Van belachelijk gemaakte visioenen naar de realiteit: waarom kunstmatige intelligentie en dienstrobots hun critici inhaalden

Tussen euforie en minachting – een technologische reis door de tijd

De geschiedenis van technologische innovaties volgt vaak een voorspelbaar patroon: een fase van overdreven euforie wordt onvermijdelijk gevolgd door een periode van teleurstelling en minachting, voordat de technologie uiteindelijk stilletjes het dagelijks leven verovert. Dit fenomeen is bijzonder opvallend te zien in twee technologische gebieden die nu worden beschouwd als sleuteltechnologieën van de 21e eeuw: kunstmatige intelligentie en dienstrobots.

Eind jaren tachtig bevond het AI-onderzoek zich in een van de diepste crises in zijn geschiedenis. De zogenaamde tweede AI-winter was begonnen, de onderzoeksfinanciering werd teruggeschroefd en veel experts verklaarden de visie van denkende machines tot een mislukking. Een soortgelijk lot trof dienstverlenende robots twee decennia later: terwijl het tekort aan geschoolde arbeidskrachten rond de eeuwwisseling nog geen maatschappelijk relevant probleem was, werden robots voor de dienstensector afgedaan als dure gimmicks en onrealistische sciencefiction.

Deze analyse onderzoekt de parallelle ontwikkelingspaden van beide technologieën en onthult de mechanismen die leiden tot de systematische onderschatting van revolutionaire innovaties. Het laat zien dat zowel de aanvankelijke euforie als de daaropvolgende minachting even gebrekkig waren – en welke lessen hieruit kunnen worden getrokken voor de evaluatie van toekomstige technologieën.

Geschikt hiervoor:

• Platformeconomie in transitie: ontwikkelingen van september 2018 tot september 2025

Terugblik op gisteren: het verhaal van een verkeerd begrepen revolutie

De wortels van modern AI-onderzoek gaan terug tot de jaren 50, toen pioniers zoals Alan Turing en John McCarthy de theoretische basis legden voor denkende machines. De beroemde Dartmouth-conferentie van 1956 wordt algemeen beschouwd als de geboorte van kunstmatige intelligentie als onderzoeksdiscipline. De eerste onderzoekers werden geïnspireerd door grenzeloos optimisme: ze geloofden stellig dat machines binnen een paar jaar de menselijke intelligentie zouden bereiken.

De jaren 60 brachten de eerste spectaculaire successen. Programma's zoals Logic Theorist konden wiskundige stellingen bewijzen, en in 1966 ontwikkelde Joseph Weizenbaum ELIZA, de eerste chatbot in de geschiedenis. ELIZA simuleerde een psychotherapeut en kon menselijke gesprekken zo overtuigend nabootsen dat zelfs Weizenbaums eigen secretaresse vroeg om alleen met het programma te mogen spreken. Paradoxaal genoeg was Weizenbaum geschokt door dit succes – hij had willen bewijzen dat mensen niet door machines voor de gek gehouden konden worden.

Maar de eerste grote desillusie begon begin jaren zeventig. Het beruchte Lighthill-rapport uit 1973 verklaarde AI-onderzoek tot een fundamentele mislukking en leidde tot drastische bezuinigingen op onderzoeksfinanciering in het Verenigd Koninkrijk. In de VS volgde DARPA dit voorbeeld met soortgelijke maatregelen. De eerste AI-winter was begonnen.

Een cruciaal keerpunt was de kritiek op perceptrons – vroege neurale netwerken – door Marvin Minsky en Seymour Papert in 1969. Zij toonden wiskundig aan dat eenvoudige perceptrons niet eens de XOR-functie konden leren en daardoor onbruikbaar waren voor praktische toepassingen. Deze kritiek leidde ertoe dat het onderzoek naar neurale netwerken bijna twintig jaar lang stil lag.

De jaren 80 markeerden aanvankelijk een renaissance van AI met de opkomst van expertsystemen. Deze op regels gebaseerde systemen, zoals MYCIN, dat werd gebruikt bij de diagnose van infectieziekten, leken eindelijk een doorbraak te bieden. Bedrijven investeerden miljoenen in gespecialiseerde Lisp-machines die optimaal waren ontworpen om AI-programma's uit te voeren.

