Emergentie beschrijft eigenschappen van een systeem die voortkomen uit het samenspel van veel eenvoudige onderdelen, maar in geen enkel afzonderlijk onderdeel te zien zijn. In AI-onderzoek heten vermogens emergent wanneer grote taalmodellen boven een bepaalde omvang taken zoals meerstapsrekenen of vertalen merkbaar beter oplossen dan kleinere modellen. Onder onderzoekers wordt betwist of dergelijke sprongen echt zijn of deels afhangen van de manier van meten.
Agents, workflows en sjablonen in één werkruimte – gratis demo van 24 uur.
Demo startenEen groot taalmodel (large language model, LLM) is een neuraal netwerk dat is getraind op zeer grote hoeveelheden tekst, waardoor het taal kan begrijpen en genereren. Het werkt door stap voor stap het meest waarschijnlijke volgende token te berekenen. LLM’s schrijven, vatten samen, vertalen, beantwoorden vragen en genereren code; bekende voorbeelden zijn Claude, GPT, Gemini en Llama. Zonder toegang tot actuele bronnen weten ze alleen wat in hun trainingsdata stond.
Een foundation model is een groot AI-model dat is vooraf getraind op zeer omvangrijke, uiteenlopende data en vervolgens voor veel verschillende taken kan worden ingezet. De term werd in 2021 bedacht aan Stanford University. Bekende voorbeelden zijn grote taalmodellen zoals Claude of GPT, evenals beeldmodellen. Bedrijven bouwen hun toepassingen doorgaans op zulke modellen in plaats van zelf helemaal opnieuw te trainen; de AI-verordening spreekt van AI-modellen voor algemene doeleinden.
Artificial general intelligence (AGI) verwijst naar een hypothetisch AI-systeem dat een breed scala aan intellectuele taken op menselijk niveau aankan en het geleerde flexibel naar nieuwe gebieden kan overbrengen. Huidige systemen presteren goed op veel taken, maar vertonen nog beperkingen, bijvoorbeeld in betrouwbaarheid. Er bestaat geen algemeen aanvaarde definitie of meetmethode, en of en wanneer AGI wordt bereikt, is onder deskundigen omstreden.
Multi-hop reasoning is het vermogen van een AI-systeem om een vraag te beantwoorden via meerdere opeenvolgende gevolgtrekkingen, vaak door informatie uit verschillende bronnen te combineren. Voorbeeld: “Welke afdeling wordt geleid door de verantwoordelijke voor project X?” vraagt eerst om het vaststellen van de verantwoordelijke persoon en daarna van diens afdeling. Zulke vragen zijn veeleisend voor zoek- en RAG-systemen, omdat elke tussenstap correct gevonden en gekoppeld moet worden.
