In 1973 zaten AI-onderzoekers op een roze wolk. Machines konden algebraproblemen oplossen, schaken en eenvoudige zinnen begrijpen. Toen droogde de financiering bijna van de ene op de andere dag op. Labs sloten, carrières stagneerden en "artificial intelligence" werd een term waar investeerders voor weg renden. Dit was niet zomaar een marktcorrectie. Het was een AI-winter, en die zou bijna een decennium duren.
Deze periodes van plotselinge ineenstorting zijn twee keer voorgekomen in de geschiedenis van AI en hebben alles gevormd aan hoe we het vakgebied vandaag benaderen. In deze gids vind je: de historische tijdlijn van beide AI-winters, de onderliggende patronen die ze veroorzaakten, en de praktische lessen die we kunnen toepassen om te voorkomen dat we deze cycli herhalen.
De AI-winter definiëren
Een AI-winter beschrijft een periode met minder financiering, interesse en vertrouwen in onderzoek naar kunstmatige intelligentie. De term komt uit de onderzoeksgemeenschap zelf, met de metafoor van seizoensgebonden kou om te vangen hoe enthousiasme en investeringen na groeifases plotseling bevriezen. Het gaat niet om korte dipjes. AI-winters duurden 6–13 jaar en verstoorden de koers van het vakgebied fundamenteel. De patronen herkennen die deze periodes kenmerken helpt ons zowel historische gebeurtenissen als huidige risico's te begrijpen, en mogelijk toekomstige winters te voorkomen.
De hype-ontgoochelingscyclus
In het hart van elke AI-winter zit een voorspelbare dynamiek. Eerste doorbraken zorgen voor media-aandacht en publieke opwinding, wat leidt tot opgeblazen verwachtingen over wat AI op korte termijn kan bereiken. Die opwinding trekt financiering aan van overheden en particuliere investeerders, wat meer onderzoek mogelijk maakt en meer resultaten oplevert (sommige reëel, sommige overdreven). Uiteindelijk wordt de kloof tussen wat beloofd is en wat geleverd wordt te groot om te negeren. Wanneer systemen die beloften niet waarmaken, slaat scepsis toe en stort de financiering in.
De Gartner Hype Cycle biedt hier een nuttig kader: technologieën klimmen naar een "piek van opgeblazen verwachtingen" voordat ze in een "dal van desillusie" storten. Precies dat gebeurde met AI in de jaren zeventig en tachtig. Deze cyclus weerspiegelt economische bubbels in andere technologiesectoren, maar AI-winters hebben hun eigen kenmerken. In tegenstelling tot puur financiële bubbels komen AI-winters voort uit fundamentele technische beperkingen die onderzoekers in het begin mogelijk niet volledig overzien. Problemen die "binnen een paar jaar" oplosbaar lijken, blijken decennia extra werk te vergen.
Structurele fases
We kunnen identificeren hoe AI-winters in de praktijk daadwerkelijk verlopen. Deze periodes doorlopen onderscheidende fases die een voorspelbaar traject volgen.
Eerst komt de fase van te veel beloven. Onderzoekers en instituten doen stellige voorspellingen over capaciteiten die jaren of decennia ver weg zijn. Media versterken die claims, en financiers baseren investeringsbeslissingen op optimistische tijdlijnen. Dan dringt de realiteit door. Systemen falen in toepassingen in de echte wereld, de rekenvereisten overstijgen wat praktisch is, en de kloof tussen demo's en uitgerolde oplossingen wordt duidelijk.
Daarna volgt wat onderzoekers de "kennendiaspora" noemen. Wanneer financiering instort, waaieren AI-onderzoekers uit naar andere velden. Experts in computervisie gaan naar graphics. Machinelearningonderzoekers schakelen over naar statistiek. Deze braindrain heeft blijvende effecten omdat het de opbouw van expertise verstoort. Wanneer de interesse uiteindelijk terugkeert, moet het veld zijn kennisbasis deels opnieuw opbouwen. Dit patroon begrijpen is nuttig omdat het verklaart waarom elke winter het vakgebied zo significant heeft teruggeworpen, en waarom het voorkomen ervan zo belangrijk is.
Geschiedenis en tijdlijn van AI-winters
Met deze patronen in gedachten, lopen we door hoe ze historisch daadwerkelijk zijn verlopen. AI heeft twee grote winters doorgemaakt, elk veroorzaakt door verschillende omstandigheden maar met hetzelfde traject als hierboven geschetst.
De intellectuele basis van AI werd gelegd in de jaren vijftig met pioniers als Alan Turing, John McCarthy en Marvin Minsky. De beroemde Dartmouth-conferentie in 1956 markeerde de officiële geboorte van het vakgebied en bracht onderzoekers samen die geloofden dat machine-intelligentie binnen een generatie haalbaar was. Dit optimisme was niet geheel ongegrond. Vroege programma's konden wiskundige stellingen bewijzen, dammen en puzzels oplossen.
Maar waarschuwingssignalen verschenen eerder dan de meesten beseffen. Het ALPAC-rapport uit 1966 beoordeelde machinevertalingsprojecten kritisch en concludeerde dat computers niet konden tippen aan menselijke vertalers en dat waarschijnlijk ook niet snel zouden kunnen. In 1969 toonden Marvin Minsky en Seymour Papert in hun boek "Perceptrons" de wiskundige beperkingen van enkel-laagse neurale netwerken aan, wat dat onderzoek tijdelijk stillegde. Deze vroege tegenslagen voorspelden de systematische problemen die de eerste AI-winter zouden ontketenen.
De eerste AI-winter (1974–1980)
Voortbouwend op die vroege waarschuwingen begon de eerste AI-winter in 1974 en duurde tot ongeveer 1980, wat onderzoekprioriteiten en loopbanen in het hele veld fundamenteel hertekende. Laten we bekijken hoe die eerder besproken hype-ontgoochelingscyclus er in de praktijk uitzag.
Voorlopers en vroege hype
De periode 1956–1973 wordt vaak AI's "Gouden Tijd" genoemd. Onderzoekers ontwikkelden symbolische redeneersystemen, vroege natuurlijke taalverwerking en probleemoplossende programma's die zowel academici als het publiek indrukten. Overheidsinstanties, vooral in de VS en het VK, investeerden zwaar in AI-onderzoek. Universitaire labs werden door DARPA gefinancierd, en de media brachten regelmatig verhalen over machines die spoedig als mensen zouden denken.
Deze hype creëerde onrealistische verwachtingen. Onderzoekers droegen soms zelf aan het probleem bij. Marvin Minsky voorspelde in 1970 beroemd dat we "over drie tot acht jaar een machine met de algemene intelligentie van een gemiddelde mens" zouden hebben. Deze stellige tijdlijnen beïnvloedden financieringsbeslissingen en het publieke beeld, en bereidden het veld voor op teleurstelling.