Maar deze euforie duurde niet lang. Tegen het einde van de jaren tachtig werd duidelijk dat expertsystemen fundamenteel beperkt waren: ze konden alleen functioneren in nauw afgebakende gebieden, waren extreem onderhoudsintensief en faalden volledig zodra ze met onvoorziene situaties werden geconfronteerd. De Lisp-machine-industrie stortte spectaculair in – bedrijven zoals LMI gingen al in 1986 failliet. De tweede AI-winter brak aan, nog strenger en langduriger dan de eerste.

Tegelijkertijd ontwikkelde robotica zich aanvankelijk vrijwel uitsluitend in de industriële sector. Japan nam al in de jaren 80 een leidende rol in robottechnologie op zich, maar richtte zich ook op industriële toepassingen. Honda begon in 1986 met de ontwikkeling van humanoïde robots, maar hield dit onderzoek strikt geheim.

De verborgen basis: hoe doorbraken in de schaduw ontstonden

Hoewel AI-onderzoek eind jaren tachtig publiekelijk als een mislukking werd beschouwd, vonden er tegelijkertijd baanbrekende ontwikkelingen plaats, zij het grotendeels onopgemerkt. De belangrijkste doorbraak was de herontdekking en perfectionering van backpropagation door Geoffrey Hinton, David Rumelhart en Ronald Williams in 1986.

Deze techniek loste het fundamentele probleem van leren in meerlaagse neurale netwerken op en weerlegde daarmee de kritiek van Minsky en Papert. De AI-gemeenschap reageerde echter aanvankelijk nauwelijks op deze revolutie. De beschikbare computers waren te traag, de trainingsdata te schaars en de algemene belangstelling voor neurale netwerken was blijvend geschaad door de vernietigende kritiek uit de jaren zestig.

Slechts een paar visionaire onderzoekers zoals Yann LeCun erkenden het transformatieve potentieel van backpropagation. Zij werkten jarenlang in de schaduw van gevestigde symbolische AI ​​en legden de basis voor wat later de wereld zou veroveren als deep learning. Deze parallelle ontwikkeling laat een kenmerkend patroon van technologische innovatie zien: doorbraken vinden vaak juist plaats wanneer een technologie publiekelijk als een mislukking wordt beschouwd.

Een soortgelijk fenomeen is waarneembaar in de robotica. Terwijl de publieke aandacht in de jaren negentig gericht was op spectaculaire maar uiteindelijk oppervlakkige successen zoals de overwinning van Deep Blue op Garry Kasparov in 1997, ontwikkelden Japanse bedrijven zoals Honda en Sony in stilte de basis voor moderne servicerobots.

Hoewel Deep Blue een mijlpaal was in rekenkracht, was het nog steeds volledig gebaseerd op traditionele programmeertechnieken zonder enige echte leercapaciteit. Kasparov zelf realiseerde zich later dat de ware doorbraak niet in pure rekenkracht lag, maar in de ontwikkeling van zelflerende systemen die zichzelf konden verbeteren.

De ontwikkeling van robotica in Japan profiteerde van een cultureel andere houding ten opzichte van automatisering en robots. Terwijl robots in westerse landen vooral werden gezien als een bedreiging voor de werkgelegenheid, beschouwde Japan ze als noodzakelijke partners in een vergrijzende samenleving. Deze culturele acceptatie stelde Japanse bedrijven in staat om continu te investeren in robottechnologieën, zelfs wanneer de commerciële voordelen op korte termijn niet zichtbaar waren.

De geleidelijke verbetering van basistechnologieën was ook cruciaal: sensoren werden kleiner en nauwkeuriger, processoren krachtiger en energiezuiniger, en softwarealgoritmen geavanceerder. In de loop der jaren ontwikkelden deze stapsgewijze vorderingen zich tot kwalitatieve sprongen die echter voor buitenstaanders moeilijk te detecteren waren.

