ChatGPT, Gemini, Claude – je gebruikt ze misschien dagelijks. Voor vragen, voor werk, voor school. Ze zijn slim. Ze kunnen veel. Maar er is één ding dat ze niet kunnen: van je leren terwijl je ze gebruikt.
Deze AI-tools leren alleen tijdens hun training. Dat gebeurt vóór jij ze gebruikt. En na die training? Dan zijn ze klaar. Bevroren. Ze worden niet slimmer van wat jij vertelt; ze passen zich niet aan.
Wetenschappers bij Google hebben daar iets op bedacht. Ze ontwikkelden TITANS: een AI-systeem dat wél blijft leren terwijl je het gebruikt. Hoe dat werkt? En waarom is dat zo bijzonder? Laten we beginnen bij hoe jij zélf dingen onthoudt.
Hoe jouw brein informatie opslaat
Stel je voor: je bent aan het werk. Een collega noemt een telefoonnummer. “06-1234-5678”. Je herhaalt het in je hoofd terwijl je je telefoon pakt. Zodra je het hebt ingetikt, ben je het alweer vergeten.
Wat je niet meteen vergeet is dat Harrie per ongeluk zout in zijn koffie had gedaan, en die uitproestte over Julius Reinier’s mega dure overhemd. Je vertelt het later die dag thuis aan tafel, met alle details. Wat er precies gebeurde, hoe iedereen reageerde, wie wat zei…
En volgend jaar? Dan weet je misschien nog wel dat er die dag iets grappigs gebeurde. Maar de details? Die zijn vervaagd.
Dit zijn drie verschillende soorten geheugen aan het werk:
Werkgeheugen:
Dat telefoonnummer dat je 30 seconden vasthoudt. Dit is wat je op dit moment in je hoofd hebt. Heel beperkt. Slechts een paar dingen tegelijk. Maar wel heel precies.
Kortetermijngeheugen:
Wat er vandaag gebeurde. Je kunt het vertellen. Je weet de details nog. Maar morgen is een deel alweer weg.
Langetermijngeheugen:
Dingen die blijven plakken. Soms jaren. Soms je hele leven. Je eerste dag op school. Je trouwdag. Die ene vakantie.
Wat maakt iets belangrijk genoeg om te onthouden?
Hier wordt het interessant. Jouw brein kiest wat belangrijk is. Het slaat niet álles op.
Dingen die bijzonder zijn, onthou je beter. Verrassingen. Emoties. Iets nieuws. Iets schrikbarends. Iets leuks.
Een normale dinsdag op kantoor? Vergeten. Maar die dinsdag waarop er iets onverwachts gebeurde? Die blijft hangen.
Dit gebeurt automatisch. Zonder dat je erbij nadenkt. Je brein beslist zelf: dit is belangrijk, dit onthoud ik. En dit mag ik vergeten.
Wat AI’s nu doen (en wat ze níet doen)
ChatGPT heeft geen geheugen; het heeft een notitieblokje.
Het gesprek steeds opnieuw lezen
Stel je voor: je hebt een collega die niets onthoudt. Hij schrijft echt álles wat je vraagt en wat hij antwoordt op. En elke keer als jij iets zegt, leest deze persoon jullie hele gesprek opnieuw. Van begin tot eind. Om te begrijpen waar jullie het ook al weer over hadden.
Bij een kort gesprek is dat geen probleem. Maar na een uur praten? Dan zit die collega een halve dag te lezen voor die kan antwoorden. En dat bij elke vraag opnieuw.
Klinkt dom hé? Maar zo werkt ChatGPT. Elke keer dat jij iets typt, leest het systeem het hele gesprek opnieuw. Vanaf het begin. Het heeft geen ingebouwd geheugen.
Het trucje van ChatGPT Memory
“Maar wacht,” denk je misschien. “ChatGPT onthoudt toch dingen van mij? Het weet dat ik docent ben. Het weet welke projecten ik heb.”
Klopt. Maar daar gebruikt het een database voor, die om de AI heen is geprogrammeerd. Een soort digitaal notitieblok. Als jij iets vertelt dat belangrijk lijkt, schrijft het systeem dat op in die database.
Later, bij een nieuw gesprek, haalt ChatGPT die notities op. Het plakt ze stiekem in het gesprek. Onzichtbaar voor jou. Alsof het ze nooit vergeten was.
Maar de AI zélf heeft niks geleerd. Het is gewoon: informatie opschrijven en later voorlezen. Copy-paste. Geen echt begrip. Geen aanpassing.
Het is als iemand die aantekeningen van je maakt. Die persoon kan je aantekeningen voorlezen. Maar hij begrijpt ze niet. Hij heeft er niet van geleerd.
Waar dit fout gaat
Probeer maar eens een heel boek met ChatGPT te bespreken. Een studieboek van 500 pagina’s. Of een dik juridisch dossier.
Je kunt een paar pagina’s uploaden. ChatGPT kan er vragen over beantwoorden. Maar vraag het later iets over pagina 12, terwijl je nu over pagina 450 praat? Dan lukt dat vaak niet goed meer.
Of stel: je werkt een jaar lang aan een project. Elke week bespreek je dingen met ChatGPT. Na een jaar wil je patronen zien. Verbanden tussen wat je in januari deed en wat je in december deed.
Pech. ChatGPT kan niet zo ver terug. Het heeft geen overzicht. Het kan niet zien hoe dingen met elkaar te maken hebben over lange tijd.
TITANS: een AI die echt van je léért
TITANS werkt anders. Het heeft drie geheugensystemen. Net zoals jouw brein.
De drie systemen
Post-its (werkgeheugen):
Wat er nu speelt. Het korte gesprek dat je op dit moment voert. Beperkt, maar heel precies.
