Van bespotte visies naar realiteit: waarom kunstmatige intelligentie en servicerobots hun critici hebben ingehaald

Tussen euforie en minachting – Een technologische reis door de tijd

De geschiedenis van technologische innovatie volgt vaak een voorspelbaar patroon: een periode 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 indrukwekkend te observeren in twee technologische gebieden die nu worden beschouwd als sleuteltechnologieën van de 21e eeuw: kunstmatige intelligentie en servicerobots.

Eind jaren tachtig bevond AI-onderzoek zich in een van de diepste crises uit zijn geschiedenis. De zogenaamde tweede AI-winter was begonnen, onderzoeksbudgetten werden gekort en veel experts verklaarden de visie van denkende machines tot een mislukking. Een soortgelijk lot trof servicerobots 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 speeltjes en onrealistische sciencefiction.

Deze analyse onderzoekt de parallelle ontwikkelingspaden van beide technologieën en onthult de mechanismen die ertoe leiden dat revolutionaire innovaties aanvankelijk systematisch worden onderschat. Het wordt duidelijk dat zowel de aanvankelijke euforie als de daaropvolgende minachting evenzeer onterecht waren – en welke lessen kunnen we hieruit trekken voor de beoordeling van toekomstige technologieën.

Dit is hiermee gerelateerd:

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

Een terugblik op gisteren: Het verhaal van een misbegrepen revolutie

De wortels van modern AI-onderzoek gaan terug tot de jaren 50, toen pioniers als 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 vroege onderzoekers waren vervuld van grenzeloos optimisme: ze waren er vast van overtuigd dat machines binnen enkele jaren het niveau van menselijke intelligentie zouden bereiken.

De jaren zestig brachten de eerste spectaculaire successen. Programma's zoals de Logic Theorist waren in staat wiskundige stellingen te bewijzen, en in 1966 ontwikkelde Joseph Weizenbaum ELIZA, de eerste chatbot in de geschiedenis. ELIZA simuleerde een psychotherapeut en was zo overtuigend in zijn imitatie van een menselijk gesprek dat zelfs Weizenbaums eigen secretaresse vroeg om alleen met het programma te mogen praten. Paradoxaal genoeg was Weizenbaum geschokt door dit succes – hij had juist willen bewijzen dat mensen niet door machines misleid konden worden.

Maar de eerste grote teleurstelling deed zich al in de jaren zeventig voor. Het beruchte Lighthill-rapport uit 1973 verklaarde AI-onderzoek tot een fundamentele mislukking en leidde tot drastische bezuinigingen op onderzoeksfinanciering in Groot-Brittannië. DARPA in de VS volgde dit voorbeeld met soortgelijke maatregelen. De eerste AI-winter was aangebroken.

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 zelfs de XOR-functie niet konden leren en daarom onbruikbaar waren voor praktische toepassingen. Deze kritiek bracht het onderzoek naar neurale netwerken bijna twee decennia lang tot stilstand.

De jaren tachtig markeerden aanvankelijk een heropleving van AI met de opkomst van expertsystemen. Deze op regels gebaseerde systemen, zoals MYCIN, dat werd gebruikt bij de diagnose van infectieziekten, leken eindelijk klaar voor een doorbraak. Bedrijven investeerden miljoenen in gespecialiseerde Lisp-machines, optimaal ontworpen voor het uitvoeren van AI-programma's.

Maar ook deze euforie duurde niet lang. Tegen het einde van de jaren tachtig werd duidelijk dat expertsystemen fundamenteel beperkt waren: ze konden alleen functioneren binnen nauw omschreven 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 was aangebroken, nog harder en langduriger dan de eerste.

Parallel daaraan ontwikkelde robotica zich aanvankelijk bijna uitsluitend in de industriële sector. Japan nam al in de jaren tachtig een leidende rol in de 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.

