemen op, het neemt niet over.

De geschiedenis leert ook dat doorbraken vaak komen waar je ze niet verwacht. Neurale netwerken — de basis van moderne AI — bestaan sinds de jaren 50. Ze werden decennialang genegeerd omdat ze niet werkten. Tot opeens de omstandigheden veranderden.

Voor jou als lezer: wees enthousiast over wat AI kan, maar vraag ook altijd: wat kan het niet? Als iemand je vertelt dat AI alles gaat oplossen, denk dan aan de vertaalmachines van de jaren 60. Gezonde scepsis heeft het veld geen kwaad gedaan — juist gebrek daaraan leidde tot de winters.