Het Lighthill-rapport en de impact ervan
In 1973 leverde Sir James Lighthill een rapport aan de British Science Research Council dat AI-onderzoek systematisch bekritiseerde. Lighthill stelde dat AI haar doelen niet had bereikt en dat veel problemen te maken hadden met "combinatorische explosie", waarbij het aantal te onderzoeken mogelijkheden exponentieel groeit naarmate een probleem opschaalt. Dit betekende dat de benodigde rekenkracht onbetaalbaar werd, waardoor toepassingen in de praktijk onhaalbaar waren.
Deze beoordeling verwoestte het Britse AI-onderzoek. De Britse overheid sneed in de AI-financiering aan universiteiten, en veel onderzoekers verlieten het veld of verhuisden naar de VS. De invloed van het Lighthill-rapport reikte verder dan Groot-Brittannië, het leverde munitie aan skeptische financiers wereldwijd en droeg bij aan DARPA's beslissing om in 1974 de steun voor AI-onderzoek te verminderen.
Financieringskortingen en hun gevolgen
Toen DARPA en andere instanties hun steun introkken, gonsde het hele onderzoeksecosysteem na. Universiteiten sloten AI-labs, master- en PhD-programma's krompen, en veelbelovende onderzoekers stapten over naar andere vakgebieden om aan werk te komen. De term "artificial intelligence" werd toxisch in financieringsvoorstellen. Onderzoekers begonnen eufemismen te gebruiken zoals "informatics" of "computational intelligence" om het stigma te vermijden.
De kennendiaspora begon. Onderzoekers stapten over naar aanpalende velden of verlieten de academische wereld helemaal. Deze verspreiding betekende dat toen de interesse in de jaren tachtig weer opleefde, veel institutionele kennis vanaf nul moest worden heropgebouwd. Die heropleving kwam via expertsystemen, die een praktischer, domeinspecifieke benadering van AI beloofden.
De tweede AI-winter (late jaren 80–midden jaren 90)
Ondanks de veelbelovende start met expertsystemen, arriveerde de tweede AI-winter eind jaren tachtig, wat bewees dat het oplossen van het ene probleem nieuwe kwetsbaarheden niet voorkomt.
De bubbel van expertsystemen
Begin jaren tachtig legden expertsystemen menselijke expertise in smalle domeinen vast via handgemaakte regels. Systemen als MYCIN (voor medische diagnose) en XCON (voor computerconfiguratie) leverden echte bedrijfswaarde op, en bedrijven investeerden zwaar in deze regelgebaseerde systemen. Er ontstond een hele industrie rond "knowledge engineering", en Japans Fifth Generation Computer-project had als doel massaal parallelle computers te bouwen die waren geoptimaliseerd voor expertsystemen, wat in de VS en Europa competitieve reacties uitlokte.
Maar problemen doken snel op. Het bouwen van één systeem kon jaren kosten aan het interviewen van domeinexperts en het vertalen van hun kennis naar formele regels. Onderhoud bleek nog moeilijker. Naarmate kennisbases groeiden, interageerden regels onvoorspelbaar, waardoor debuggen lastig werd. Het probleem van breekbaarheid werd bij uitrol duidelijk: expertsystemen werkten goed op voorbeelden waarvoor ze ontworpen waren, maar faalden bij iets dat er maar net vanaf week. Ze konden niet omgaan met de rommelige, dubbelzinnige situaties die echte problemen kenmerken. Deze kloof tussen gecontroleerde demo's en praktische implementatie weerspiegelt het probleem dat de eerste winter veroorzaakte.
Aanleidingen voor de ineenstorting
De markt voor expertsystemen stortte in 1987 in. Hardwarekosten speelden hierbij een grote rol. Expertsystemen draaiden typisch op gespecialiseerde "Lisp-machines" die veel meer kostten dan standaardcomputers. Toen pc's en workstations krachtig genoeg werden om vergelijkbare software voor een fractie van de kosten te draaien, verdween het economische argument voor gespecialiseerde AI-hardware. De markt voor Lisp-machines crashte en Japan's Fifth Generation-project eindigde zonder de ambitieuze doelen te halen.
Bedrijven die in expertsystemen hadden geïnvesteerd, ontdekten dat de doorlopende onderhoudskosten de waarde die deze systemen boden, overstegen. Kennisbases moesten constant worden bijgewerkt, wat dure knowledge engineers vereiste. Ondertussen bleken eenvoudigere benaderingen voor veel problemen beter te werken. De misalignment tussen onderzoekdoelen en bedrijfsbehoeften werd onmogelijk te negeren. Grote projecten maakten hun beloften niet waar, en de desillusie sloeg toe.
Krimp in de industrie
De markt voor AI-hardware stortte dramatisch in. Bedrijven die gespecialiseerde AI-workstations produceerden, gingen failliet of zochten andere markten op. Deze ineenstorting trok de expertsystemenindustrie met zich mee en leidde tot een nieuwe bevriezing van AI-financiering. Startups gingen ten onder, en academische programma's kregen zware bezuinigingen te verduren.
De tweede winter verspreidde AI-onderzoekers nog breder dan de eerste. Sommigen gingen naar aanpalende informaticavelden zoals databases of software-engineering. Anderen stapten over naar cognitieve wetenschap of neurowetenschap. Machinelearningonderzoekers labelden hun werk vaak om tot "statistics" of "data mining" om het AI-stigma te vermijden. De psychologische tol was aanzienlijk. Onderzoekers die hun carrière in AI hadden geïnvesteerd, raakten professioneel stuurloos en velen verlieten het veld voorgoed.
Het herstel van de tweede winter duurde veel langer dan van de eerste. In de jaren 90 en vroege jaren 2000 bleef "artificial intelligence" een problematisch label. Onderzoekers in machine learning, computervisie of natuurlijke taalverwerking vermeden het vaak om hun werk "AI" te noemen. Toen er weer financiering kwam, richtte die zich op specifieke, haalbare doelen in plaats van brede claims over algemene intelligentie.
Terugkerende patronen in beide winters
Nu we beide historische AI-winters hebben doorlopen, kunnen we drie kernpatronen aanwijzen die deze ineenstortingen veroorzaakten. Deze patronen begrijpen helpt ons vergelijkbare kwetsbaarheden in de huidige AI-omgeving te herkennen.
Technologische beperkingen
Beide AI-winters kwamen voort uit fundamentele technische barrières die onderzoekers onderschatten. De eerste winter legde een combinatorische explosie bloot, waarbij de benodigde rekenkracht voor complexe problemen exponentieel groeide. De tweede winter onthulde de breekbaarheid van expertsystemen, hun onvermogen om te leren of met onzekerheid om te gaan. In beide gevallen faalden technologieën die briljant werkten op zorgvuldig geselecteerde testgevallen zodra ze geconfronteerd werden met de complexiteit van de echte wereld. De winters kwamen toen deze kloof tussen laboratoriumdemo's en praktische implementatie te duidelijk werd om te negeren.
