ChatGPT, Claude, Gemini, Copilot… het lijkt alsof er iedere maand weer een nieuwe AI-tool bij komt. Ze zien er verschillend uit en worden voor andere doeleinden gebruikt, maar onder de motorkap draaien ze verrassend vaak op dezelfde ideeën.
Dat maakt het soms lastig om AI te begrijpen. De aandacht gaat al snel naar de nieuwste tool of de nieuwste functie, terwijl de onderliggende concepten nauwelijks veranderen. Begrippen als LLM, foundation model en diffusiemodel duiken overal op, maar zelden wordt uitgelegd wat ze eigenlijk betekenen.
En dat is precies waar deze blog over gaat.
Je hoeft geen softwareontwikkelaar of data scientist te zijn om te begrijpen hoe generatieve AI werkt. Als je eenmaal de belangrijkste bouwstenen kent, vallen veel gesprekken over AI ineens op hun plek.
Niet alleen begrijp je beter waarom ChatGPT werkt zoals het werkt, maar ook waarom dezelfde principes terugkomen in vrijwel alle moderne AI-toepassingen.
In de rest van deze blog kijken we daarom niet naar één specifieke tool, maar naar de technologie die eronder ligt. Geen programmeercode of ingewikkelde wiskunde, maar een uitleg in gewone mensentaal.
Allereerst: AI is niet hetzelfde als ChatGPT
Laten we beginnen met een misverstand dat je vaak hoort.
Veel mensen gebruiken de termen AI en ChatGPT alsof ze hetzelfde betekenen. Dat is ongeveer hetzelfde als zeggen dat een Tesla hetzelfde is als “elektrische auto’s”. De één is een voorbeeld van de ander.
Je kunt de wereld van AI zien als een set Russische matroesjka-poppetjes. Met één verschil: elke pop bevat meer dan alleen de volgende pop.
De grootste pop is Artificial Intelligence (AI). Dat is de verzamelnaam voor computersystemen die taken uitvoeren waarvoor normaal menselijke intelligentie nodig is. Denk aan het herkennen van gezichten, het vertalen van teksten of het voorspellen van de vraag naar producten.
Daarbinnen zit Machine Learning. In plaats van een computer precies te vertellen wat hij moet doen, laat je hem zelf patronen ontdekken in grote hoeveelheden data.
Nog een stap kleiner is Deep Learning. Hierbij worden grote neurale netwerken gebruikt die bijzonder goed zijn geworden in het herkennen van complexe patronen in tekst, beeld en geluid.
En helemaal in het midden vinden we Generatieve AI. Dat is de vorm van AI die niet alleen iets herkent of voorspelt, maar zelf nieuwe inhoud kan maken. Een e-mail, een afbeelding, een stuk software of zelfs een compleet rapport.
Dat woord generatief is eigenlijk de sleutel. Waar traditionele AI vooral analyseert, creëert generatieve AI.
Foundation models: het fundament onder vrijwel alle moderne AI
Vrijwel alle AI-tools die je vandaag gebruikt, draaien op een zogenoemd foundation model.
Dat klinkt misschien technisch, maar het idee is eigenlijk heel logisch.
Stel je voor dat je een medewerker hebt die letterlijk miljoenen boeken heeft gelezen, een groot deel van het internet heeft bestudeerd en duizenden voorbeelden heeft gezien van teksten, afbeeldingen, code en gesprekken. Die medewerker hoeft niet opnieuw te worden opgeleid wanneer je hem een andere opdracht geeft. Je kunt hem vragen een e-mail te schrijven, een contract samen te vatten of een marketingcampagne te bedenken.
Een foundation model werkt op dezelfde manier.
Het model wordt één keer getraind op enorme hoeveelheden data. Dat kost maanden aan training, duizenden krachtige computers en honderden miljoenen euro’s aan rekenkracht. Daarna vormt het een algemeen fundament waarop allerlei toepassingen gebouwd kunnen worden.
Dat verklaart ook waarom slechts een handvol bedrijven zulke modellen ontwikkelt. OpenAI, Google en Anthropic investeren gigantische bedragen in deze modellen. Vrijwel alle andere organisaties maken er vervolgens gebruik van.
Vergelijk het met elektriciteit. De meeste bedrijven bouwen geen eigen elektriciteitscentrale, maar nemen stroom af van een leverancier. Met foundation models werkt het eigenlijk net zo.
LLM’s: de taalvariant van een foundation model
Nu komen we bij een begrip dat waarschijnlijk het vaakst voorbij komt: LLM, oftewel Large Language Model.
Een LLM is geen alternatief voor een foundation model. Het is een foundation model, maar dan eentje dat gespecialiseerd is in taal.
ChatGPT, Claude en Gemini draaien allemaal op een LLM. Een model dat afbeeldingen maakt, is meestal géén LLM. Dat gebruikt weer een ander type foundation model.
