AI kan ongelooflijke dingen doen. Tot nu toe waren de meeste van die dingen echter virtueel.
Als je een geweldig artikel wilt voor je bichon frise-blog of een vakkundig opgestelde brief waarin je een parkeerbon betwist die je waarschijnlijk verdient, dan kunnen chatbots als ChatGPT en Gemini dat leveren.
Al deze dingen zijn echter opgesloten in de vage wereld van informatie. Ze zijn nuttig, maar de producten van de hedendaagse grote taalmodellen (LLM’s) en neurale netwerken zijn dat eigenlijk niet doen veel van wat dan ook.
De siliciumgebonden status van AI begint echter te veranderen. De technologie dringt steeds meer de echte wereld binnen.
2026 is het jaar waarin AI fysiek wordt. En die verschuiving heeft enorme gevolgen voor de toekomst van de technologie – en voor de impact als deze faalt.
Noem mij een robot
De verandering begon met auto’s. Het idee van een zelfrijdende auto gaat terug tot de jaren vijftig. Maar de technologie voelde altijd alsof het nog tientallen jaren zou duren.
Nu is het hier.
Robotaxi-bedrijven zoals Waymo en Zoox geven ruim 450.000 ritten per week aan betalende klanten. Ik rijd de hele tijd in Waymo-voertuigen en ik vind het heerlijk om een robot vanuit een app te bellen en me door de stad te laten rijden.
Zelfrijdende auto’s zijn er eindelijk gekomen dankzij een hele reeks dingen, waaronder goedkope lidarscanners en betere batterijen. Maar de opkomst van deep learning en AI speelden de meest cruciale rol.
De AI-modellen die Waymo-voertuigen aandrijven, zijn dat wel veel beter in autorijden dan mensen. En ze kunnen onderweg leren en verbeteren. Hier in San Francisco, waar ik woon, zijn Waymos assertiever geworden naarmate ze de wegen beter leerden kennen.
Zelfrijdende AI wordt zo goed dat het steeds beter in staat is om over wegen te navigeren zonder de noodzaak van de mooie (en dure) sensoren die je op de eerste generatie Waymos ziet. Tesla gebruikt eenvoudige camera’s, en dat is ook zo steeds dichter bij echt zelfrijden.
Vouw mijn was op, Siri
Zelfrijdende auto’s zijn een ongelooflijke toepassing van fysieke AI. Maar ze zijn lang niet de enige.
Autorijden is een geweldige eerste testcase voor de technologie, omdat deze redelijk duidelijke regels en limieten kent. Auto’s moeten op de weg blijven, rode lichten herkennen en het aantal sterfgevallen onder katten te minimaliseren.
Andere fysieke taken zijn moeilijker te automatiseren met AI. Maar ze hebben potentieel nog grotere voordelen.
Bedrijven koppelen kunstmatige intelligentie steeds vaker aan humanoïde robots, waarbij ze de kunstmatige ‘hersenen’ van de robots over de fysieke wereld leren, zodat ze er bekwaam doorheen kunnen navigeren.
De ultieme droom is om zet deze robots aan het werk. Ze kunnen bijvoorbeeld een breed scala aan taken uitvoeren in fabrieken of magazijnen. Over het algemeen moeten de huidige industriële robots specifiek voor één enkele taak worden gebouwd, maar een door AI aangedreven robot kan er meerdere leren: een product in elkaar zetten en het vervolgens op een plank plaatsen.
Maar AI-aangedreven robots zouden ook gapende gaten in de menselijke arbeidsmarkt kunnen opvullen. De zorg voor ouderen is ongelooflijk belangrijk naarmate de wereld gemiddeld ouder wordt. Nog Het vinden van voldoende mensen voor verzorgende functies is bijna onmogelijk.
Vooral in landen als Japan, Robots beginnen de gaten op te vullen. Behendige, door AI aangedreven robots kunnen binnenkort goed genoeg werken om taken als de afwas doen, de was opvouwen of zelfs koken te automatiseren.
Deze robotgenoten kunnen ouderen helpen zelfstandiger te leven. Met geavanceerde LLM’s kunnen ze zelfs relaties aangaan met hun echte collega’s, helpen bij eenzaamheid of iemand met geheugenproblemen eraan herinneren hun medicijnen op tijd in te nemen.
De gelijkenis van de ordinaire beer
Uiteraard brengt dit alles risico’s met zich mee.
Wanneer een LLM hallucineert in een virtuele ruimte, is dat vervelend maar zelden schadelijk. Als je door ChatGPT gegenereerde recept voor gehaktballen waardeloos is, ga je waarschijnlijk niet dood. En als de chatbot die jouw blogpost schrijft een bichon voor een poedel verwart, zal je hond heel boos op je zijn, maar verder zijn de gevolgen gering.
Fysieke AI is anders. Het is duidelijk dat als de technologie van Waymo fout gaat, deze per ongeluk een object van 2.000 kilo in een gebouw of een omstander kan sturen. En je hebt genoeg science fiction gelezen dat ik je niet hoef te herinneren aan robotopstanden.
Veel van deze risico’s zijn echter goed begrepen en dus goed onder controle. Stroomstoringen daargelatenWaymos komt zelden serieuze uitdagingen tegen op de weg, en industriële robots verwonden zelden mensen.
De grotere risico’s beginnen binnen te sluipen wanneer AI lukraak wordt toegepast in de fysieke wereld, zonder veel toezicht of planning. Naarmate fysieke AI zich uitbreidt en LLM’s goedkoper worden, zal dit vaker gebeuren.
Neem het geval van een AI-teddybeer met een ingebouwde LLM. Het was de bedoeling om met kinderen te kletsen en hen misschien verhaaltjes voor te lezen voor het slapengaan. In plaats daarvan begon het hen te instrueren over BDSM en andere ordinaire onderwerpen, maar ook over hoe ze pillen moesten slikken en waar ze messen konden vinden.
De beer werd snel van de markt gehaald. Maar de les is duidelijk: in tegenstelling tot traditionele computercode zijn LLM’s niet-deterministisch: je kunt hun output niet voorspellen op basis van de input die je eraan geeft.
In 2026 en daarna betekent dit auto’s die ongelukken beter vermijden dan menselijke bestuurders, robots die gemakkelijk werk kunnen leren dat ze nog nooit eerder hebben gedaan, en AI ingebed in fysieke systemen (zoals stroom- en elektriciteitsnetwerken) die onmiddellijk kunnen reageren op schade of storingen.
Maar het zal ook veel mislukkingen betekenen – en misschien ook enkele catastrofale. De onvoorspelbaarheid van LLM’s is hun kracht. Maar naarmate AI fysiek wordt, zal die onvoorspelbaarheid ook leiden tot een snellere, minder handelbare en meer chaotische wereld.
