Het is een veelvoorkomend psychologisch fenomeen: herhaal een woord vaak genoeg, en het verliest uiteindelijk alle betekenis, uiteenvallend als doorweekt weefsel in fonetische nietsheid. Voor velen van ons, de uitdrukking “kunstmatige intelligentie” viel uit elkaar op deze manier een lange tijd geleden. AI is nu overal in de technologie, naar verluidt wordt alles aangedreven, van je tv tot je tandenborstel, maar nooit hebben de woorden zelf minder betekend.

Het zou niet zo moeten zijn.

Hoewel de uitdrukking “kunstmatige intelligentie” onbetwistbaar, ongetwijfeld verkeerd wordt gebruikt, doet de technologie meer dan ooit – voor zowel goed als slecht. Het wordt ingezet in de gezondheidszorg en oorlogsvoering; het helpt mensen bij het maken van muziek en boeken; het bekijkt je cv, beoordeelt je kredietwaardigheid, en past de foto’s aan die je met je telefoon neemt. Kortom, het neemt beslissingen die je leven beïnvloeden, of je dat nu leuk vindt of niet.

Het kan moeilijk te rijmen zijn met de hype en de ophef waarmee over AI wordt gesproken door techbedrijven en adverteerders. Neem bijvoorbeeld de Genius X tandenborstel van Oral-B, een van de vele apparaten die dit jaar op de CES werden onthuld met vermeende “AI”-capaciteiten. Maar als je verder kijkt dan de eerste zin van het persbericht, betekent dit alleen maar dat het apparaat vrij eenvoudige feedback geeft over of je je tanden poetst gedurende de juiste tijd en op de juiste plaatsen. Er zijn wat slimme sensoren bij betrokken om uit te zoeken waar in je mond de borstel zit, maar het kunstmatige intelligentie noemen is wartaal, meer niet.

Wanneer er geen hype bij betrokken is, is er misverstand. Persberichtgeving kan onderzoek overdrijven, een foto van een Terminator plakken op elke vaag AI-verhaal. Vaak komt dit neer op verwarring over wat kunstmatige intelligentie nu eigenlijk is. Het kan een lastig onderwerp zijn voor niet-experts, en mensen verwarren hedendaagse AI vaak ten onrechte met de versie waarmee ze het meest vertrouwd zijn: een sci-visie van een bewuste computer die vele malen slimmer is dan een mens. Deskundigen noemen dit specifieke geval van AI kunstmatige algemene intelligentie, en als we ooit zoiets tot stand brengen, zal dat waarschijnlijk nog ver in de toekomst liggen. Tot die tijd is niemand gebaat bij overdrijving van de intelligentie of mogelijkheden van AI-systemen.

Het is dus beter om te spreken over “machine learning” in plaats van AI. Dit is een subgebied van kunstmatige intelligentie, en een die vrijwel alle methoden met de grootste impact op de wereld op dit moment omvat (met inbegrip van wat deep learning wordt genoemd). Als uitdrukking heeft het niet de mystiek van “AI”, maar het is nuttiger om uit te leggen wat de technologie doet.

Hoe werkt machine learning? In de afgelopen jaren heb ik tientallen verklaringen gelezen en bekeken, en het onderscheid dat ik het nuttigst vond, zit hem in de naam: bij machinaal leren gaat het erom computers in staat te stellen zelf te leren. Maar wat dat betekent is een veel grotere vraag.

Laten we beginnen met een probleem. Stel dat je een programma wilt maken dat katten kan herkennen. (Het is altijd katten om een of andere reden). Je zou kunnen proberen dit op de ouderwetse manier te doen door expliciete regels in te programmeren als “katten hebben puntige oren” en “katten zijn harig”. Maar wat zou het programma doen als je het een plaatje van een tijger laat zien? Het programmeren van elke regel zou tijdrovend zijn, en je zou onderweg allerlei moeilijke concepten moeten definiëren, zoals “harigheid” en “puntigheid”. Beter om de machine zichzelf te laten leren. Dus je geeft het een enorme collectie kattenfoto’s, en het kijkt daar doorheen om zijn eigen patronen te vinden in wat het ziet. Het verbindt de punten, in het begin vrij willekeurig, maar je test het steeds opnieuw, en houdt de beste versies. En na verloop van tijd, wordt het vrij goed in het zeggen wat wel en niet een kat is.