Het verborgen fundament: Hoe doorbraken in de schaduw ontstonden

Hoewel AI-onderzoek eind jaren tachtig algemeen als een mislukking werd beschouwd, vonden er tegelijkertijd baanbrekende ontwikkelingen plaats, die echter grotendeels onopgemerkt bleven. 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 aanvankelijk echter nauwelijks op deze revolutie. Beschikbare computers waren te traag, trainingsdata te schaars en de algemene interesse in neurale netwerken was ernstig geschaad door de vernietigende kritiek uit de jaren zestig.

Slechts een handjevol visionaire onderzoekers, zoals Yann LeCun, herkende het transformatieve potentieel van backpropagation. Jarenlang werkten ze in de schaduw van gevestigde symbolische AI ​​en legden ze de basis voor wat later de wereld zou veroveren als deep learning. Deze parallelle ontwikkeling illustreert een kenmerkend patroon van technologische innovatie: doorbraken vinden vaak plaats precies wanneer een technologie publiekelijk als een mislukking wordt beschouwd.

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

Hoewel Deep Blue een mijlpaal was op het gebied van rekenkracht, was het nog volledig gebaseerd op traditionele programmeertechnieken zonder echte leermogelijkheden. Kasparov zelf realiseerde zich later dat de echte doorbraak niet lag in pure rekenkracht, maar in de ontwikkeling van adaptieve systemen die in staat waren tot zelfverbetering.

De ontwikkeling van robotica in Japan profiteerde van een cultureel andere houding ten opzichte van automatisering en robots. Waar robots in westerse landen vooral als een bedreiging voor banen werden gezien, 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 duidelijk waren.

Cruciaal was ook de geleidelijke verbetering van de onderliggende technologieën: sensoren werden kleiner en nauwkeuriger, processors krachtiger en energiezuiniger, en software-algoritmes geavanceerder. Deze stapsgewijze vooruitgang leidde in de loop der jaren tot kwalitatieve sprongen voorwaarts, die voor buitenstaanders echter moeilijk waar te nemen waren.

Heden en doorbraak: Wanneer het onmogelijke alledaags wordt

De dramatische verschuiving in de perceptie van AI en servicerobots begon paradoxaal genoeg precies toen beide technologieën de zwaarste kritiek te verduren kregen. 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, die, hoewel nog steeds gebaseerd op traditionele programmering, de publieke perceptie van computerkracht fundamenteel veranderde. Belangrijker was echter de heropleving van neurale netwerken vanaf de jaren 2000, gedreven door de exponentieel groeiende rekenkracht en de beschikbaarheid van grote datasets.

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

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

Cruciaal hierbij was niet alleen de technologische vooruitgang, maar ook een verandering in de maatschappelijke context. Het tekort aan geschoolde arbeidskrachten, dat rond de eeuwwisseling geen probleem was, ontwikkelde zich tot een van de grootste uitdagingen voor ontwikkelde economieën. Robots werden plotseling niet langer gezien als banenvernietigers, maar als noodzakelijke hulpmiddelen.

De COVID-19-pandemie heeft deze ontwikkeling verder versneld. Contactloze diensten en geautomatiseerde processen werden belangrijker, terwijl tegelijkertijd personeelstekorten in cruciale sectoren zoals de verpleging dramatisch duidelijk werden. Technologieën die decennialang als onpraktisch werden beschouwd, bleken plotseling onmisbaar.

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

Praktische voorbeelden: Wanneer theorie en praktijk elkaar ontmoeten

De transformatie van bespotte concepten tot onmisbare instrumenten kan het best worden geïllustreerd met concrete voorbeelden die het traject van laboratoriumexperiment tot marktrijpheid laten zien.

