AGI: de zoektocht naar kunstmatige intelligentie die overal net zo goed in is als mensen
AGI staat voor Artificial General Intelligence, oftewel kunstmatige algemene intelligentie. Het is het denkbeeldige eindpunt van AI-onderzoek: een systeem dat niet slechts één taak goed uitvoert, maar dat net als een mens kan leren, redeneren en zich aanpassen aan vrijwel elk denkbaar probleem. Waar de AI die we vandaag gebruiken vaak specialist is in één ding, zou AGI de generalist zijn die overal wel mee uit de voeten kan.
Een vergelijking maakt het verschil duidelijk. Een schaakcomputer kan de beste schaker ter wereld verslaan, maar vraag hem een auto te besturen of een gedicht te schrijven, en hij faalt volledig; hij kent alleen schaak. Een mens die leert schaken, kan diezelfde denkvaardigheden ook inzetten om een recept aan te passen, een routebeschrijving te volgen of een ruzie te bemiddelen. AGI zou die menselijke flexibiliteit evenaren: één systeem dat zichzelf nieuwe vaardigheden kan aanleren zonder dat een programmeur het daar specifiek voor heeft gebouwd.
Wat is het precies?
Huidige AI-systemen, zoals taalmodellen of beeldherkenningssoftware, zijn wat onderzoekers 'smalle AI' (narrow AI) noemen. Ze worden getraind op enorme hoeveelheden data voor een specifiek doel: tekst genereren, gezichten herkennen, een spelletje spelen. Buiten dat domein presteren ze slecht of helemaal niet.
AGI zou dat onderscheid tussen domeinen overstijgen. Een veelgebruikte werkdefinitie is dat een AGI-systeem op vrijwel elke cognitieve taak minstens zo goed moet presteren als een gemiddeld of goed opgeleid mens, inclusief taken waarvoor het niet expliciet is getraind. Het gaat dus niet om één test die je haalt, maar om brede, overdraagbare intelligentie.
Belangrijk is dat er geen technische blauwdruk voor AGI bestaat. Niemand weet precies welke architectuur, hoeveel rekenkracht of welk trainingsproces nodig is. De huidige generatie grote taalmodellen, zoals GPT-4 of Gemini, wordt getraind door gigantische hoeveelheden tekst te laten voorspellen. Dat levert verrassend brede vaardigheden op, maar deze modellen missen dingen die mensen wel hebben: een consistent langetermijngeheugen, het vermogen om zelfstandig nieuwe kennis te verifiëren, en robuust logisch redeneren buiten de patronen die ze in hun trainingsdata hebben gezien.
Onderzoekers proberen die gaten te dichten met technieken als 'chain-of-thought'-redeneren (het model laten 'hardop denken' in stappen), reinforcement learning (het systeem belonen voor goede uitkomsten) en het koppelen van taalmodellen aan externe tools zoals rekenmachines of zoekmachines. Of deze aanpak uiteindelijk tot AGI leidt, of dat er een fundamenteel ander soort systeem nodig is, is onder wetenschappers omstreden.
Wat wil men ermee bereiken?
Het vooruitzicht van AGI is aantrekkelijk omdat generalistische intelligentie in theorie op vrijwel elk maatschappelijk probleem inzetbaar zou zijn: van het versnellen van medisch onderzoek en het ontwerpen van nieuwe materialen tot het oplossen van complexe logistieke of klimaatvraagstukken. Voorstanders vergelijken de potentiële impact met die van elektriciteit of internet: een basistechnologie die vrijwel elke sector raakt.
Bedrijven als OpenAI en Google DeepMind noemen AGI expliciet als hun missie, met als argument dat zulke intelligentie welvaart en wetenschappelijke vooruitgang kan versnellen op een schaal die met mensenwerk alleen niet haalbaar is. Tegelijk erkennen dezelfde organisaties dat een systeem dat op mensniveau of hoger kan redeneren, ook aanzienlijke risico's met zich meebrengt, van economische ontwrichting door massale automatisering tot vragen over controle en veiligheid als een systeem doelen nastreeft die niet goed aansluiten bij menselijke belangen.
Er is dus een spanningsveld: dezelfde organisaties die AGI nastreven vanwege de beloofde voordelen, investeren ook in onderzoek naar hoe zulke systemen veilig en beheersbaar te houden zijn. Critici wijzen erop dat de nadruk op AGI soms vooral commercieel gemotiveerd is en dat de term door marketingdruk vager en groter is geworden dan de wetenschappelijke consensus rechtvaardigt.
