Vraag een AI-systeem om uit te leggen waarom drie scheve streepjes een rennend figuurtje voorstellen, en je zult merken dat het systeem — dat normaal gesproken een golden retriever herkent met 99,7% zekerheid — plots geen antwoord heeft.
Judy Fan, cognitiewetenschapper, heeft van precies dit fenomeen een onderzoekslijn gemaakt. En het is de moeite waard om te begrijpen waarom.
Het Probleem: Herkennen vs. Verklaren
Fan ontwikkelde een benchmark genaamd SA (Sketch Abstraction) om visuele abstractie te kwantificeren. De kernmaat is de Portion of Strokes: hoe minder lijntjes een schets bevat ten opzichte van een standaardversie, hoe abstracter.
De bevinding is opmerkelijk: hoe abstracter een schets, hoe slechter huidige taalmodellen erin slagen om de betekenis te verklaren — ook al kunnen ze het object wel benoemen. GPT-4V herkent een vogel. Maar vraag het waarom vier lijntjes een vogel zijn, en het antwoord is inhoudsloos.
Dit is geen kwestie van rekenkracht. Het is een kwestie van teleologisch redeneren: niet “wat is dit?” maar “waarom is dit dít?”
Menselijke efficiëntie onder schaarste
Een kind dat een vogel tekent, denkt niet in pixelverdelingen. Het denkt: ik wil vlucht uitdrukken. Een boog voor het lichaam. Een driehoek voor de snavel. Klaar.
Elke lijn is een beslissing over wat ertoe doet. Mensen zijn geëvolueerd om in vier seconden, met drie lijntjes, hoge semantische waarde over te dragen — niet omdat we slimmer zijn, maar omdat we geen andere keuze hadden. AI heeft de rekenkracht. Wat het mist, is de architectuur van menselijke intentie.
Een Tijdelijk Voordeel
Fan’s lab schrijft in feite een gebruikershandleiding voor menselijke cognitie: een nauwkeurig empirisch verslag van waar mensen afwijken van wat een statistisch optimale redeneerder zou doen.
Dit is waardevol onderzoek — maar het heeft een houdbaarheidsdatum. Als AI in de toekomst voldoende gedragsdata verwerkt (niet alleen beelden, maar ook beslissingspatronen, aarzelingen, correcties), kan het de verdeling van menselijke fouten empirisch reconstrueren.
De onderzoekers die dat overleven, zijn degenen die de mechanismen van menselijke cognitie begrijpen, niet alleen de afwijkingen.
Persoonlijke relevantie
Ik werk op het snijvlak van software-engineering en onderwijsonderzoek. Beide domeinen draaien op dezelfde vraag: hoe verwerkt de menselijke geest informatie, en hoe ontwerp je systemen die daarmee rekening houden?
Fan’s werk bevestigt voor mij dat de meest duurzame onderzoeksposities liggen daar waar de mens en de machine van elkaar afwijken — en waar die afwijking verklaard kan worden. Dat is het onderzoek dat de moeite waard blijft.