Zo ver, zo voorspelbaar. In feite heb je waarschijnlijk al eerder een uitleg als deze gelezen, en dat spijt me. Maar wat belangrijk is, is niet het lezen van de glans, maar echt nadenken over wat die glans impliceert. Wat zijn de neveneffecten van een besluitvormingssysteem dat op deze manier leert?

Wel, het grootste voordeel van deze methode is het meest voor de hand liggende: je hoeft het nooit echt te programmeren. Zeker, je sleutelt heel wat af, verbetert hoe het systeem de gegevens verwerkt en bedenkt slimmere manieren om die informatie op te nemen, maar je vertelt het niet waar het naar moet zoeken. Dat betekent dat het patronen kan ontdekken die mensen misschien over het hoofd zien of waar ze nooit aan zouden denken. En omdat het programma alleen gegevens nodig heeft – 1-en en 0-en – zijn er zoveel taken waarop je het kunt trainen, want de moderne wereld zit gewoon boordevol gegevens. Met een machine learning-hamer in je hand zit de digitale wereld vol spijkers die klaar zijn om op hun plaats te worden geslagen.

Maar denk dan ook aan de nadelen. Als je de computer niet expliciet onderwijst, hoe weet je dan hoe hij zijn beslissingen neemt? Machine learning-systemen kunnen niet uitleggen hoe ze denken, en dat betekent dat je algoritme om de verkeerde redenen goed zou kunnen presteren. Omdat de computer alleen de gegevens kent die u hem geeft, kan hij een vertekend beeld van de wereld krijgen, of alleen goed zijn in beperkte taken die lijken op de gegevens die hij eerder heeft gezien. Hij heeft niet het gezond verstand dat je van een mens zou verwachten. Je kunt het beste kattenherkenningsprogramma ter wereld maken, maar het zou je nooit vertellen dat katjes niet op motoren mogen rijden of dat een kat eerder “Tiddles” dan “Megalorth the Undying” wordt genoemd.

Computers leren om zelf te leren is een briljante sluiproute. En zoals alle sneltoetsen, gaat het om het afsnijden van hoeken. Er zit intelligentie in AI-systemen, als je het zo wilt noemen. Maar het is geen organische intelligentie, en het speelt niet volgens dezelfde regels als mensen. Je kunt je net zo goed afvragen: hoe slim is een boek? Welke expertise is gecodeerd in een koekenpan?

Dus waar staan we nu met kunstmatige intelligentie? Na jaren van krantenkoppen waarin de volgende grote doorbraak werd aangekondigd (die, nou ja, ze zijn nog niet helemaal gestopt), denken sommige deskundigen dat we iets van een plateau hebben bereikt. Maar dat is niet echt een belemmering voor vooruitgang. Aan de onderzoekskant zijn er enorm veel wegen te verkennen binnen onze bestaande kennis, en aan de productkant hebben we nog maar het topje van de algoritmische ijsberg gezien.

Kai-Fu Lee, een durfkapitalist en voormalig AI-onderzoeker, beschrijft het huidige moment als het “tijdperk van implementatie” – een waar de technologie begint “uit te lopen van het lab en in de wereld.” Benedict Evans, een andere durfkapitaalstrateeg, vergelijkt machine learning met relationele databases, een type bedrijfssoftware dat in de jaren ’90 fortuin maakte en hele industrieën revolutioneerde, maar dat is zo alledaags dat je ogen waarschijnlijk glazig worden bij het lezen van alleen die twee woorden. Het punt dat deze twee mensen maken is dat we nu op het punt staan waar AI snel normaal gaat worden. “Uiteindelijk zal zo’n beetje alles wel ergens in zitten en zal het niemand iets kunnen schelen,” zegt Evans.

Hij heeft gelijk, maar zover zijn we nog niet.

In het hier en nu is kunstmatige intelligentie – machine learning – nog steeds iets nieuws dat vaak onverklaard blijft of te weinig wordt onderzocht. Dus in de speciale uitgave van The Verge van deze week, AI Week, laten we je zien hoe het allemaal op dit moment gebeurt, hoe deze technologie wordt gebruikt om dingen te veranderen. Want in de toekomst, zal het zo normaal zijn dat je het niet eens merkt.

Bekijk alle verhalen in Tech