Heden en baanbrekend: wanneer het onmogelijke alledaags wordt

De dramatische verschuiving in de perceptie van AI en dienstrobots begon paradoxaal genoeg precies toen beide technologieën te maken kregen met de zwaarste kritiek. De AI-winter van begin jaren negentig eindigde abrupt met een reeks doorbraken die hun oorsprong vonden in de zogenaamd mislukte benaderingen van de jaren tachtig.

Het eerste keerpunt was de overwinning van Deep Blue op Kasparov in 1997. Hoewel deze overwinning nog steeds gebaseerd was op traditionele programmering, veranderde deze de publieke perceptie van computercapaciteiten voorgoed. Belangrijker was echter de renaissance van neurale netwerken vanaf de jaren 2000, gedreven door exponentieel groeiende rekenkracht en de beschikbaarheid van grote hoeveelheden data.

Geoffrey Hintons decennialange werk aan neurale netwerken wierp eindelijk vruchten af. Deep learning-systemen boekten prestaties op het gebied van beeldherkenning, natuurlijke taalverwerking en andere gebieden die een paar jaar eerder nog onmogelijk werden geacht. AlphaGo versloeg de Go-wereldkampioen in 2016 en ChatGPT bracht in 2022 een revolutie teweeg in de interactie tussen mens en computer – beide waren gebaseerd op technieken die hun oorsprong vonden in de jaren 80.

Tegelijkertijd evolueerden servicerobots van een sciencefictionvisie naar praktische oplossingen voor echte problemen. Demografische veranderingen en het groeiende tekort aan geschoolde arbeidskrachten zorgden plotseling voor een dringende behoefte aan geautomatiseerde assistentie. Robots zoals Pepper werden ingezet in verpleeghuizen, terwijl logistieke robots een revolutie teweegbrachten in magazijnen.

Cruciaal hierbij was niet alleen technologische vooruitgang, maar ook een verandering in het maatschappelijke kader. Het tekort aan geschoolde arbeidskrachten, dat aan het begin van het nieuwe millennium nog geen probleem was, groeide uit tot een van de grootste uitdagingen voor ontwikkelde economieën. Plotseling werden robots niet langer gezien als banenvernietigers, maar als noodzakelijke helpers.

De COVID-19-pandemie versnelde deze ontwikkeling verder. Contactloze diensten en geautomatiseerde processen wonnen aan belang, terwijl tegelijkertijd het personeelstekort in kritieke sectoren zoals de gezondheidszorg dramatisch duidelijk werd. Technologieën die decennialang als onpraktisch werden beschouwd, bleken plotseling onmisbaar.

Tegenwoordig zijn zowel AI als servicerobots dagelijkse realiteit geworden. Spraakassistenten zoals Siri en Alexa zijn gebaseerd op technologieën die rechtstreeks van ELIZA zijn afgeleid, maar zijn exponentieel verbeterd door moderne AI-technieken. Zorgrobots ondersteunen al routinematig personeel in Japanse verpleeghuizen, terwijl humanoïde robots op het punt staan ​​door te breken naar andere servicegebieden.

Praktische voorbeelden: wanneer theorie en realiteit elkaar ontmoeten

De transformatie van belachelijke concepten naar onmisbare hulpmiddelen wordt het best geïllustreerd met concrete voorbeelden die het traject van laboratoriumnieuwsgierigheid naar marktrijpheid schetsen.

Het eerste indrukwekkende voorbeeld is de ontwikkeling van de Pepper-robot door SoftBank Robotics. Pepper is gebaseerd op tientallen jaren onderzoek naar de interactie tussen mens en robot en was oorspronkelijk bedoeld als verkooprobot. Pepper wordt nu met succes gebruikt in Duitse verpleeghuizen om patiënten met dementie te betrekken. De robot kan eenvoudige gesprekken voeren, geheugentraining aanbieden en sociale interacties bevorderen door zijn aanwezigheid. Wat in de jaren 2000 nog als een dure gimmick werd beschouwd, blijkt nu een waardevolle ondersteuning te zijn voor overwerkt verplegend personeel.