Hypedynamiek en verwachtingsmanagement
Beide winters volgden het traject van de Gartner Hype Cycle. Eerste doorbraken zorgden voor opwinding, mediaberichtgeving blies prestaties op, en financiering stroomde binnen op basis van opgeblazen verwachtingen op de korte termijn. Marvin Minsky's voorspelling van menselijk-niveau intelligentie "over drie tot acht jaar" is exemplarisch voor het oververtrouwen van de eerste winter. Expertsystemen werden op vergelijkbare wijze vermarkt als schaalbare oplossingen om menselijke expertise vast te leggen. Toen de realiteit achterbleef bij de beloften, was de correctie snel en hard. Media, financieringsinstanties en institutionele structuren droegen allemaal bij aan het opbouwen van verwachtingen die de technologie niet kon waarmaken.
Financieringsvolatiliteit en overheidsbetrokkenheid
Beide winters kenden boom-bustcycli waarbij massale investeringen plaatsmaakten voor plotselinge terugtrekking. Overheidsinstanties zoals DARPA vormden hele onderzoeksecosystemen, en toen de financiering verdween, waaierden onderzoekers uit naar andere velden. Deze kennendiaspora was bijzonder schadelijk omdat AI-onderzoek langdurige inspanning vereist om expertise op te bouwen. Het veld verloor niet alleen financiering, maar ook continuïteit en opgebouwde wijsheid. Wat deze ineenstortingen verergerde, was de concentratie van middelen in enkele benaderingen—symbolische AI in de eerste winter, expertsystemen in de tweede. Toen deze gerichte weddenschappen mislukten, waren er weinig gefinancierde alternatieven om voortgang te waarborgen.
Het huidige tijdperk en de kans op toekomstige AI-winters
Na twee grote winters te hebben gezien, vraag je je waarschijnlijk af hoe het huidige AI-ecosysteem ervoor staat. Bereiden we ons voor op een nieuwe ineenstorting, of is er nu iets fundamenteel anders? Laten we de huidige situatie bekijken door de lens van die historische patronen.
De huidige boom (2012–heden)
De huidige AI-boom begon rond 2012 met doorbraken in deep learning. AlexNet's dramatische verbetering in beeldherkenning markeerde een kantelpunt. Sindsdien heeft deep learning indrukwekkende resultaten behaald in computervisie, spraakherkenning, natuurlijke taalverwerking en spelletjes.
Meerdere factoren maken deze boom anders dan eerdere periodes. Rekenkracht is enorm toegenomen (GPU's maakten het trainen van grote neurale netwerken praktisch). De beschikbaarheid van data explodeerde met het internet en mobiele apparaten. En deep learning vond directe praktische toepassingen in producten die mensen dagelijks gebruiken.
Maar er zijn kwetsbaarheden. Deep learning leunt zwaar op grote datasets en massale rekenkracht. Naarmate modellen groeien, nemen de trainingskosten exponentieel toe. Het veld concentreert zich op één benadering (diepe neurale netwerken) meer dan ooit sinds expertsystemen de jaren tachtig domineerden.
Rekenkosten zijn een reële zorg. Het trainen van grensverleggende modellen kost nu tientallen of honderden miljoenen dollars, en die kosten groeien exponentieel met de modelgrootte. Als vooruitgang steeds grotere modellen vereist maar de praktische voordelen afvlakken, worden de economieën onhoudbaar. Dit is precies het soort structurele kwetsbaarheid dat eerdere winters voorafging.
De kloof tussen benchmarkprestaties en nut in de echte wereld creëert een andere kwetsbaarheid. Modellen halen indrukwekkende scores op standaardtests maar falen bij uitrol door breekbaarheid, bias of onvermogen om randgevallen aan te kunnen. Klinkt bekend? Dit weerspiegelt de kloof tussen demos van expertsystemen en implementatie in de praktijk die bijdroeg aan de tweede winter.
Huidige debatten en kwetsbaarheden
Het AI-debat van vandaag echoot soms het te veel beloven van eerdere tijdperken. Termen als "artificial general intelligence" en voorspellingen dat AI binnen enkele jaren elke industrie zal transformeren, creëren opgeblazen verwachtingen. Dat betekent niet dat de huidige AI een bubbel is die op barsten staat. Anders dan in de jaren zeventig hebben we werkende toepassingen en echte economische waarde. Maar het enthousiasme rond elke nieuwe modelrelease en de neiging om capaciteiten te extrapoleren, creëren omstandigheden waarin verwachtingen de realiteit kunnen overstijgen.
Toch zijn er meerdere factoren die een herhaling van historische AI-winters minder waarschijnlijk maken. Ten eerste is AI diep verweven met producten die mensen dagelijks gebruiken. Zoekmachines, smartphones, sociale media en online shoppen leunen allemaal op AI. Deze integratie biedt economische stabiliteit die vroeger ontbrak.
Ten tweede is de internationale reikwijdte van AI-onderzoek enorm gegroeid. Zelfs als de financiering in één land of regio afneemt, gaat het werk elders door. China, Europa en andere regio's hebben onafhankelijke AI-ecosystemen.
Ten derde speelt de private sector een leidende rol. Hoewel overheidsfinanciering belangrijk blijft, kunnen bedrijven zoals Google, Meta en Anthropic onderzoek bekostigen met inkomsten uit hun kernactiviteiten. Deze diversiteit aan financieringsbronnen creëert veerkracht tegen plotselinge terugtrekking door de overheid.
Lessen en toekomstige richtingen
Wat kunnen we dus leren van deze geschiedenis? De patronen die we hebben onderzocht, bieden praktische handvatten voor onderzoekers, bedrijven en beleidsmakers die vandaag met AI werken. Laten we bekijken hoe inzicht in deze cycli ons kan helpen een duurzamere toekomst voor het vakgebied te bouwen.
Realistisch verwachtingsmanagement
De belangrijkste les uit beide AI-winters is het gevaar van te veel beloven. Wanneer onderzoekers, bedrijven of media verwachtingen scheppen die de technologie op korte termijn niet kan waarmaken, kan de daaropvolgende teleurstelling leiden tot het intrekken van financiering en publieke scepsis die het veld jaren terugzet.
Dat betekent niet dat je ambitieuze doelen moet vermijden. AI-onderzoek moet streven naar transformatieve mogelijkheden. Maar communicatie over tijdlijnen en beperkingen is enorm belangrijk. Een duidelijk onderscheid tussen huidige mogelijkheden en toekomstige potentie helpt geloofwaardigheid te behouden. Als er onzekerheid is over de vraag of een benadering zal opschalen of generaliseren, is eerlijkheid over deze beperkingen beter voor het vakgebied dan optimistische speculatie. Dit is zeker in de huidige tijd belangrijk, waarin media-aandacht en verwachtingen van investeerders claims kunnen versterken tot ver voorbij hun oorspronkelijke context.