Het eerste indrukwekkende voorbeeld is de ontwikkeling van de Pepper-robot door SoftBank Robotics. Pepper is gebaseerd op decennialang onderzoek naar mens-robotinteractie en werd aanvankelijk ontworpen als een robot voor de detailhandel. Tegenwoordig wordt Pepper met succes ingezet in Duitse verpleeghuizen om dementiepatiënten te betrekken. De robot kan eenvoudige gesprekken voeren, geheugentraining aanbieden en sociale interactie bevorderen door zijn aanwezigheid. Wat in de jaren 2000 als een dure nieuwigheid werd beschouwd, blijkt nu een waardevolle ondersteuning te zijn voor overbelast verplegend personeel.

Bijzonder opmerkelijk is de acceptatie door patiënten: ouderen die nooit met computers zijn opgegroeid, communiceren natuurlijk en zonder aarzeling met de humanoïde robot. Dit bevestigt de al lang bestaande theorie dat mensen een natuurlijke neiging hebben om machines te antropomorfiseren – een fenomeen dat al bij ELIZA in de jaren zestig 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 een paar jaar 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 werd niet bereikt door één enkele technologische sprong, maar door de integratie van verschillende technologieën: verbeteringen in sensortechnologie maakten nauwkeurige omgevingswaarneming mogelijk, krachtige processors zorgden voor realtime besluitvorming en AI-algoritmen optimaliseerden de coördinatie tussen honderden robots. Tegelijkertijd zorgden economische factoren – tekorten aan arbeidskrachten, stijgende arbeidskosten en hogere kwaliteitseisen – ervoor dat investeren in robottechnologie plotseling winstgevend werd.

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

Wat vooral indrukwekkend is, is de continuïteit van de ontwikkeling: de huidige deep learning-algoritmen gebruiken in wezen dezelfde wiskundige principes als backpropagatie uit 1986. Het cruciale verschil zit hem in de beschikbare rekenkracht en de hoeveelheid data. Wat Hinton en zijn collega's demonstreerden met kleine, eenvoudige problemen, werkt nu ook met medische beelden die miljoenen pixels bevatten en trainingsdatasets met honderdduizenden voorbeelden.

Deze voorbeelden illustreren een kenmerkend patroon: fundamentele technologieën ontstaan ​​vaak decennia voordat ze praktisch toepasbaar zijn. Tussen de wetenschappelijke haalbaarheidsstudie en de marktrijpheid ligt doorgaans een lange fase van stapsgewijze verbeteringen, waarin de technologie voor buitenstaanders stagneert. De doorbraak vindt dan vaak plotseling plaats wanneer verschillende factoren – technologische volwassenheid, economische noodzaak en maatschappelijke acceptatie – gelijktijdig samenvallen.

Onze wereldwijde expertise in de industrie en economie op het gebied van bedrijfsontwikkeling, verkoop en marketing - Afbeelding: Xpert.Digital

Focusgebieden binnen de industrie: B2B, digitalisering (van AI tot XR), werktuigbouwkunde, logistiek, hernieuwbare energie en industrie

Meer informatie vindt u hier:

• Expert Business Hub

Een thematisch kenniscentrum met inzichten en expertise:

• Kennisplatform over mondiale en regionale economieën, innovatie en trends in specifieke sectoren
• Een verzameling analyses, inzichten en achtergrondinformatie over onze belangrijkste aandachtsgebieden
• Een plek voor expertise en informatie over actuele ontwikkelingen in het bedrijfsleven en de technologie
• Een informatiecentrum voor bedrijven die op zoek zijn naar informatie over markten, digitalisering en innovaties in de sector

Schaduwen en tegenstrijdigheden: de keerzijde van vooruitgang

Het succesverhaal van AI en servicerobots kent echter ook schaduwzijden en onopgeloste tegenstrijdigheden. De aanvankelijke afkeer van deze technologieën was met name deels terecht, en sommige van de redenen daarvoor zijn nog steeds relevant.