Bijzonder opmerkelijk is de geduldige acceptatie: ouderen die nooit met computers zijn opgegroeid, gaan op een natuurlijke en onvoorwaardelijke manier om met de humanoïde robot. Dit bevestigt de decennialang controversiële theorie dat mensen een natuurlijke neiging hebben om machines te antropomorfiseren – een fenomeen dat al in de jaren zestig bij ELIZA werd waargenomen.

Het tweede voorbeeld komt uit de logistiek: het gebruik van autonome robots in magazijnen en distributiecentra. Bedrijven zoals Amazon gebruiken nu tienduizenden robots om goederen te sorteren, te transporteren en te verpakken. Deze robots voeren taken uit die enkele jaren geleden nog te complex werden geacht voor machines: ze navigeren autonoom door dynamische omgevingen, herkennen en manipuleren een breed scala aan objecten en coördineren hun acties met menselijke collega's.

De doorbraak kwam niet voort uit één technologische sprong, maar uit de integratie van verschillende technologieën: verbeteringen in sensortechnologie maakten nauwkeurige omgevingswaarneming mogelijk, krachtige processoren maakten realtime besluitvorming mogelijk en AI-algoritmen optimaliseerden de coördinatie tussen honderden robots. Tegelijkertijd maakten economische factoren – personeelstekorten, stijgende arbeidskosten en hogere kwaliteitseisen – het plotseling rendabel om te investeren in robottechnologie.

Een derde voorbeeld is te vinden in de medische diagnostiek, waar AI-systemen artsen nu ondersteunen bij het opsporen van ziekten. Moderne algoritmen voor beeldherkenning kunnen huidkanker, oogziekten of borstkanker diagnosticeren met een nauwkeurigheid die gelijk is aan of zelfs hoger is dan die van medisch specialisten. Deze systemen zijn direct gebaseerd op neurale netwerken, die in de jaren 80 werden ontwikkeld, maar decennialang als onpraktisch werden afgedaan.

De continuïteit in de ontwikkeling is bijzonder indrukwekkend: de huidige deep learning-algoritmen gebruiken in wezen dezelfde wiskundige principes als backpropagation uit 1986. Het cruciale verschil zit hem in de beschikbare rekenkracht en de datavolumes. Wat Hinton en zijn collega's aantoonden met kleine speelgoedproblemen, werkt nu met medische beelden met miljoenen pixels en trainingsdatasets met honderdduizenden voorbeelden.

Deze voorbeelden laten een kenmerkend patroon zien: de technologieën die de technologie mogelijk maken, ontstaan ​​vaak decennia vóór hun praktische toepassing. Tussen de wetenschappelijke haalbaarheidsstudie en de marktrijpheid zit doorgaans een lange fase van incrementele verbeteringen, waarin de technologie voor buitenstaanders stagneert. De doorbraak vindt dan vaak plotseling plaats wanneer verschillende factoren – technologische volwassenheid, economische noodzaak, maatschappelijke acceptatie – gelijktijdig samenkomen.

Onze wereldwijde branche- en bedrijfsexpertise op het gebied van bedrijfsontwikkeling, verkoop en marketing - Afbeelding: Xpert.Digital

Branchefocus: B2B, digitalisering (van AI tot XR), machinebouw, logistiek, hernieuwbare energie en industrie

Meer hierover hier:

• Xpert Business Hub

Een thematisch centrum met inzichten en expertise:

• Kennisplatform over de mondiale en regionale economie, innovatie en branchespecifieke trends
• Verzameling van analyses, impulsen en achtergrondinformatie uit onze focusgebieden
• Een plek voor expertise en informatie over actuele ontwikkelingen in het bedrijfsleven en de technologie
• Topic hub voor bedrijven die meer willen weten over markten, digitalisering en industriële innovaties

Schaduwen en tegenstellingen: de keerzijde van vooruitgang

Het succesverhaal van AI en dienstrobots kent echter ook schaduwkanten en onopgeloste tegenstrijdigheden. De aanvankelijke minachting voor deze technologieën had deels volkomen legitieme redenen die vandaag de dag nog steeds relevant zijn.