Voorbeelden uit de praktijk
Omdat AGI per definitie nog niet bestaat, zijn er geen voorbeelden van het eindresultaat, wel van serieuze pogingen om ernaartoe te werken en van pogingen om vast te stellen hoe dicht we in de buurt zijn.
GPT-4 en opvolgers (OpenAI, vanaf 2023) worden door OpenAI zelf gepresenteerd als stappen op weg naar AGI. Het bedrijf hanteert intern een schaal met vijf niveaus, van chatbots tot systemen die hele organisaties zouden kunnen aansturen, om voortgang te meten.
Gemini (Google DeepMind, vanaf 2023) is opgezet als multimodaal systeem dat tekst, beeld, audio en code tegelijk verwerkt, wat DeepMind ziet als noodzakelijke stap richting bredere intelligentie.
AlphaFold en AlphaProof (DeepMind, 2020 en 2024) laten zien hoe smalle AI-systemen extreem goed kunnen worden in één specifiek probleem (eiwitvouwing, wiskundige bewijzen), zonder dat dit op zichzelf AGI oplevert; het illustreert het verschil tussen specialistische en algemene intelligentie.
ARC-AGI-benchmark (Français Chollet, sinds 2019) is een testset met visuele puzzels die mensen makkelijk oplossen maar taalmodellen lange tijd nauwelijks. Recente modellen zoals OpenAI's 'o3' (eind 2024) boekten hierop opvallende vooruitgang, wat door sommigen als teken van naderende AGI werd gezien en door anderen als bewijs dat de benchmark zelf tekortschiet.
METR-evaluaties (2024-2025), uitgevoerd door het onderzoeksinstituut METR, meten hoe lang een AI-systeem zelfstandig aan een complexe taak kan werken zonder menselijke hulp. Deze taakduur groeit gestaag, wat onderzoekers gebruiken als een van de weinige kwantitatieve aanwijzingen voor voortgang richting bredere autonomie.
Hoe ver is de techniek?
Er bestaat geen consensus over hoe ver we van AGI verwijderd zijn, mede omdat er geen algemeen geaccepteerde, meetbare definitie is. Schattingen van onderzoekers en bedrijfsleiders lopen uiteen van 'enkele jaren' tot 'nog vele decennia', en sommige wetenschappers betwijfelen of de huidige aanpak (steeds grotere taalmodellen) daar ooit toe leidt.
Wat wel duidelijk is: de voortgang op specifieke, meetbare taken gaat snel. Taalmodellen zijn de afgelopen jaren sterk verbeterd in redeneren, programmeren en het volgen van meerstaps-instructies. Tegelijk blijven fundamentele problemen bestaan, zoals 'hallucineren' (met overtuiging onjuiste informatie presenteren), een gebrek aan betrouwbaar langetermijngeheugen, en het moeizaam generaliseren naar situaties die sterk afwijken van de trainingsdata.
Ook is er kritiek op hoe voortgang wordt gemeten. Benchmarks raken relatief snel 'verzadigd' zodra modellen erop getraind worden, wat vooruitgang op papier kan overdrijven. Onderzoekers als Gary Marcus wijzen erop dat indrukwekkende testresultaten niet automatisch betekenen dat een systeem ook betrouwbaar en veilig in de praktijk functioneert. Anderen, zoals betrokkenen bij OpenAI en DeepMind, zien de combinatie van snellere redeneermodellen, meer rekenkracht en nieuwe trainingsmethoden juist als reden voor optimisme op kortere termijn.
Wie werken eraan?
Het onderzoek naar AGI wordt gedomineerd door een klein aantal goed gefinancierde spelers. In de Verenigde Staten zijn dat vooral OpenAI (bekend van ChatGPT), Google DeepMind en Anthropic, dat expliciet veiligheid als kernthema profileert. Ook Meta AI investeert zwaar, met een eigen 'Superintelligence Lab'.
China ontwikkelt eigen grote taalmodellen en AGI-ambities via bedrijven als Baidu, Alibaba en het minder bekende DeepSeek, dat begin 2025 wereldwijd aandacht trok met een verrassend efficiënt model. De Chinese overheid noemt AI-leiderschap expliciet als strategisch doel.
Daarnaast spelen academische en non-profitinstituten een rol, zoals het Britse DeepMind (nu onderdeel van Google), onderzoeksgroepen aan universiteiten als Stanford, MIT en Berkeley, en organisaties die zich specifiek richten op veiligheid en beleid, zoals het Future of Life Institute en METR. Overheden, waaronder de Europese Unie met de AI Act, proberen ondertussen regelgevend kader te scheppen voor systemen die steeds algemener en krachtiger worden, zonder dat AGI zelf al bestaat.