Een handige vuistregel is daarom:
Alle LLM's zijn foundation models, maar niet alle foundation models zijn LLM's. Of anders gezegd: een foundation model is de familie, een LLM is één specifiek familielid.
Hoe “denkt” een taalmodel eigenlijk?
Dit is misschien wel het meest verrassende onderdeel van generatieve AI. Een taalmodel begrijpt taal namelijk niet zoals mensen dat doen.
Het doet in feite steeds hetzelfde trucje: het voorspelt welk woord waarschijnlijk als volgende komt. Stel dat je schrijft: Na de regen waren de straten… Het model maakt dan een lijstje met mogelijke vervolgwoorden.
Vervolgens kiest het één van die woorden en herhaalt het proces opnieuw. Daarna voorspelt het het volgende woord, en daarna weer, en weer, etc. Uiteindelijk ontstaat zo een compleet antwoord.
Dat klinkt misschien eenvoudig. En eerlijk gezegd is het basisprincipe dat ook. De magie zit niet in het algoritme zelf, maar in de schaal waarop het gebeurt. Het model heeft tijdens zijn training miljarden voorbeelden gezien en is daardoor uitzonderlijk goed geworden in het voorspellen welke woorden logisch op elkaar volgen.
Waarom AI soms dingen verzint
Als je begrijpt hoe een taalmodel werkt, begrijp je ook meteen waarom AI soms dingen verzint.
Een taalmodel zoekt namelijk niet eerst op wat waar is. Het probeert het meest waarschijnlijke antwoord te genereren. Meestal klopt dat uitstekend, maar soms niet.
En juist omdat het model “vloeiend” en zelfverzekerd schrijft, zijn fouten niet altijd direct zichtbaar. Dat noemen we een hallucinatie.
Het model “liegt” niet bewust. Het doet simpelweg waar het voor ontworpen is: een waarschijnlijk vervolg voorspellen. Daarom blijft menselijke controle belangrijk, zeker wanneer feiten of belangrijke beslissingen een rol spelen.
Waarom krijg je soms twee verschillende antwoorden?
Misschien heb je het zelf al eens geprobeerd. Je stelt ChatGPT twee keer exact dezelfde vraag. Toch krijg je twee verschillende antwoorden. Dat komt doordat generatieve AI (met opzet) niet-deterministisch is.
Een rekenmachine geeft altijd dezelfde uitkomst. Een taalmodel kiest uit meerdere goede mogelijkheden. Daardoor kunnen formuleringen verschillen, voorbeelden veranderen of kan de structuur van een antwoord net iets anders zijn.
Dus het is geen fout. Sterker nog, het is juist de reden dat AI creatief kan schrijven en natuurlijke gesprekken kan voeren.
En hoe maakt AI eigenlijk afbeeldingen?
Tekst is één ding, maar hoe kan AI een afbeelding maken van een astronaut op een surfplank of een kasteel op de maan, terwijl die afbeelding nooit heeft bestaan?
Daarvoor worden meestal diffusiemodellen gebruikt. Tijdens de training krijgt het model miljoenen afbeeldingen te zien. Vervolgens wordt aan iedere afbeelding steeds meer willekeurige ruis toegevoegd, totdat er uiteindelijk alleen nog een grijze waas overblijft.
Het model leert vervolgens precies hoe het dat proces weer kan omkeren.
Wanneer je een beschrijving invoert, begint het model met pure ruis. Vervolgens verwijdert het stap voor stap een deel van die ruis, waarbij elke stap wordt gestuurd door jouw beschrijving. Na tientallen van die stappen ontstaat geleidelijk een volledig nieuwe afbeelding.
Tot slot
Generatieve AI voelt soms ongrijpbaar. Maar onder de motorkap blijkt het verrassend overzichtelijk.
Er zijn foundation models die als fundament dienen voor moderne AI-toepassingen. Sommige daarvan zijn gespecialiseerd in taal en noemen we LLM’s. Die modellen schrijven niet omdat ze begrijpen wat ze zeggen, maar omdat ze uitzonderlijk goed zijn geworden in het voorspellen welk woord waarschijnlijk volgt. Voor afbeeldingen wordt weer een ander type model gebruikt dat stap voor stap een beeld opbouwt vanuit willekeurige ruis.
Je hoeft die begrippen niet uit je hoofd te leren. Maar als je ze eenmaal kent, kijk je anders naar AI. Je begrijpt beter hoe een model werkt, waar het in uitblinkt en wanneer je de uitkomsten kritisch moet beoordelen.
Want uiteindelijk is AI geen tovenarij. Het is “geavanceerde patroonherkenning”, gebouwd op enorme hoeveelheden data. IIets wat op deze schaal tot een paar jaar geleden onmogelijk was.
