Frontier AI: de grens van wat kunstmatige intelligentie kan
Stel je de Formule 1 voor. De auto's die daar rijden zijn niet de auto's die je op straat tegenkomt, maar ze bepalen wel de technologie van morgen: remsystemen, aerodynamica en motortechniek die later in gewone auto's belanden. "Frontier AI" werkt ongeveer zo. De term verwijst naar de meest geavanceerde kunstmatige-intelligentiesystemen die op dit moment bestaan: modellen als GPT-4, Claude en Gemini, gebouwd door een handvol techbedrijven met de grootste computerkracht en budgetten. Ze vormen de "grens" (frontier) van wat AI op een bepaald moment kan.
Het bijzondere aan de term is dat hij niet uit marketing komt, maar uit veiligheids- en beleidskringen. Overheden en onderzoekers gebruiken "frontier AI" specifiek voor systemen die zo krachtig zijn dat ze mogelijk risico's met zich meebrengen die kleinere, minder geavanceerde AI-systemen niet hebben, zoals het onbedoeld vergemakkelijken van cyberaanvallen. Het is dus zowel een technische aanduiding (de grootste, sterkste modellen) als een beleidscategorie (systemen die extra aandacht verdienen).
Wat is het precies?
Frontier-modellen zijn bijna altijd zogeheten large language models (grote taalmodellen) of, breder, foundation models (fundamentmodellen): AI-systemen die zijn getraind op enorme hoeveelheden tekst, code, afbeeldingen en soms geluid, en die daardoor voor uiteenlopende taken inzetbaar zijn, van het schrijven van een e-mail tot het oplossen van wiskundeproblemen.
Trainen betekent hier: het model miljarden keren laten voorspellen welk woord (of welk stukje van een woord) waarschijnlijk volgt in een tekst, en na elke poging de interne "instelknoppen" een klein beetje bijstellen. Die instelknoppen heten parameters, en frontier-modellen hebben er honderden miljarden tot mogelijk meer dan een biljoen. Dit proces vergt gigantische rekenkracht, uitgedrukt in FLOPs (floating point operations, oftewel het aantal rekenstappen dat een computer uitvoert), geleverd door duizenden gespecialiseerde chips (GPU's) die weken tot maanden aan één stuk draaien.
Onderzoek laat een vrij consistent patroon zien, bekend als scaling laws (schaalwetten): hoe meer rekenkracht, data en parameters je in een model stopt, hoe beter het gemiddeld genomen presteert, tot op zekere hoogte voorspelbaar. Dat is precies waarom bedrijven zo veel geld steken in steeds grotere trainingsruns: schaal levert doorgaans capaciteit op. Een model verdient het label "frontier" wanneer het qua schaal en prestaties dicht bij of op het huidige maximum zit dat technisch haalbaar is.
Wat wil men ermee bereiken?
Voor de bedrijven die deze modellen bouwen is het doel in de eerste plaats economisch en wetenschappelijk: AI die complexe taken overneemt, onderzoek versnelt (bijvoorbeeld bij het ontwerpen van medicijnen of materialen) en nieuwe producten mogelijk maakt. Steeds krachtigere frontier-modellen worden gezien als de weg naar systemen die op steeds meer terreinen mensachtige of bovenmenselijke prestaties leveren.
In beleidskringen ligt het doel anders: niet het najagen van meer capaciteit, maar het beheersbaar houden ervan. Het idee is dat een klein aantal modellen aan de top van de markt zoveel kunnen dat ze aparte regels verdienen, terwijl de duizenden kleinere AI-toepassingen (spamfilters, aanbevelingssystemen, eenvoudige chatbots) dat risiconiveau niet hebben. Door het begrip "frontier AI" te definiëren, kunnen toezichthouders hun aandacht en middelen richten op de systemen die er het meest toe doen, in plaats van elke AI-toepassing over dezelfde kam te scheren.
Voorbeelden uit de praktijk
GPT-4 (OpenAI, maart 2023) wordt algemeen gezien als het model dat de term "frontier AI" in de bredere beleidsdiscussie op de kaart zette, vanwege de sprong in redeneervermogen ten opzichte van eerdere versies. De opvolger GPT-4o (2024) voegde daar snellere, multimodale verwerking van tekst, beeld en spraak aan toe.
Anthropic bracht in maart 2024 de Claude 3-familie uit, gevolgd door Claude 3.5 Sonnet later dat jaar en Claude 4 in 2025, telkens met verbeteringen op het gebied van redeneren, coderen en het volgen van instructies.
Google DeepMind lanceerde Gemini 1.0 in december 2023, met Gemini 1.5 en 2.0 als opvolgers in 2024 en 2025, gericht op het combineren van tekst, beeld, video en zeer lange contexten (het aantal woorden dat een model tegelijk kan "onthouden" tijdens een gesprek).
