Systeem 1-model: waarom AI vaak snel maar niet slim denkt
Stel je voor dat je het gezicht van een goede vriend ziet: je herkent diegene onmiddellijk, zonder na te denken. Vergelijk dat met het uitrekenen van 47 keer 68 in je hoofd — dat vraagt bewuste, stapsgewijze inspanning. De psycholoog Daniel Kahneman noemde het eerste proces Systeem 1 (snel, intuïtief, automatisch) en het tweede Systeem 2 (langzaam, bewust, redenerend) in zijn boek Thinking, Fast and Slow (2011). Onderzoekers in de kunstmatige intelligentie (AI) hebben deze twee-delige indeling geleend om iets uit te leggen over hoe AI-modellen werken.
Een Systeem 1-model is, in die vergelijking, een AI-systeem dat antwoorden geeft zoals jij dat bekende gezicht herkent: in één vloeiende beweging, gebaseerd op patronen die het tijdens training heeft opgepikt, zonder een ingebouwde stap om terug te kijken, te plannen of zichzelf te controleren. De meeste bekende chatbots en taalmodellen werken van oudsher op deze manier. Daartegenover staat een nieuwere generatie modellen die wél expliciete tussenstappen zet voordat het een antwoord geeft — vaak omschreven als een poging tot Systeem 2-achtig gedrag in AI. Dit artikel legt uit wat dat onderscheid inhoudt, waarom het ertoe doet, en hoe ver de techniek werkelijk is.
Wat is het precies?
Om te begrijpen wat een Systeem 1-model is, helpt het om te kijken naar hoe een groot taalmodel (large language model, LLM) zoals de bekende chatbots werkt. Zo'n model genereert tekst token voor token: het voorspelt telkens welk volgend stukje tekst (woord of woorddeel) het meest waarschijnlijk is, gegeven alles wat er al staat. Dat gebeurt in wat onderzoekers een feedforward-doorgang noemen: de invoer gaat één keer door het netwerk van rekenÂlagen, er rolt een voorspelling uit, en dat token wordt aan de tekst toegevoegd. Vervolgens herhaalt het proces zich voor het volgende token.
Er zit in dat proces geen ingebouwde stap waarin het model expliciet "nadenkt", een tussenoplossing test, of teruggaat om een fout te herstellen voordat het verdergaat. Het model reageert direct vanuit de patronen die het tijdens training heeft geleerd uit enorme hoeveelheden tekst. Dat is precies waarom onderzoekers dit gedrag vergelijken met Systeem 1: het is snel, vloeiend en vaak verrassend accuraat, maar het is in essentie een intuïtieve reflex, geen bewuste redenering.
Een Systeem 2-achtig model probeert dat anders aan te pakken. Voordat zo'n model een uiteindelijk antwoord geeft, genereert het eerst een reeks tussenstappen — vaak chain-of-thought genoemd, letterlijk een "gedachteketen". Het model schrijft als het ware eerst voor zichzelf uit hoe het tot een oplossing komt, controleert tussenresultaten, en probeert soms zelfs meerdere oplossingsroutes voordat het de beste kiest. Dat proces kost meer rekentijd en meer tussenstappen (soms "reasoning tokens" genoemd), maar moet in theorie tot betrouwbaardere antwoorden leiden bij complexe problemen zoals wiskunde, logica of programmeren.
Wat wil men ermee bereiken?
Het onderscheid tussen Systeem 1 en Systeem 2 is geen doel op zich, maar een manier om een bekend probleem van AI-modellen te begrijpen en aan te pakken. Pure patroonherkenning werkt uitstekend voor taken die lijken op wat een model al vaak heeft gezien, maar loopt vast bij problemen die meerdere logische stappen vereisen of die om echte generalisatie naar een nieuwe situatie vragen.
Dat probleem uit zich onder meer in hallucinaties: momenten waarop een model met veel overtuiging iets verzint dat feitelijk onjuist is, simpelweg omdat het een plausibel klinkend patroon herkende in plaats van de juiste feiten te controleren. Onderzoekers hopen dat modellen die meer stapsgewijs "redeneren" minder vaak dit soort fouten maken, omdat ze tussentijds kunnen checken of een redenering nog klopt.
Daarnaast is er een dieperliggende wetenschappelijke ambitie: AI bouwen die niet alleen bestaande patronen herhaalt, maar ook causaal kan redeneren (begrijpen wat oorzaak en gevolg is), kan plannen over meerdere stappen, en kennis kan overdragen naar situaties die niet letterlijk in de trainingsdata voorkwamen. Dat wordt gezien als een noodzakelijke stap richting AI die betrouwbaarder inzetbaar is voor zaken als wetenschappelijk onderzoek, complexe besluitvorming of technische probleemoplossing.