Diversificatie van benaderingen
Beide historische winters volgden op periodes van zware investeringen in één paradigma. Symbolische AI domineerde de eerste winter, expertsystemen de tweede. Toen deze benaderingen hun grenzen bereikten, leed het hele vakgebied. De huidige concentratie op deep learning brengt vergelijkbare risico’s met zich mee.
Onderzoek naar alternatieve benaderingen in stand houden zorgt voor belangrijke veerkracht. Neurosymbolische AI, probabilistische programmering en andere richtingen kunnen uitwegen bieden wanneer huidige methoden op een plateau komen. Dit betekent niet dat je succesvolle benaderingen moet verlaten—deep learning heeft zijn waarde bewezen. Maar investeren in diverse onderzoeksrichtingen creëert opties wanneer één enkele aanpak zijn natuurlijke grenzen bereikt.
Stabiele financieringsmodellen
Hoogconjunctuur-en-crisiscycli in financiering verstoren de continuïteit van onderzoek en verspreiden expertise. Beide historische winters gingen gepaard met plotselinge terugtrekking van financiering, wat de langetermijngezondheid van het vakgebied schaadde. Meer stabiele financieringsmodellen (ofwel via overheidsondersteuning die is ingericht op langetermijnonderzoek, ofwel via gediversifieerde investeringen uit de private sector) helpen vooruitgang te behouden, zowel tijdens doorbraken als plateaus.
De verschuiving naar kortere subsidiecycli en directe resultaten na de AI-winters kan het fundamentele onderzoek hebben belemmerd. Langetermijnfinanciering die trage periodes accepteert als natuurlijke onderdelen van onderzoek helpt de paniek te vermijden die winters kan triggeren. Wanneer financiers verwachten dat sommige projecten mislukken en sommige vooruitgang incrementeel zal zijn, wordt het vakgebied veerkrachtiger bij tegenslagen.
Innovatie en regulering in balans
Beleid en regelgevingskaders spelen een grote rol bij het voorkomen van AI-winters en tegelijk het levend houden van innovatie. Beide historische winters ontstonden deels doordat overheidsfinanciers plotseling steun introkken—in de jaren 70 door DARPA en in de jaren 80 door Britse onderzoeksraden—zonder vangnetten. Beleidsmakers van nu moeten van deze cycli leren zonder regels te creëren die nuttige vooruitgang kunnen smoren.
Het regelgevingslandschap verschilt aanzienlijk per regio. De AI Act van de EU hanteert een risicogebaseerde aanpak, met strengere eisen voor hoogrisicotoepassingen. De VS geven de voorkeur aan sectorspecifieke regels met in veel domeinen zelfregulering door de industrie. China heeft een eigen kader opgebouwd dat zowel innovatie als controle benadrukt. Deze benaderingen vormen een natuurlijk experiment in hoe beleid onderzoek en marktontwikkeling stuurt.
De uitdaging: voorkom AI-winters en behoud tegelijk de voorwaarden voor doorbraken. Te veel beperkingen kunnen onderzoek onbetaalbaar of juridisch riskant maken. Te weinig brengt het risico mee van herhaling van de hypegedreven cycli die eerdere winters kenmerkten. Effectief beleid zou zich moeten richten op stabiele langetermijnfinanciering voor fundamenteel onderzoek en mechanismen die diverse benaderingen stimuleren.
Technologische duurzaamheid en ethische overwegingen
Naast financieringsstabiliteit brengen de energievraag van AI echte duurzaamheidsuitdagingen met zich mee. Het trainen van grote modellen verbruikt enorme hoeveelheden elektriciteit. Onderzoekers verkennen efficiëntere architecturen en trainingsmethoden, maar de trend naar grotere modellen botst met duurzaamheidsdoelen.
Diverse databronnen en grondige evaluatiemaatstaven helpen betrouwbaardere AI-systemen te bouwen. Te veel leunen op smalle datasets of het „spelen” van benchmarks levert systemen op die in het lab werken maar in de praktijk falen. Deze les komt rechtstreeks uit het tijdperk van expertsystemen, waar systemen die waren getraind op smalle voorbeelden de complexiteit van de echte wereld niet aankonden. Het aanpakken van deze technische uitdagingen vraagt om zorgvuldige aandacht voor ethische overwegingen gedurende het hele ontwikkelproces. Onze AI Ethics-cursus gaat in op het bouwen van verantwoorde AI-systemen die innovatie en maatschappelijke impact in balans houden.
Inzichten uit andere techbooms en -crashes
De dotcomboom en -crash bieden nuttige parallellen. Net als AI in de jaren 70 en 80 kregen internettechnologieën te maken met opgeblazen verwachtingen, massale investeringen, een plotselinge ineenstorting en uiteindelijk herstel op een stevigere basis. Het belangrijkste verschil? De infrastructuur bleef tijdens de crash verbeteren, en bedrijven leerden zich te richten op haalbare businessmodellen in plaats van vage beloften.
Andere technologische revoluties (elektriciteit, auto’s, personal computers) kenden allemaal hypecycli. Het patroon suggereert dat transformatieve technologieën tijd nodig hebben om passende toepassingen te vinden en vroege beperkingen te overwinnen. Inzicht in dit bredere patroon kan ons helpen het overzicht te bewaren tijdens zowel hoogconjunctuur- als vertragingperiodes.
Conclusie
De huidige AI-boom heeft sterkere fundamenten dan eerdere cycli. We hebben praktische toepassingen, economische integratie en technische mogelijkheden die eerdere tijdperken misten. Maar dezelfde kwetsbaarheden bestaan: te veel vertrouwen op specifieke benaderingen, rekencapaciteitskosten, kloven tussen hype en kunnen, en het alomtegenwoordige risico om meer te beloven dan we kunnen waarmaken.
De weg vooruit vraagt om ambitie te balanceren met realisme. Duurzame vooruitgang bouwen betekent eerlijke communicatie, diverse onderzoeksrichtingen, stabiele financieringsstructuren en aandacht voor zowel technische als ethische uitdagingen. Door de patronen te begrijpen die eerdere winters veroorzaakten, zijn we beter in staat om vergelijkbare risico’s vandaag te herkennen—en om een veerkrachtig, nuchter AI-veld te bouwen dat zowel doorbraken als tegenslagen kan doorstaan.
Voor iedereen die AI-vaardigheden op een stevige basis wil opbouwen: bekijk onze Associate AI Engineer for Developers-track of duik in strategische overwegingen met onze cursus Artificial Intelligence Strategy. Inzicht in zowel de technische mogelijkheden als de historische context van AI helpt je de toekomst van het vakgebied te navigeren, welke uitdagingen die ook meebrengt.