Een centraal probleem is het zogenaamde "black box"-probleem van moderne AI-systemen. Terwijl de expertsystemen van de jaren 80, althans theoretisch, begrijpelijke besluitvormingsprocessen hadden, zijn de huidige deep learning-systemen volledig ondoorzichtig. Zelfs hun ontwikkelaars kunnen niet verklaren waarom een ​​neuraal netwerk een bepaalde beslissing neemt. Dit leidt tot aanzienlijke problemen in cruciale toepassingsgebieden zoals de geneeskunde of autonoom rijden, waar traceerbaarheid en verantwoording cruciaal zijn.

Joseph Weizenbaum, de bedenker van ELIZA, is niet voor niets een van de felste critici van AI-ontwikkeling geworden. Zijn waarschuwing dat mensen geneigd zijn menselijke eigenschappen aan machines toe te schrijven en er onterecht op te vertrouwen, is profetisch gebleken. Het ELIZA-effect – de neiging om primitieve chatbots voor intelligenter te houden dan ze in werkelijkheid zijn – is vandaag de dag relevanter dan ooit, aangezien miljoenen mensen dagelijks met spraakassistenten en chatbots communiceren.

Robotica staat voor vergelijkbare uitdagingen. Studies tonen aan dat de scepsis ten opzichte van robots in Europa tussen 2012 en 2017 aanzienlijk is toegenomen, met name wat betreft het gebruik ervan op de werkvloer. Deze scepsis is niet irrationeel: automatisering leidt inderdaad tot het verlies van bepaalde banen, terwijl er tegelijkertijd nieuwe ontstaan. De bewering dat robots alleen "vuile, gevaarlijke en saaie" taken uitvoeren, is misleidend – ze nemen ook steeds vaker geschoolde banen over.

De ontwikkeling in de verpleegkunde is bijzonder problematisch. Hoewel verpleegrobots worden geprezen als een oplossing voor personeelstekorten, bestaat het risico dat een toch al gespannen sector verder wordt gedehumaniseerd. Interactie met robots kan menselijke zorg niet vervangen, zelfs niet als ze bepaalde functionele taken kunnen uitvoeren. De verleiding is groot om efficiëntiewinst te verkiezen boven menselijke behoeften.

Een ander fundamenteel probleem is de machtsconcentratie. De ontwikkeling van geavanceerde AI-systemen vereist enorme middelen – rekenkracht, data, kapitaal – die slechts een paar wereldwijde bedrijven kunnen opbrengen. Dit leidt tot een ongekende machtsconcentratie in de handen van een handvol technologiebedrijven, met onvoorzienbare gevolgen voor de democratie en maatschappelijke participatie.

De geschiedenis van de Lisp-machines uit de jaren 80 biedt hier een leerzame parallel. Deze zeer gespecialiseerde computers waren technisch briljant, maar commercieel gedoemd te mislukken omdat ze slechts door een kleine elite werden bestuurd en niet compatibel waren met standaardtechnologieën. Tegenwoordig bestaat het gevaar dat soortgelijke geïsoleerde oplossingen zich in AI ontwikkelen – met dit verschil dat de macht dit keer bij een paar wereldwijde bedrijven ligt in plaats van bij gespecialiseerde nichebedrijven.

Ten slotte blijft de vraag naar de maatschappelijke gevolgen op de lange termijn bestaan. De optimistische voorspellingen uit de jaren vijftig, dat automatisering zou leiden tot meer vrije tijd en welvaart voor iedereen, zijn niet uitgekomen. In plaats daarvan hebben technologische ontwikkelingen vaak geleid tot grotere ongelijkheid en nieuwe vormen van uitbuiting. Er is weinig reden om aan te nemen dat AI en robotica deze keer een andere impact zullen hebben, tenzij er doelbewust tegenmaatregelen worden genomen.