Een belangrijk probleem is het zogenaamde "black box"-probleem van moderne AI-systemen. Waar expertsystemen uit de jaren 80 tenminste theoretisch begrijpelijke besluitvormingsprocessen hadden, zijn de huidige deep learning-systemen volledig ondoorzichtig. Zelfs de ontwikkelaars kunnen niet uitleggen 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 essentieel zijn.

Joseph Weizenbaum, de bedenker van ELIZA, werd niet voor niets een van de meest uitgesproken critici van de ontwikkeling van AI. Zijn waarschuwing dat mensen de neiging hebben om menselijke eigenschappen aan machines toe te schrijven en er onterecht veel vertrouwen in te stellen, is profetisch gebleken. Het ELIZA-effect – de neiging om primitieve chatbots als intelligenter te beschouwen dan ze in werkelijkheid zijn – is vandaag de dag relevanter dan ooit, nu 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 hun inzet op de werkvloer. Deze scepsis is niet irrationeel: automatisering leidt inderdaad tot het verlies van bepaalde banen, ook al worden er tegelijkertijd nieuwe gecreëerd. De bewering dat robots alleen "vieze, gevaarlijke en saaie" taken overnemen, is een simplificatie – ze nemen steeds vaker ook geschoolde banen over.

De situatie in de zorgsector is bijzonder problematisch. Hoewel zorgrobots worden aangeprezen als oplossing voor het personeelstekort, bestaat het risico dat een toch al overbelaste sector verder wordt ontmenselijkt. Interactie met robots kan menselijke zorg niet vervangen, zelfs niet als ze bepaalde functionele taken kunnen overnemen. De verleiding is groot om efficiëntiewinsten boven menselijke behoeften te stellen.

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

De geschiedenis van Lisp-machines in de jaren tachtig biedt hier een leerzame parallel. Deze zeer gespecialiseerde computers waren technisch briljant, maar commercieel gedoemd te mislukken omdat ze alleen door een kleine elite werden beheerst en incompatibel waren met standaardtechnologieën. Vandaag de dag bestaat het risico dat zich soortgelijke geïsoleerde oplossingen ontwikkelen in de AI – met dit verschil dat de macht ditmaal in handen is van een paar wereldwijde bedrijven in plaats van gespecialiseerde nichebedrijven.

Tot slot blijft de vraag naar de maatschappelijke gevolgen op de lange termijn onbeantwoord. De optimistische voorspellingen uit de jaren vijftig, die stelden dat automatisering zou leiden tot meer vrije tijd en welvaart voor iedereen, zijn niet uitgekomen. In plaats daarvan hebben technologische vooruitgang 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 ander effect zullen hebben, tenzij er doelbewuste tegenmaatregelen worden genomen.

Dit is hiermee gerelateerd:

• Vooruitgang in robottechnologie: een uitgebreid overzicht

Toekomsthorizonten: Wat het verleden ons leert over de toekomst

De parallelle ontwikkelingsgeschiedenis van AI en servicerobots biedt waardevolle inzichten voor het evalueren van toekomstige technologietrends. Er kunnen verschillende patronen worden geïdentificeerd die zeer waarschijnlijk ook in toekomstige innovaties zullen terugkomen.

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

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

Met het oog op de toekomst betekent dit dat bijzonder veelbelovende technologieën vaak te vinden zijn in gebieden die momenteel als problematisch of mislukt worden beschouwd. Kwantumcomputing bevindt zich in dezelfde situatie als AI in de jaren 80: theoretisch veelbelovend, maar nog niet praktisch toepasbaar. Kernfusie bevindt zich in een vergelijkbare situatie – al decennialang "nog 20 jaar verwijderd van marktrijpheid", maar met continue vooruitgang op de achtergrond.

Een tweede belangrijk patroon is de rol van economische en sociale omstandigheden. Technologieën zegevieren 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 enorme hoeveelheden data die deep learning überhaupt mogelijk maakten.