In 1973 zaten AI-onderzoekers op een roze wolk. Machines konden algebraproblemen oplossen, schaken en eenvoudige zinnen begrijpen. Toen droogde de financiering bijna van de ene op de andere dag op. Labs sloten, carrières stagneerden en "artificial intelligence" werd een term waar investeerders voor weg renden. Dit was niet zomaar een marktcorrectie. Het was een AI-winter, en die zou bijna een decennium duren.
Deze periodes van plotselinge ineenstorting zijn twee keer voorgekomen in de geschiedenis van AI en hebben alles gevormd aan hoe we het vakgebied vandaag benaderen. In deze gids vind je: de historische tijdlijn van beide AI-winters, de onderliggende patronen die ze veroorzaakten, en de praktische lessen die we kunnen toepassen om te voorkomen dat we deze cycli herhalen.
De AI-winter definiëren
Een AI-winter beschrijft een periode met minder financiering, interesse en vertrouwen in onderzoek naar kunstmatige intelligentie. De term komt uit de onderzoeksgemeenschap zelf, met de metafoor van seizoensgebonden kou om te vangen hoe enthousiasme en investeringen na groeifases plotseling bevriezen. Het gaat niet om korte dipjes. AI-winters duurden 6–13 jaar en verstoorden de koers van het vakgebied fundamenteel. De patronen herkennen die deze periodes kenmerken helpt ons zowel historische gebeurtenissen als huidige risico's te begrijpen, en mogelijk toekomstige winters te voorkomen.
De hype-ontgoochelingscyclus
In het hart van elke AI-winter zit een voorspelbare dynamiek. Eerste doorbraken zorgen voor media-aandacht en publieke opwinding, wat leidt tot opgeblazen verwachtingen over wat AI op korte termijn kan bereiken. Die opwinding trekt financiering aan van overheden en particuliere investeerders, wat meer onderzoek mogelijk maakt en meer resultaten oplevert (sommige reëel, sommige overdreven). Uiteindelijk wordt de kloof tussen wat beloofd is en wat geleverd wordt te groot om te negeren. Wanneer systemen die beloften niet waarmaken, slaat scepsis toe en stort de financiering in.
De Gartner Hype Cycle biedt hier een nuttig kader: technologieën klimmen naar een "piek van opgeblazen verwachtingen" voordat ze in een "dal van desillusie" storten. Precies dat gebeurde met AI in de jaren zeventig en tachtig. Deze cyclus weerspiegelt economische bubbels in andere technologiesectoren, maar AI-winters hebben hun eigen kenmerken. In tegenstelling tot puur financiële bubbels komen AI-winters voort uit fundamentele technische beperkingen die onderzoekers in het begin mogelijk niet volledig overzien. Problemen die "binnen een paar jaar" oplosbaar lijken, blijken decennia extra werk te vergen.
Structurele fases
We kunnen identificeren hoe AI-winters in de praktijk daadwerkelijk verlopen. Deze periodes doorlopen onderscheidende fases die een voorspelbaar traject volgen.
Eerst komt de fase van te veel beloven. Onderzoekers en instituten doen stellige voorspellingen over capaciteiten die jaren of decennia ver weg zijn. Media versterken die claims, en financiers baseren investeringsbeslissingen op optimistische tijdlijnen. Dan dringt de realiteit door. Systemen falen in toepassingen in de echte wereld, de rekenvereisten overstijgen wat praktisch is, en de kloof tussen demo's en uitgerolde oplossingen wordt duidelijk.
Daarna volgt wat onderzoekers de "kennendiaspora" noemen. Wanneer financiering instort, waaieren AI-onderzoekers uit naar andere velden. Experts in computervisie gaan naar graphics. Machinelearningonderzoekers schakelen over naar statistiek. Deze braindrain heeft blijvende effecten omdat het de opbouw van expertise verstoort. Wanneer de interesse uiteindelijk terugkeert, moet het veld zijn kennisbasis deels opnieuw opbouwen. Dit patroon begrijpen is nuttig omdat het verklaart waarom elke winter het vakgebied zo significant heeft teruggeworpen, en waarom het voorkomen ervan zo belangrijk is.
Geschiedenis en tijdlijn van AI-winters
Met deze patronen in gedachten, lopen we door hoe ze historisch daadwerkelijk zijn verlopen. AI heeft twee grote winters doorgemaakt, elk veroorzaakt door verschillende omstandigheden maar met hetzelfde traject als hierboven geschetst.
De intellectuele basis van AI werd gelegd in de jaren vijftig met pioniers als Alan Turing, John McCarthy en Marvin Minsky. De beroemde Dartmouth-conferentie in 1956 markeerde de officiële geboorte van het vakgebied en bracht onderzoekers samen die geloofden dat machine-intelligentie binnen een generatie haalbaar was. Dit optimisme was niet geheel ongegrond. Vroege programma's konden wiskundige stellingen bewijzen, dammen en puzzels oplossen.
Maar waarschuwingssignalen verschenen eerder dan de meesten beseffen. Het ALPAC-rapport uit 1966 beoordeelde machinevertalingsprojecten kritisch en concludeerde dat computers niet konden tippen aan menselijke vertalers en dat waarschijnlijk ook niet snel zouden kunnen. In 1969 toonden Marvin Minsky en Seymour Papert in hun boek "Perceptrons" de wiskundige beperkingen van enkel-laagse neurale netwerken aan, wat dat onderzoek tijdelijk stillegde. Deze vroege tegenslagen voorspelden de systematische problemen die de eerste AI-winter zouden ontketenen.
De eerste AI-winter (1974–1980)
Voortbouwend op die vroege waarschuwingen begon de eerste AI-winter in 1974 en duurde tot ongeveer 1980, wat onderzoekprioriteiten en loopbanen in het hele veld fundamenteel hertekende. Laten we bekijken hoe die eerder besproken hype-ontgoochelingscyclus er in de praktijk uitzag.
Voorlopers en vroege hype
De periode 1956–1973 wordt vaak AI's "Gouden Tijd" genoemd. Onderzoekers ontwikkelden symbolische redeneersystemen, vroege natuurlijke taalverwerking en probleemoplossende programma's die zowel academici als het publiek indrukten. Overheidsinstanties, vooral in de VS en het VK, investeerden zwaar in AI-onderzoek. Universitaire labs werden door DARPA gefinancierd, en de media brachten regelmatig verhalen over machines die spoedig als mensen zouden denken.
Deze hype creëerde onrealistische verwachtingen. Onderzoekers droegen soms zelf aan het probleem bij. Marvin Minsky voorspelde in 1970 beroemd dat we "over drie tot acht jaar een machine met de algemene intelligentie van een gemiddelde mens" zouden hebben. Deze stellige tijdlijnen beïnvloedden financieringsbeslissingen en het publieke beeld, en bereidden het veld voor op teleurstelling.