Meta koos met zijn Llama-modellen (Llama 3 in 2024, Llama 4 in 2025) voor een opvallend andere aanpak: de modelgewichten worden publiek vrijgegeven ("open-source" of preciezer "open-weights"), wat discussie oplevert of zulke openlijk verspreide modellen wel of niet onder hetzelfde frontier-beleid moeten vallen als gesloten modellen.
Ook op organisatieniveau is er een concreet voorbeeld: het Frontier Model Forum, opgericht in juli 2023 door Anthropic, Google, Microsoft en OpenAI, is een samenwerkingsverband dat gezamenlijke veiligheidsstandaarden voor deze topmodellen probeert te ontwikkelen, los van overheidsregulering.
Hoe ver is de techniek?
De ontwikkeling gaat snel: ruwweg elk jaar verschijnt een nieuwe generatie frontier-modellen die op standaardtests (benchmarks, zoals examenvragen of programmeeropdrachten) meetbaar beter scoort dan de vorige. Onderzoeksorganisaties die dit volgen, zoals Epoch AI, schatten dat de hoeveelheid rekenkracht die gebruikt wordt om de grootste modellen te trainen de afgelopen jaren met een factor van ongeveer vier per jaar is gegroeid. Belangrijk om te benadrukken: bedrijven publiceren zelden exacte cijfers over trainingskosten of rekenkracht, dus dit soort getallen zijn schattingen van buitenstaanders, geen officiële data. Zo circuleren schattingen dat het trainen van GPT-3 (2020) ongeveer 3×10²³ FLOPs kostte en GPT-4 (2023) ergens rond 2×10²⁵ FLOPs, maar OpenAI heeft dat nooit bevestigd.
Naast pure schaalvergroting zoeken labs sinds 2024 ook naar andere manieren om prestaties te verbeteren, zoals modellen die tijdens het beantwoorden van een vraag extra "nadenktijd" (meer rekenstappen op het moment zelf, in plaats van alleen tijdens training) gebruiken, zoals te zien is bij de o1- en o3-modellen van OpenAI. Dit wijst erop dat pure schaalvergroting van training mogelijk niet de enige route naar verdere vooruitgang blijft.
De grootste obstakels zijn niet alleen technisch. Hallucinatie, het zelfverzekerd presenteren van onjuiste informatie, is ondanks jaren onderzoek niet opgelost. De energie- en chipvraag voor training en gebruik van deze modellen groeit sneller dan de beschikbare infrastructuur, wat leidt tot discussies over datacenters en stroomnetwerken. Ook is het onduidelijk of er op termijn voldoende nieuw, kwalitatief tekstmateriaal overblijft om nog grotere modellen op te trainen. Tot slot is red-teaming, het doelbewust proberen een model te misleiden om zwakke plekken te vinden, nog een relatief jong vakgebied: er bestaat geen betrouwbare methode om vooraf te garanderen dat een frontier-model veilig zal blijven functioneren in elke situatie.
Wie werken eraan?
Het veld wordt gedomineerd door een klein aantal Amerikaanse bedrijven met toegang tot enorme rekenkracht: OpenAI, Anthropic, Google DeepMind, Meta AI en xAI (opgericht door Elon Musk). In Europa ontwikkelt het Franse Mistral AI eigen modellen, al op kleinere schaal dan de Amerikaanse spelers. In China werken onder meer Baidu, Alibaba en het in 2024-2025 veel besproken DeepSeek aan vergelijkbare systemen, wat de ontwikkeling ook een geopolitieke dimensie geeft, met de VS en China die elkaar over en weer als concurrent zien op dit terrein.
Op beleidsniveau ontstonden na de opkomst van GPT-4 diverse nieuwe instanties. Het Verenigd Koninkrijk richtte na de AI Safety Summit in Bletchley Park (november 2023) een overheidsinstituut op dat frontier-modellen test en evalueert. Tijdens die top ondertekenden ongeveer 28 landen en de EU de Bletchley Declaration, een gezamenlijke, niet-bindende verklaring over de risico's van geavanceerde AI. Vervolgtoppen vonden plaats in Seoel (mei 2024) en Parijs (februari 2025). De Verenigde Staten richtten via het National Institute of Standards and Technology (NIST) een eigen AI-veiligheidsinstituut op. De Europese Unie nam in de AI Act aparte, strengere verplichtingen op voor "algemene-doel-AI-modellen met systeemrisico", met een rekenkracht-drempel van ongeveer 10²⁵ FLOPs als een van de criteria om te bepalen welke modellen daaronder vallen.