Voor de toekomst zijn al vergelijkbare drijfveren te herkennen: klimaatverandering zal technologieën bevorderen die bijdragen aan de decarbonisatie. Een vergrijzende bevolking zal innovaties in de geneeskunde en verpleging stimuleren. De toenemende complexiteit van mondiale systemen zal betere analyse- en controlemiddelen vereisen.

Een derde patroon betreft de convergentie van verschillende technologische stromingen. Zowel bij AI als bij servicerobots was de doorbraak niet het resultaat van één enkele innovatie, maar eerder van de integratie van verschillende ontwikkelingslijnen. Bij AI kwamen verbeterde algoritmen, grotere rekenkracht en uitgebreidere datasets samen. Bij servicerobots combineerden de vooruitgang op het gebied van sensoren, mechanica, energieopslag en software zich.

Toekomstige doorbraken zullen zich hoogstwaarschijnlijk voordoen op het snijvlak van verschillende disciplines. De combinatie van AI met biotechnologie zou een revolutie teweeg kunnen brengen in de gepersonaliseerde geneeskunde. De integratie van robotica met nanotechnologie zou geheel nieuwe toepassingsgebieden kunnen openen. De combinatie van kwantumcomputing met machine learning zou optimalisatieproblemen kunnen oplossen die momenteel als onoplosbaar worden beschouwd.

Tegelijkertijd waarschuwt de geschiedenis voor overdreven verwachtingen op de korte termijn. De meeste revolutionaire technologieën hebben 20 tot 30 jaar nodig, van wetenschappelijke ontdekking tot wijdverspreide maatschappelijke acceptatie. Deze tijdspanne is nodig om de aanvankelijke technologische problemen te overwinnen, de kosten te verlagen, de infrastructuur op te bouwen en maatschappelijke acceptatie te verkrijgen.

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

Deze onvoorspelbaarheid zou ons eraan moeten herinneren bescheiden te blijven bij de beoordeling van opkomende technologieën. Noch overdreven euforie, noch een algehele minachting doet recht aan de complexiteit van technologische ontwikkeling. In plaats daarvan is een genuanceerde aanpak nodig, een aanpak die zowel de mogelijkheden als de risico's van nieuwe technologieën serieus neemt en bereid is beoordelingen bij te stellen op basis van nieuwe inzichten.

Lessen uit een tijdperk dat verkeerd begrepen werd: Wat is er overgebleven van die kennis?

De parallelle geschiedenissen van kunstmatige intelligentie en servicerobots onthullen 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 vijandigheid jegens technologie even misleidend zijn.

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

Cruciaal hierbij is de rol van de zogenaamde "vallei van desillusie". Elke belangrijke technologie doorloopt een fase waarin aanvankelijke beloftes niet kunnen worden waargemaakt en de technologie als een mislukking wordt beschouwd. Deze fase is niet alleen onvermijdelijk, maar zelfs noodzakelijk: ze filtert twijfelachtige benaderingen eruit en dwingt de aandacht af op werkelijk haalbare concepten. De twee AI-winters van de jaren 70 en 80 maakten een einde aan onrealistische verwachtingen en creëerden ruimte voor het geduldige voorwerk dat later tot echte doorbraken leidde.

Een andere belangrijke bevinding betreft de rol van maatschappelijke omstandigheden. Technologieën zegevieren niet alleen vanwege hun technologische superioriteit, maar ook omdat ze inspelen op specifieke maatschappelijke behoeften. Demografische veranderingen hebben servicerobots van een curiositeit tot een noodzaak gemaakt. Het tekort aan geschoolde arbeidskrachten heeft automatisering van een bedreiging tot een levenslijn gemaakt. Deze contextafhankelijkheid verklaart waarom dezelfde technologie op verschillende momenten totaal anders wordt beoordeeld.

Bijzonder opmerkelijk is het belang van culturele factoren. De positieve houding van Japan ten opzichte van robots maakte continue 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 een wereldwijde noodzaak werden. Omgekeerd zorgde de groeiende scepsis ten opzichte van automatisering in Europa ervoor dat het continent achterop raakte met belangrijke toekomstige technologieën.