Het Lighthill-rapport en de impact ervan
In 1973 leverde Sir James Lighthill een rapport aan de British Science Research Council dat AI-onderzoek systematisch bekritiseerde. Lighthill stelde dat AI haar doelen niet had bereikt en dat veel problemen te maken hadden met "combinatorische explosie", waarbij het aantal te onderzoeken mogelijkheden exponentieel groeit naarmate een probleem opschaalt. Dit betekende dat de benodigde rekenkracht onbetaalbaar werd, waardoor toepassingen in de praktijk onhaalbaar waren.
Deze beoordeling verwoestte het Britse AI-onderzoek. De Britse overheid sneed in de AI-financiering aan universiteiten, en veel onderzoekers verlieten het veld of verhuisden naar de VS. De invloed van het Lighthill-rapport reikte verder dan Groot-Brittannië, het leverde munitie aan skeptische financiers wereldwijd en droeg bij aan DARPA's beslissing om in 1974 de steun voor AI-onderzoek te verminderen.
Financieringskortingen en hun gevolgen
Toen DARPA en andere instanties hun steun introkken, gonsde het hele onderzoeksecosysteem na. Universiteiten sloten AI-labs, master- en PhD-programma's krompen, en veelbelovende onderzoekers stapten over naar andere vakgebieden om aan werk te komen. De term "artificial intelligence" werd toxisch in financieringsvoorstellen. Onderzoekers begonnen eufemismen te gebruiken zoals "informatics" of "computational intelligence" om het stigma te vermijden.
De kennendiaspora begon. Onderzoekers stapten over naar aanpalende velden of verlieten de academische wereld helemaal. Deze verspreiding betekende dat toen de interesse in de jaren tachtig weer opleefde, veel institutionele kennis vanaf nul moest worden heropgebouwd. Die heropleving kwam via expertsystemen, die een praktischer, domeinspecifieke benadering van AI beloofden.
De tweede AI-winter (late jaren 80–midden jaren 90)
Ondanks de veelbelovende start met expertsystemen, arriveerde de tweede AI-winter eind jaren tachtig, wat bewees dat het oplossen van het ene probleem nieuwe kwetsbaarheden niet voorkomt.
De bubbel van expertsystemen
Begin jaren tachtig legden expertsystemen menselijke expertise in smalle domeinen vast via handgemaakte regels. Systemen als MYCIN (voor medische diagnose) en XCON (voor computerconfiguratie) leverden echte bedrijfswaarde op, en bedrijven investeerden zwaar in deze regelgebaseerde systemen. Er ontstond een hele industrie rond "knowledge engineering", en Japans Fifth Generation Computer-project had als doel massaal parallelle computers te bouwen die waren geoptimaliseerd voor expertsystemen, wat in de VS en Europa competitieve reacties uitlokte.
Maar problemen doken snel op. Het bouwen van één systeem kon jaren kosten aan het interviewen van domeinexperts en het vertalen van hun kennis naar formele regels. Onderhoud bleek nog moeilijker. Naarmate kennisbases groeiden, interageerden regels onvoorspelbaar, waardoor debuggen lastig werd. Het probleem van breekbaarheid werd bij uitrol duidelijk: expertsystemen werkten goed op voorbeelden waarvoor ze ontworpen waren, maar faalden bij iets dat er maar net vanaf week. Ze konden niet omgaan met de rommelige, dubbelzinnige situaties die echte problemen kenmerken. Deze kloof tussen gecontroleerde demo's en praktische implementatie weerspiegelt het probleem dat de eerste winter veroorzaakte.
Aanleidingen voor de ineenstorting
De markt voor expertsystemen stortte in 1987 in. Hardwarekosten speelden hierbij een grote rol. Expertsystemen draaiden typisch op gespecialiseerde "Lisp-machines" die veel meer kostten dan standaardcomputers. Toen pc's en workstations krachtig genoeg werden om vergelijkbare software voor een fractie van de kosten te draaien, verdween het economische argument voor gespecialiseerde AI-hardware. De markt voor Lisp-machines crashte en Japan's Fifth Generation-project eindigde zonder de ambitieuze doelen te halen.
Bedrijven die in expertsystemen hadden geïnvesteerd, ontdekten dat de doorlopende onderhoudskosten de waarde die deze systemen boden, overstegen. Kennisbases moesten constant worden bijgewerkt, wat dure knowledge engineers vereiste. Ondertussen bleken eenvoudigere benaderingen voor veel problemen beter te werken. De misalignment tussen onderzoekdoelen en bedrijfsbehoeften werd onmogelijk te negeren. Grote projecten maakten hun beloften niet waar, en de desillusie sloeg toe.
Krimp in de industrie
De markt voor AI-hardware stortte dramatisch in. Bedrijven die gespecialiseerde AI-workstations produceerden, gingen failliet of zochten andere markten op. Deze ineenstorting trok de expertsystemenindustrie met zich mee en leidde tot een nieuwe bevriezing van AI-financiering. Startups gingen ten onder, en academische programma's kregen zware bezuinigingen te verduren.
De tweede winter verspreidde AI-onderzoekers nog breder dan de eerste. Sommigen gingen naar aanpalende informaticavelden zoals databases of software-engineering. Anderen stapten over naar cognitieve wetenschap of neurowetenschap. Machinelearningonderzoekers labelden hun werk vaak om tot "statistics" of "data mining" om het AI-stigma te vermijden. De psychologische tol was aanzienlijk. Onderzoekers die hun carrière in AI hadden geïnvesteerd, raakten professioneel stuurloos en velen verlieten het veld voorgoed.
Het herstel van de tweede winter duurde veel langer dan van de eerste. In de jaren 90 en vroege jaren 2000 bleef "artificial intelligence" een problematisch label. Onderzoekers in machine learning, computervisie of natuurlijke taalverwerking vermeden het vaak om hun werk "AI" te noemen. Toen er weer financiering kwam, richtte die zich op specifieke, haalbare doelen in plaats van brede claims over algemene intelligentie.
Terugkerende patronen in beide winters
Nu we beide historische AI-winters hebben doorlopen, kunnen we drie kernpatronen aanwijzen die deze ineenstortingen veroorzaakten. Deze patronen begrijpen helpt ons vergelijkbare kwetsbaarheden in de huidige AI-omgeving te herkennen.
Technologische beperkingen
Beide AI-winters kwamen voort uit fundamentele technische barrières die onderzoekers onderschatten. De eerste winter legde een combinatorische explosie bloot, waarbij de benodigde rekenkracht voor complexe problemen exponentieel groeide. De tweede winter onthulde de breekbaarheid van expertsystemen, hun onvermogen om te leren of met onzekerheid om te gaan. In beide gevallen faalden technologieën die briljant werkten op zorgvuldig geselecteerde testgevallen zodra ze geconfronteerd werden met de complexiteit van de echte wereld. De winters kwamen toen deze kloof tussen laboratoriumdemo's en praktische implementatie te duidelijk werd om te negeren.