Geschikt hiervoor:

• Vooruitgang in roboticatechnologie: een uitgebreid overzicht

Toekomsthorizonten: wat het verleden onthult over morgen

De parallelle ontwikkelingsgeschiedenis van AI en servicerobots biedt waardevolle inzichten voor het beoordelen van toekomstige technologische trends. Er zijn verschillende patronen te identificeren die zeer waarschijnlijk in toekomstige innovaties naar voren zullen komen.

Het belangrijkste patroon is de karakteristieke hypecyclus: nieuwe technologieën doorlopen doorgaans een fase van opgeblazen verwachtingen, gevolgd door een periode van teleurstelling, voordat ze uiteindelijk praktisch volwassen worden. Deze cyclus is niet willekeurig, maar weerspiegelt de verschillende tijdschalen van wetenschappelijke doorbraken, technologische ontwikkeling en maatschappelijke acceptatie.

Cruciaal hierbij is het besef dat baanbrekende innovaties vaak juist ontstaan ​​wanneer een technologie publiekelijk als een mislukking wordt beschouwd. Backpropagation werd ontwikkeld in 1986, midden in de tweede AI-winter. De basis voor moderne dienstverlenende robots werd gelegd in de jaren 90 en 2000, toen robots nog als sciencefiction werden beschouwd. Dit komt doordat fundamenteel onderzoek door patiënten buiten de schijnwerpers plaatsvindt en pas jaren later vruchten afwerpt.

Voor de toekomst betekent dit dat bijzonder veelbelovende technologieën vaak te vinden zullen zijn in gebieden die momenteel als problematisch of mislukt worden beschouwd. Quantum computing bevindt zich in de fase waarin AI zich in de jaren 80 bevond: theoretisch veelbelovend, maar nog niet praktisch levensvatbaar. Fusie-energie bevindt zich in een vergelijkbare situatie: het duurt nog twintig jaar voordat het marktrijp is, maar op de achtergrond is er voortdurende vooruitgang.

Een tweede belangrijk patroon is de rol van economische en sociale omstandigheden. Technologieën prevaleren niet alleen vanwege hun technische superioriteit, maar ook omdat ze specifieke problemen aanpakken. Demografische veranderingen creëerden de behoefte aan servicerobots, het tekort aan geschoolde arbeidskrachten maakte automatisering noodzakelijk, en digitalisering genereerde de datavolumes die deep learning in de eerste plaats mogelijk maakten.

Soortgelijke factoren voor de toekomst zijn nu al te identificeren: klimaatverandering zal technologieën bevorderen die bijdragen aan decarbonisatie. Een vergrijzende samenleving zal innovaties in de medische en zorgsector stimuleren. De toenemende complexiteit van wereldwijde systemen vereist betere analyse- en controle-instrumenten.

Een derde patroon betreft de convergentie van verschillende technologische aspecten. Zowel bij AI als bij dienstrobots was de doorbraak niet het resultaat van één enkele innovatie, maar eerder van de integratie van verschillende ontwikkelingslijnen. Bij AI kwamen verbeterde algoritmen, meer rekenkracht en uitgebreidere datasets samen. Bij dienstrobots convergeerden ontwikkelingen in sensortechnologie, mechanica, energieopslag en software.

Toekomstige doorbraken zullen waarschijnlijk plaatsvinden op de raakvlakken van verschillende disciplines. De combinatie van AI en biotechnologie zou een revolutie teweeg kunnen brengen in gepersonaliseerde geneeskunde. De integratie van robotica met nanotechnologie zou volledig nieuwe toepassingsgebieden kunnen openen. De combinatie van quantum computing en machine learning zou optimalisatieproblemen kunnen oplossen die momenteel als onoplosbaar worden beschouwd.

Tegelijkertijd waarschuwt de geschiedenis voor te hoge kortetermijnverwachtingen. De meeste revolutionaire technologieën hebben 20 tot 30 jaar nodig van wetenschappelijke ontdekking tot brede maatschappelijke acceptatie. Deze periode is nodig om technische kinderziektes te overwinnen, kosten te verlagen, infrastructuur te bouwen en maatschappelijke acceptatie te verwerven.