Voorbeelden uit de praktijk
Het onderscheid is niet alleen theoretisch; het heeft de afgelopen jaren concreet vorm gekregen in onderzoek en producten.
Yoshua Bengio, een van de grondleggers van moderne deep learning en verbonden aan het Mila-instituut in Montreal, hield in 2019 op de vooraanstaande AI-conferentie NeurIPS een invloedrijke keynote met als kernboodschap dat de toenmalige deep learning-modellen vooral Systeem 1-achtig waren — goed in patroonherkenning, zwak in redeneren — en dat de volgende stap in AI-onderzoek gericht moest zijn op Systeem 2-achtige vaardigheden.
Standaardmodellen zoals GPT-3 en GPT-4 van OpenAI, of open-gewicht modellen zoals Meta's Llama-reeks, worden door onderzoekers doorgaans als voorbeelden van Systeem 1-modellen genoemd: ze genereren antwoorden in één doorgang, zonder ingebouwde reflectiestap.
In september 2024 kondigde OpenAI het model o1 aan, expliciet gepositioneerd als een model dat intern eerst een reeks redeneerstappen doorloopt voordat het een antwoord toont aan de gebruiker. In december 2024 volgde de aankondiging van de opvolger o3, met verdere verbeteringen op dit vlak.
In januari 2025 bracht het Chinese bedrijf DeepSeek DeepSeek-R1 uit: een open-gewicht redeneermodel dat via reinforcement learning (een trainingsmethode waarbij een model leert door beloningen te krijgen voor goede uitkomsten, vergelijkbaar met hoe je een dier traint met snoepjes) leerde om eigen redeneerstappen te ontwikkelen. Het model trok wereldwijd aandacht vanwege de relatief lage trainingskosten en het feit dat de modelgewichten openbaar werden gedeeld.
Hoe ver is de techniek?
Redeneermodellen zoals o1, o3 en DeepSeek-R1 bestaan inmiddels en presteren aantoonbaar beter dan eerdere modellen op benchmarks (gestandaardiseerde testsets) voor wiskunde, logica en programmeren. Dat is een meetbare vooruitgang.
Toch is er onder AI-onderzoekers geen consensus over de vraag of deze modellen "echt" redeneren in de zin die Kahneman met Systeem 2 bedoelde, of dat het in essentie nog steeds een geavanceerde, uitgebreide vorm van patroonherkenning is — alleen dan met meer tussenstappen die zelf ook weer op patronen berusten. Critici zoals Gary Marcus wijzen er al langer op dat pure patroonherkenning volgens hen fundamenteel tekortschiet, en pleiten voor hybride neuro-symbolische AI: systemen die neurale netwerken combineren met expliciete logische regels, in plaats van te vertrouwen op steeds meer tekst en rekenkracht.
Ook Yann LeCun van Meta AI heeft betoogd dat huidige taalmodellen fundamentele beperkingen hebben en dat nieuwe architecturen nodig zijn — bijvoorbeeld modellen die een intern "wereldmodel" opbouwen en vooruit kunnen plannen — om verder te komen dan wat hij als beperkte Systeem 1-achtige aanpakken ziet.
Praktische nadelen van de huidige redeneermodellen zijn bovendien reëel: ze zijn trager en duurder in gebruik dan gewone Systeem 1-modellen, omdat ze meer rekenstappen doorlopen voor elk antwoord. En ook redeneermodellen maken nog fouten en kunnen nog steeds hallucineren, al gebeurt dat naar verluidt minder vaak bij bepaalde taken. Kortom: de techniek verbetert zichtbaar, maar het fundamentele wetenschappelijke debat over wat "echt redeneren" in een machine betekent, is nog niet beslecht.
Wie werken eraan?
OpenAI (bekend van ChatGPT en de o1/o3-modellen) en DeepSeek (met DeepSeek-R1) staan momenteel het meest in de schijnwerpers als het gaat om commercieel beschikbare redeneermodellen. Google DeepMind werkt eveneens aan modellen met verbeterde redeneercapaciteiten binnen zijn Gemini-onderzoekslijn. Meta AI, onder leiding van hoofdwetenschapper Yann LeCun, richt zich op alternatieve architecturen die verder gaan dan de huidige taalmodel-aanpak. Op het academische vlak is Mila (het Quebec AI Institute, mede opgericht door Yoshua Bengio) een van de instituten die het theoretische onderscheid tussen Systeem 1- en Systeem 2-achtige AI actief onderzoeken. Daarnaast houdt de bredere academische AI-gemeenschap — verspreid over universiteiten en onderzoeksinstellingen wereldwijd, met conferenties als NeurIPS als belangrijk podium — zich bezig met de vraag hoe machine-redeneren robuuster gemaakt kan worden.