Hypedynamiek en verwachtingsmanagement
Beide winters volgden het traject van de Gartner Hype Cycle. Eerste doorbraken zorgden voor opwinding, mediaberichtgeving blies prestaties op, en financiering stroomde binnen op basis van opgeblazen verwachtingen op de korte termijn. Marvin Minsky's voorspelling van menselijk-niveau intelligentie "over drie tot acht jaar" is exemplarisch voor het oververtrouwen van de eerste winter. Expertsystemen werden op vergelijkbare wijze vermarkt als schaalbare oplossingen om menselijke expertise vast te leggen. Toen de realiteit achterbleef bij de beloften, was de correctie snel en hard. Media, financieringsinstanties en institutionele structuren droegen allemaal bij aan het opbouwen van verwachtingen die de technologie niet kon waarmaken.
Financieringsvolatiliteit en overheidsbetrokkenheid
Beide winters kenden boom-bustcycli waarbij massale investeringen plaatsmaakten voor plotselinge terugtrekking. Overheidsinstanties zoals DARPA vormden hele onderzoeksecosystemen, en toen de financiering verdween, waaierden onderzoekers uit naar andere velden. Deze kennendiaspora was bijzonder schadelijk omdat AI-onderzoek langdurige inspanning vereist om expertise op te bouwen. Het veld verloor niet alleen financiering, maar ook continuïteit en opgebouwde wijsheid. Wat deze ineenstortingen verergerde, was de concentratie van middelen in enkele benaderingen—symbolische AI in de eerste winter, expertsystemen in de tweede. Toen deze gerichte weddenschappen mislukten, waren er weinig gefinancierde alternatieven om voortgang te waarborgen.
Het huidige tijdperk en de kans op toekomstige AI-winters
Na twee grote winters te hebben gezien, vraag je je waarschijnlijk af hoe het huidige AI-ecosysteem ervoor staat. Bereiden we ons voor op een nieuwe ineenstorting, of is er nu iets fundamenteel anders? Laten we de huidige situatie bekijken door de lens van die historische patronen.
De huidige boom (2012–heden)
De huidige AI-boom begon rond 2012 met doorbraken in deep learning. AlexNet's dramatische verbetering in beeldherkenning markeerde een kantelpunt. Sindsdien heeft deep learning indrukwekkende resultaten behaald in computervisie, spraakherkenning, natuurlijke taalverwerking en spelletjes.
Meerdere factoren maken deze boom anders dan eerdere periodes. Rekenkracht is enorm toegenomen (GPU's maakten het trainen van grote neurale netwerken praktisch). De beschikbaarheid van data explodeerde met het internet en mobiele apparaten. En deep learning vond directe praktische toepassingen in producten die mensen dagelijks gebruiken.
Maar er zijn kwetsbaarheden. Deep learning leunt zwaar op grote datasets en massale rekenkracht. Naarmate modellen groeien, nemen de trainingskosten exponentieel toe. Het veld concentreert zich op één benadering (diepe neurale netwerken) meer dan ooit sinds expertsystemen de jaren tachtig domineerden.
Rekenkosten zijn een reële zorg. Het trainen van grensverleggende modellen kost nu tientallen of honderden miljoenen dollars, en die kosten groeien exponentieel met de modelgrootte. Als vooruitgang steeds grotere modellen vereist maar de praktische voordelen afvlakken, worden de economieën onhoudbaar. Dit is precies het soort structurele kwetsbaarheid dat eerdere winters voorafging.
De kloof tussen benchmarkprestaties en nut in de echte wereld creëert een andere kwetsbaarheid. Modellen halen indrukwekkende scores op standaardtests maar falen bij uitrol door breekbaarheid, bias of onvermogen om randgevallen aan te kunnen. Klinkt bekend? Dit weerspiegelt de kloof tussen demos van expertsystemen en implementatie in de praktijk die bijdroeg aan de tweede winter.
Huidige debatten en kwetsbaarheden
Het AI-debat van vandaag echoot soms het te veel beloven van eerdere tijdperken. Termen als "artificial general intelligence" en voorspellingen dat AI binnen enkele jaren elke industrie zal transformeren, creëren opgeblazen verwachtingen. Dat betekent niet dat de huidige AI een bubbel is die op barsten staat. Anders dan in de jaren zeventig hebben we werkende toepassingen en echte economische waarde. Maar het enthousiasme rond elke nieuwe modelrelease en de neiging om capaciteiten te extrapoleren, creëren omstandigheden waarin verwachtingen de realiteit kunnen overstijgen.
Toch zijn er meerdere factoren die een herhaling van historische AI-winters minder waarschijnlijk maken. Ten eerste is AI diep verweven met producten die mensen dagelijks gebruiken. Zoekmachines, smartphones, sociale media en online shoppen leunen allemaal op AI. Deze integratie biedt economische stabiliteit die vroeger ontbrak.
Ten tweede is de internationale reikwijdte van AI-onderzoek enorm gegroeid. Zelfs als de financiering in één land of regio afneemt, gaat het werk elders door. China, Europa en andere regio's hebben onafhankelijke AI-ecosystemen.
Ten derde speelt de private sector een leidende rol. Hoewel overheidsfinanciering belangrijk blijft, kunnen bedrijven zoals Google, Meta en Anthropic onderzoek bekostigen met inkomsten uit hun kernactiviteiten. Deze diversiteit aan financieringsbronnen creëert veerkracht tegen plotselinge terugtrekking door de overheid.
Lessen en toekomstige richtingen
Wat kunnen we dus leren van deze geschiedenis? De patronen die we hebben onderzocht, bieden praktische handvatten voor onderzoekers, bedrijven en beleidsmakers die vandaag met AI werken. Laten we bekijken hoe inzicht in deze cycli ons kan helpen een duurzamere toekomst voor het vakgebied te bouwen.
Realistisch verwachtingsmanagement
De belangrijkste les uit beide AI-winters is het gevaar van te veel beloven. Wanneer onderzoekers, bedrijven of media verwachtingen scheppen die de technologie op korte termijn niet kan waarmaken, kan de daaropvolgende teleurstelling leiden tot het intrekken van financiering en publieke scepsis die het veld jaren terugzet.
Dat betekent niet dat je ambitieuze doelen moet vermijden. AI-onderzoek moet streven naar transformatieve mogelijkheden. Maar communicatie over tijdlijnen en beperkingen is enorm belangrijk. Een duidelijk onderscheid tussen huidige mogelijkheden en toekomstige potentie helpt geloofwaardigheid te behouden. Als er onzekerheid is over de vraag of een benadering zal opschalen of generaliseren, is eerlijkheid over deze beperkingen beter voor het vakgebied dan optimistische speculatie. Dit is zeker in de huidige tijd belangrijk, waarin media-aandacht en verwachtingen van investeerders claims kunnen versterken tot ver voorbij hun oorspronkelijke context.