Een bijzonder belangrijke les is dat technologieën zich vaak compleet anders ontwikkelen dan oorspronkelijk voorspeld. ELIZA was bedoeld om de grenzen van computercommunicatie te demonstreren, maar werd een model voor moderne chatbots. Deep Blue versloeg Kasparov met pure rekenkracht, maar de echte revolutie kwam met zelflerende systemen. Servicerobots waren oorspronkelijk bedoeld om menselijke werknemers te vervangen, maar blijken een waardevolle aanvulling te zijn in situaties van personeelstekort.

Deze onvoorspelbaarheid zou een waarschuwing moeten zijn om nederig te zijn bij het beoordelen van opkomende technologieën. Noch overdreven euforie, noch algehele minachting doen recht aan de complexiteit van technologische ontwikkeling. In plaats daarvan is een genuanceerde aanpak nodig die zowel de potentie als de risico's van nieuwe technologieën serieus neemt en bereid is beoordelingen te herzien op basis van nieuwe inzichten.

Lessen uit een verkeerd begrepen tijdperk: wat er overblijft van de kennis

De parallelle geschiedenis van kunstmatige intelligentie en dienstrobots onthult fundamentele waarheden over de aard van technologische verandering die veel verder reiken dan deze specifieke gebieden. Ze tonen aan dat zowel blinde technologische euforie als algehele technofobie even misleidend zijn.

Het belangrijkste inzicht is de erkenning van de tijdspanne tussen wetenschappelijke doorbraak en praktische toepassing. Wat vandaag de dag een revolutionaire innovatie lijkt, vindt vaak zijn oorsprong in decennia van fundamenteel onderzoek. Geoffrey Hintons backpropagation uit 1986 vormt ChatGPT en autonome voertuigen vandaag de dag. Joseph Weizenbaums ELIZA uit 1966 leeft voort in moderne spraakassistenten. Deze lange latentie tussen uitvinding en toepassing verklaart waarom technologiebeoordelingen zo vaak mislukken.

De rol van de zogenaamde "vallei van teleurstellingen" speelt hierbij een cruciale rol. Elke significante technologie doorloopt een fase waarin de aanvankelijke beloftes niet kunnen worden waargemaakt en als een mislukking worden beschouwd. Deze fase is niet alleen onvermijdelijk, maar zelfs noodzakelijk: ze filtert dubieuze benaderingen eruit en dwingt tot een focus op werkelijk levensvatbare concepten. De twee AI-winters in de jaren 70 en 80 elimineerden onrealistische verwachtingen en creëerden ruimte voor het geduldige grondwerk dat later tot echte doorbraken leidde.

Een ander belangrijk inzicht betreft de rol van maatschappelijke omstandigheden. Technologieën hebben niet alleen de overhand vanwege hun technische superioriteit, maar ook omdat ze inspelen op concrete maatschappelijke behoeften. Demografische veranderingen hebben dienstverlenende robots getransformeerd van een curiositeit tot een noodzaak. Het tekort aan geschoolde arbeidskrachten heeft automatisering getransformeerd van een bedreiging tot een redding. Deze contextuele afhankelijkheid verklaart waarom dezelfde technologie op verschillende momenten totaal verschillend wordt beoordeeld.

Het belang van culturele factoren is bijzonder opmerkelijk. De positieve houding van Japan ten opzichte van robots maakte voortdurende investeringen in deze technologie mogelijk, zelfs toen deze in het Westen als onpraktisch werd beschouwd. Deze culturele openheid wierp zijn vruchten af ​​toen robots plotseling wereldwijd in trek raakten. Omgekeerd leidde de groeiende scepsis ten opzichte van automatisering in Europa ertoe dat het continent achterop raakte bij belangrijke toekomstige technologieën.

De geschiedenis waarschuwt ook voor de gevaren van technologische monocultuur. De Lisp-machines uit de jaren 80 waren technisch briljant, maar faalden omdat ze onverenigbare, geïsoleerde oplossingen vertegenwoordigden. Vandaag de dag bestaat het tegenovergestelde gevaar: de dominantie van een paar wereldwijde technologiebedrijven op het gebied van AI en robotica zou kunnen leiden tot een problematische machtsconcentratie, die innovatie belemmert en democratische controle compliceert.