De geschiedenis waarschuwt ook voor de gevaren van technologische monocultuur. De Lisp-machines uit de jaren tachtig waren technisch briljant, maar faalden omdat ze incompatibele, 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 verstikt en democratische controle bemoeilijkt.

Tot slot laat de analyse zien dat technologische kritiek vaak terecht is, maar gebaseerd op de verkeerde redenen. Joseph Weizenbaums waarschuwing tegen de antropomorfisering van computers was profetisch, maar zijn conclusie dat AI daarom niet ontwikkeld zou moeten worden, bleek onjuist. Scepticisme ten opzichte van servicerobots was gebaseerd op legitieme zorgen over banen, maar negeerde hun potentieel om het tekort aan arbeidskrachten op te lossen.

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

De geschiedenis van AI en servicerobots leert ons nederigheid: noch de enthousiaste voorspellingen van de jaren vijftig, noch de pessimistische prognoses van de jaren tachtig zijn uitgekomen. De realiteit bleek complexer, trager en verrassender dan verwacht. Deze les moeten we altijd in gedachten houden bij het beoordelen van de opkomende technologieën van vandaag – van kwantumcomputing tot genetische manipulatie en kernfusie.

Tegelijkertijd laat de geschiedenis zien dat geduldig en continu onderzoek zelfs onder ongunstige omstandigheden tot revolutionaire doorbraken kan leiden. Geoffrey Hintons decennialange werk aan neurale netwerken werd lange tijd bespot, maar tegenwoordig beïnvloedt het ons leven. Dit zou ons moeten aanmoedigen om niet op te geven, zelfs niet in ogenschijnlijk hopeloze onderzoeksgebieden.

De belangrijkste les is wellicht deze: technologische vooruitgang is noch inherent goed, noch inherent slecht. Het is een instrument waarvan de effecten afhangen van hoe we het gebruiken. De taak is niet om technologie te demoniseren of te verheerlijken, maar om er bewust en verantwoordelijk mee om te gaan. Alleen op die manier kunnen we ervoor zorgen dat de volgende generatie ondergewaardeerde technologieën daadwerkelijk bijdraagt ​​aan het welzijn van de mensheid.

☑️ Onze zakelijke voertaal is Engels of Duits

☑️ NIEUW: Correspondentie in uw moedertaal!

Konrad Wolfenstein

Mijn team en ik staan ​​graag tot uw beschikking als uw persoonlijke adviseur.

U kunt contact met mij opnemen door hier het contactformulier in te vullen of door mij te bellen op +49 89 89 674 804 ( München) . Mijn e-mailadres is: [email protected]

Ik kijk uit naar ons gezamenlijke project.

☑️ Ondersteuning van het MKB op het gebied van strategie, advies, planning en implementatie

☑️ Opstellen of herzien van de digitale strategie en digitalisering

☑️ Uitbreiding en optimalisatie van internationale verkoopprocessen

☑️ Wereldwijde en digitale B2B-handelsplatformen

☑️ Pionier in bedrijfsontwikkeling / marketing / PR / beurzen

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

Xpert.Digital beschikt over diepgaande kennis van diverse sectoren. Hierdoor kunnen we strategieën op maat ontwikkelen die precies aansluiten op de behoeften en uitdagingen van uw specifieke marktsegment. Door continu markttrends te analyseren en ontwikkelingen in de sector te volgen, kunnen we proactief handelen en innovatieve oplossingen bieden. De combinatie van ervaring en expertise genereert toegevoegde waarde en geeft onze klanten een doorslaggevend concurrentievoordeel.

Meer informatie vindt u hier:

• Profiteer van de 5 expertisegebieden van Xpert.Digital in één pakket – al vanaf €500 per maand