Leren zonder nieuwe hersencellen: Hoe leert AI vergeleken met ons brein?

Een brein krijgt er nauwelijks neuronen bij

Een volwassen mensenbrein bevat ongeveer 86 miljard neuronen. Het verrassende is niet dat het er zoveel zijn. Het verrassende is dat je er gedurende je leven vrijwel geen nieuwe neuronen meer bij krijgt. Op enkele uitzonderingen na – waarschijnlijk vooral in de hippocampus – blijft dat aantal opmerkelijk constant.

Dat roept een logische vraag op. Als je je hele leven blijft leren, hoe kan dat dan, als je hersenen nauwelijks nieuwe hersencellen maken?

Het antwoord is misschien wel een van de mooiste principes uit de neurowetenschap.

Leren betekent niet dat je steeds nieuwe neuronen toevoegt. Leren betekent dat de verbindingen tussen bestaande neuronen voortdurend veranderen. Sommige verbindingen worden sterker, andere zwakker. Nieuwe uitlopers van dendrieten kunnen ontstaan, synapsen kunnen worden gevormd of juist verdwijnen en complete netwerken leren steeds efficiënter samenwerken. De betekenis van een herinnering, een woord of een gevoel zit daarom niet in één hersencel. Ze zit in het patroon van miljarden verbindingen die samen actief worden.

En dan wordt de vraag hoe leert AI ineens veel interessanter

Want intuïtief zou je verwachten dat een taalmodel zoals ChatGPT heel anders leert. Dat het steeds groter wordt, steeds meer “opslag” krijgt, dat er voortdurend nieuwe onderdelen aan worden toegevoegd en dat intelligentie eigenlijk ontstaat doordat het systeem steeds verder uitdijt. Maar verrassend genoeg blijkt dat helemaal niet de kern te zijn.

Ook een groot taalmodel leert voornamelijk door bestaande verbindingen steeds opnieuw af te stemmen. De kunstmatige neuronen en de verbindingen daartussen zijn er al. Tijdens de training worden vooral de gewichten van die verbindingen aangepast: sommige worden iets sterker, andere iets zwakker. Miljarden minuscuul kleine veranderingen zorgen er uiteindelijk voor dat een enorme betekenisruimte ontstaat, waarin concepten, woorden en ideeën zich steeds anders tot elkaar gaan verhouden.

Dat is misschien wel de grootste verrassing. Niet omdat een mensenbrein en een taalmodel hetzelfde zouden zijn – dat zijn ze nadrukkelijk niet – maar omdat ze op dit fundamentele punt een vergelijkbaar leerprincipe lijken te gebruiken. Intelligentie ontstaat niet doordat er steeds nieuwe bouwstenen bijkomen, maar doordat bestaande bouwstenen zich steeds beter organiseren.

Het belangrijke verschil

Toch is er ook een belangrijk verschil. In het menselijk brein verandert niet alleen de sterkte van bestaande verbindingen. Er kunnen ook daadwerkelijk nieuwe verbindingen ontstaan. Dendrieten kunnen groeien, synapsen kunnen worden gevormd of verdwijnen en netwerken kunnen zich fysiek reorganiseren. Het brein past dus niet alleen de “instellingen” aan, maar kan ook de bedrading zelf veranderen.

Bij de huidige generatie taalmodellen ligt die structuur grotendeels vast. Tijdens de training veranderen de gewichten van bestaande verbindingen, maar het model besluit niet zelf om een compleet nieuwe verbinding aan te leggen of een nieuw netwerkonderdeel te laten ontstaan.

Dat maakt AI stabiel. Het model behoudt de structuur waarmee het is ontworpen. Maar het roept ook een interessante vraag op.

Zou een AI nóg beter kunnen leren als het, net als een menselijk brein, ook nieuwe verbindingen zou kunnen aanleggen en oude zou kunnen verwijderen?

Tijdelijke routes door een vast netwerk

Daarbij is een taalmodel niet simpelweg een starre machine waarin informatie als op een lopende band door vaste lagen stroomt. Door self-attention kan het model bij elke zin opnieuw bepalen welke woorden, betekenissen en verbanden op dat moment belangrijk zijn. Het legt geen nieuwe bedrading aan, maar het vormt wel telkens tijdelijke routes door zijn bestaande netwerk.

Misschien zit daar wel de spannendste parallel met het brein. Ook wij gebruiken niet steeds nieuwe hersencellen om iets te begrijpen. We activeren tijdelijk bepaalde patronen, leggen verbanden, laten oude herinneringen meeklinken en geven sommige signalen meer gewicht dan andere.

Maar bij mensen kan herhaalde tijdelijke samenwerking uiteindelijk structureel worden. Verbindingen worden sterker, zwakker, gevormd of gesnoeid.

De volgende stap: AI die zich ontwikkelt

Daar begint de grote vraag voor AI. Niet alleen: kunnen we modellen groter maken? Maar: kunnen we ze laten ontwikkelen?

Tot nu toe levert dat vooral problemen op. Zodra een AI te flexibel wordt, raakt oude kennis overschreven, zorgen nieuwe verbindingen voor ruis en wordt het systeem minder voorspelbaar. Plasticiteit klinkt prachtig, maar te veel plasticiteit is geen intelligentie. Het is chaos.

En toch is juist dit misschien de richting waarin het spannend wordt. Niet nóg grotere modellen, niet nóg meer data, niet nóg meer opslag, maar systemen die zichzelf gecontroleerd kunnen herorganiseren. AI die niet alleen tijdelijk verbanden legt, maar ook kan bepalen welke verbanden moeten blijven, welke moeten verdwijnen en wanneer er echt iets nieuws nodig is.

Als dat lukt, ontstaat er iets anders dan de huidige taalmodellen. Geen machine die alleen steeds beter voorspelt wat het volgende woord moet zijn, maar een systeem met een soort ontwikkelingsgeschiedenis. Een AI die niet alleen getraind is, maar zich heeft gevormd.

Dat kan misgaan. Waarschijnlijk gaat het vaak mis. Maar als het werkt, komen we dichter bij een fundamenteel andere vorm van kunstmatige intelligentie: niet groter, maar plastischer. Niet alleen slimmer door omvang, maar slimmer door ontwikkeling.