Ten slotte laat de analyse zien dat technologische kritiek vaak terecht is, maar om de verkeerde redenen wordt geuit. Joseph Weizenbaums waarschuwing over de humanisering van computers was profetisch, maar zijn conclusie dat AI om die reden niet ontwikkeld zou moeten worden, bleek onjuist. Scepsis over servicerobots was gebaseerd op terechte zorgen over banen, maar negeerde hun potentieel om het tekort aan arbeidskrachten aan te pakken.

Dit inzicht is met name belangrijk voor de evaluatie van opkomende technologieën. Kritiek moet niet gericht zijn op de technologie zelf, maar op problematische toepassingen of ontoereikende regelgeving. De taak is om het potentieel van nieuwe technologieën te benutten en tegelijkertijd de risico's ervan te minimaliseren.

De geschiedenis van AI en dienstverlenende robots leert ons nederigheid: noch de enthousiaste voorspellingen uit de jaren vijftig, noch de pessimistische voorspellingen uit de jaren tachtig kwamen uit. De werkelijkheid was complexer, trager en verrassender dan verwacht. Deze les moet altijd in gedachten worden gehouden bij het evalueren van de huidige toekomstige technologieën – van quantumcomputing tot genetische manipulatie en kernfusie.

Tegelijkertijd laat de geschiedenis zien dat geduldig, continu onderzoek zelfs onder ongunstige omstandigheden tot revolutionaire doorbraken kan leiden. Geoffrey Hintons decennialange werk aan neurale netwerken werd lang belachelijk gemaakt, maar beïnvloedt vandaag de dag ons leven. Dit zou ons moeten aanmoedigen om niet op te geven, zelfs niet in schijnbaar hopeloze onderzoeksgebieden.

Maar de belangrijkste les is misschien wel deze: technologische vooruitgang is niet automatisch goed of automatisch slecht. Het is een instrument waarvan de effecten afhangen van hoe we het gebruiken. Het is niet onze taak om technologie te demoniseren of te verafgoden, maar om er bewust en verantwoord vorm aan te geven. Alleen zo kunnen we ervoor zorgen dat de volgende generatie ondergewaardeerde technologieën daadwerkelijk bijdraagt ​​aan het welzijn van de mensheid.

☑️ onze zakelijke taal is Engels of Duits

☑️ Nieuw: correspondentie in uw nationale taal!

Konrad Wolfenstein

Ik ben blij dat ik beschikbaar ben voor jou en mijn team als een persoonlijk consultant.

U kunt contact met mij opnemen door het contactformulier hier in te vullen of u gewoon te bellen op +49 89 674 804 (München) . Mijn e -mailadres is: Wolfenstein ∂ Xpert.Digital

Ik kijk uit naar ons gezamenlijke project.

☑️ MKB -ondersteuning in strategie, advies, planning en implementatie

☑️ Creatie of herschikking van de digitale strategie en digitalisering

☑️ Uitbreiding en optimalisatie van de internationale verkoopprocessen

☑️ Wereldwijde en digitale B2B -handelsplatforms

☑️ Pioneer Business Development / Marketing / PR / Maatregel

Profiteer van de uitgebreide, vijfvoudige expertise van Xpert.Digital in een uitgebreid servicepakket | R&D, XR, PR & Optimalisatie van digitale zichtbaarheid - Afbeelding: Xpert.Digital

Xpert.Digital heeft diepe kennis in verschillende industrieën. Dit stelt ons in staat om op maat gemaakte strategieën te ontwikkelen die zijn afgestemd op de vereisten en uitdagingen van uw specifieke marktsegment. Door continu markttrends te analyseren en de ontwikkelingen in de industrie na te streven, kunnen we handelen met vooruitziende blik en innovatieve oplossingen bieden. Met de combinatie van ervaring en kennis genereren we extra waarde en geven onze klanten een beslissend concurrentievoordeel.

Meer hierover hier:

• Gebruik de 5 -voudig competentie van Xpert.Digital in één pakket - van 500 €/maand