Diversificatie van benaderingen
Beide historische winters volgden op periodes van zware investeringen in één paradigma. Symbolische AI domineerde de eerste winter, expertsystemen de tweede. Toen deze benaderingen hun grenzen bereikten, leed het hele vakgebied. De huidige concentratie op deep learning brengt vergelijkbare risico’s met zich mee.
Onderzoek naar alternatieve benaderingen in stand houden zorgt voor belangrijke veerkracht. Neurosymbolische AI, probabilistische programmering en andere richtingen kunnen uitwegen bieden wanneer huidige methoden op een plateau komen. Dit betekent niet dat je succesvolle benaderingen moet verlaten—deep learning heeft zijn waarde bewezen. Maar investeren in diverse onderzoeksrichtingen creëert opties wanneer één enkele aanpak zijn natuurlijke grenzen bereikt.
Stabiele financieringsmodellen
Hoogconjunctuur-en-crisiscycli in financiering verstoren de continuïteit van onderzoek en verspreiden expertise. Beide historische winters gingen gepaard met plotselinge terugtrekking van financiering, wat de langetermijngezondheid van het vakgebied schaadde. Meer stabiele financieringsmodellen (ofwel via overheidsondersteuning die is ingericht op langetermijnonderzoek, ofwel via gediversifieerde investeringen uit de private sector) helpen vooruitgang te behouden, zowel tijdens doorbraken als plateaus.
De verschuiving naar kortere subsidiecycli en directe resultaten na de AI-winters kan het fundamentele onderzoek hebben belemmerd. Langetermijnfinanciering die trage periodes accepteert als natuurlijke onderdelen van onderzoek helpt de paniek te vermijden die winters kan triggeren. Wanneer financiers verwachten dat sommige projecten mislukken en sommige vooruitgang incrementeel zal zijn, wordt het vakgebied veerkrachtiger bij tegenslagen.
Innovatie en regulering in balans
Beleid en regelgevingskaders spelen een grote rol bij het voorkomen van AI-winters en tegelijk het levend houden van innovatie. Beide historische winters ontstonden deels doordat overheidsfinanciers plotseling steun introkken—in de jaren 70 door DARPA en in de jaren 80 door Britse onderzoeksraden—zonder vangnetten. Beleidsmakers van nu moeten van deze cycli leren zonder regels te creëren die nuttige vooruitgang kunnen smoren.
Het regelgevingslandschap verschilt aanzienlijk per regio. De AI Act van de EU hanteert een risicogebaseerde aanpak, met strengere eisen voor hoogrisicotoepassingen. De VS geven de voorkeur aan sectorspecifieke regels met in veel domeinen zelfregulering door de industrie. China heeft een eigen kader opgebouwd dat zowel innovatie als controle benadrukt. Deze benaderingen vormen een natuurlijk experiment in hoe beleid onderzoek en marktontwikkeling stuurt.
De uitdaging: voorkom AI-winters en behoud tegelijk de voorwaarden voor doorbraken. Te veel beperkingen kunnen onderzoek onbetaalbaar of juridisch riskant maken. Te weinig brengt het risico mee van herhaling van de hypegedreven cycli die eerdere winters kenmerkten. Effectief beleid zou zich moeten richten op stabiele langetermijnfinanciering voor fundamenteel onderzoek en mechanismen die diverse benaderingen stimuleren.
Technologische duurzaamheid en ethische overwegingen
Naast financieringsstabiliteit brengen de energievraag van AI echte duurzaamheidsuitdagingen met zich mee. Het trainen van grote modellen verbruikt enorme hoeveelheden elektriciteit. Onderzoekers verkennen efficiëntere architecturen en trainingsmethoden, maar de trend naar grotere modellen botst met duurzaamheidsdoelen.
Diverse databronnen en grondige evaluatiemaatstaven helpen betrouwbaardere AI-systemen te bouwen. Te veel leunen op smalle datasets of het „spelen” van benchmarks levert systemen op die in het lab werken maar in de praktijk falen. Deze les komt rechtstreeks uit het tijdperk van expertsystemen, waar systemen die waren getraind op smalle voorbeelden de complexiteit van de echte wereld niet aankonden. Het aanpakken van deze technische uitdagingen vraagt om zorgvuldige aandacht voor ethische overwegingen gedurende het hele ontwikkelproces. Onze AI Ethics-cursus gaat in op het bouwen van verantwoorde AI-systemen die innovatie en maatschappelijke impact in balans houden.
Inzichten uit andere techbooms en -crashes
De dotcomboom en -crash bieden nuttige parallellen. Net als AI in de jaren 70 en 80 kregen internettechnologieën te maken met opgeblazen verwachtingen, massale investeringen, een plotselinge ineenstorting en uiteindelijk herstel op een stevigere basis. Het belangrijkste verschil? De infrastructuur bleef tijdens de crash verbeteren, en bedrijven leerden zich te richten op haalbare businessmodellen in plaats van vage beloften.
Andere technologische revoluties (elektriciteit, auto’s, personal computers) kenden allemaal hypecycli. Het patroon suggereert dat transformatieve technologieën tijd nodig hebben om passende toepassingen te vinden en vroege beperkingen te overwinnen. Inzicht in dit bredere patroon kan ons helpen het overzicht te bewaren tijdens zowel hoogconjunctuur- als vertragingperiodes.
Conclusie
De huidige AI-boom heeft sterkere fundamenten dan eerdere cycli. We hebben praktische toepassingen, economische integratie en technische mogelijkheden die eerdere tijdperken misten. Maar dezelfde kwetsbaarheden bestaan: te veel vertrouwen op specifieke benaderingen, rekencapaciteitskosten, kloven tussen hype en kunnen, en het alomtegenwoordige risico om meer te beloven dan we kunnen waarmaken.
De weg vooruit vraagt om ambitie te balanceren met realisme. Duurzame vooruitgang bouwen betekent eerlijke communicatie, diverse onderzoeksrichtingen, stabiele financieringsstructuren en aandacht voor zowel technische als ethische uitdagingen. Door de patronen te begrijpen die eerdere winters veroorzaakten, zijn we beter in staat om vergelijkbare risico’s vandaag te herkennen—en om een veerkrachtig, nuchter AI-veld te bouwen dat zowel doorbraken als tegenslagen kan doorstaan.
Voor iedereen die AI-vaardigheden op een stevige basis wil opbouwen: bekijk onze Associate AI Engineer for Developers-track of duik in strategische overwegingen met onze cursus Artificial Intelligence Strategy. Inzicht in zowel de technische mogelijkheden als de historische context van AI helpt je de toekomst van het vakgebied te navigeren, welke uitdagingen die ook meebrengt.