De slimme archivaris (langetermijngeheugen):
Een apart systeem dat blijft leren terwijl je het gebruikt. Het kiest wat belangrijk is. Het past zich aan. Het wordt beter in onthouden.
Het handboek (vaste kennis):
Algemene kennis over taken. Hoe je dingen moet aanpakken. Dit verandert niet tijdens je gesprek.
Die archivaris is het grote verschil. Bij ChatGPT is het gewoon een database met aantekeningen. Bij TITANS is het een slim systeem dat leert welke informatie belangrijk is. En waarom.
Het verrassingsprincipe
Net zoals jouw brein onthoudt TITANS verrassende dingen beter.
Als de AI iets verwacht, wordt het normaal opgeslagen. Maar als er iets verrassends gebeurt – iets dat het niet had verwacht – dan wordt die informatie sterker opgeslagen. Met meer nadruk.
Dit lijkt op wat er in jouw brein gebeurt. Bij een schrik, een verrassing, een emotie komt er een stofje vrij in je hersenen. Dat zorgt ervoor dat je het beter onthoudt.
TITANS doet iets vergelijkbaars. Het gebruikt berekeningen om te bepalen hoe verrassend iets is. Hoe verrassender, hoe sterker het wordt onthouden.
Het verschil met ChatGPT Memory
Laten we het concreet maken:
ChatGPT Memory zegt: “Je bent docent wiskunde. Je werkt op het Mondriaan College. Je geeft les aan VMBO-4.” Ik schrijf dit in een database. En later plak ik deze tekst onzichtbaar in elk gesprek.
TITANS zou zeggen: “Ik heb geleerd dat onderwijscontext belangrijk is voor deze gebruiker. Ik zie patronen in welke vragen gesteld worden. Ik pas mijn begrip aan van wat relevant is.”
Het verschil? ChatGPT schrijft feiten op. TITANS leert patronen. ChatGPT plakt tekst. TITANS past zijn begrip aan.
Klein maar krachtig
En nu wordt het indrukwekkend. TITANS kan méér, met minder.
Wetenschappers testten een TITANS-systeem met 760 miljoen parameters. Dat is een maat voor hoe groot een AI is. GPT-4 heeft ongeveer 1.800 miljard parameters. Dat is ruim 2.000 keer groter.
Toch presteerde dat kleine TITANS-systeem beter op bepaalde taken. Vooral bij lange teksten. Bij het vinden van informatie die ver terug werd genoemd. Bij het verbanden leggen over grote hoeveelheden tekst.
Groter is niet altijd beter. Slimmer ontworpen kan krachtiger zijn.
Waar zou je dit voor kunnen gebruiken?
Laten we dit concreet maken. Wat kun je met een AI die écht onthoudt?
Voor docenten: de assistent die echt méédenkt
Je geeft les in geschiedenis. Je gebruikt een digitaal leerboek van 800 pagina’s. Een leerling vraagt: “Hoe past dat verhaal over de VOC van vorige week bij wat we nu over de Gouden Eeuw leren?”
Een normale AI moet je helpen herinneren wat er vorige week werd behandeld. En dan pas kan het de vraag beantwoorden.
Een TITANS-achtig systeem heeft het hele leerboek gelezen. Het heeft geleerd welke gebeurtenissen met elkaar samenhangen. Het kan direct vertellen hoe de VOC-handel de Gouden Eeuw vormgaf. Het ziet de verbanden. Het heeft ze onthouden.
Of: je hebt een leerling met dyslexie. Die heeft andere uitleg nodig dan je andere leerlingen. Een TITANS-systeem zou kunnen leren welke uitlegstijl voor deze leerling werkt. Zonder dat je dat elke keer opnieuw moet vertellen.
Voor zzp’ers: patronen in je werk
Je bent zelfstandig ondernemer. Je hebt dit jaar twintig projecten gedraaid. Sommige liepen soepel. Andere niet.
Een normale AI kan je helpen bij één project tegelijk. Maar het ziet geen verbanden tussen je projecten.
Een TITANS-achtige AI zou kunnen leren: dit soort klanten leveren vaak vervolgopdrachten. En bij dat soort projecten loop je vaak tegen planning aan. Deze combinatie van factoren voorspelt of een project succesvol wordt.
Het leert van al je werk samen. Het ziet patronen die jij misschien mist. Omdat het overzicht heeft over langere tijd.
Voor juridisch werk: tegenstrijdigheden vinden
Je werkt aan een juridische zaak. Het dossier is 5.000 pagina’s dik. Ergens op pagina 234 staat een verklaring. Op pagina 3.891 staat iets anders. Deze twee verklaringen bijten elkaar.
Een normale AI kan één pagina lezen. Of een paar pagina’s tegelijk. Maar het overzicht over 5.000 pagina’s? Dat lukt niet goed.
Een TITANS-systeem zou het hele dossier kunnen “begrijpen”. Het zou inconsistenties kunnen spotten. Verbanden kunnen leggen tussen stukken die ver uit elkaar staan. Zonder dat jij specifiek moet aangeven waar het moet zoeken.
Voor ouders: huiswerk-hulp die echt hélpt
Je kind zit in de bovenbouw. Het heeft huiswerk voor verschillende vakken. Voor geschiedenis, voor biologie, voor maatschappijleer.
Een leraar zou zien: “Dit onderwerp bij biologie heeft eigenlijk te maken met wat je bij geschiedenis leert. En bij maatschappijleer komt het ook terug.”
Een normale AI behandelt elk vak apart. Het ziet die verbanden niet. Tenzij jij ze vertelt.
Een TITANS-achtig systeem zou kunnen leren: deze concepten komen in meerdere vakken terug. Het zou je kind kunnen helpen dwarsverbanden te zien. De grote lijnen te begrijpen.
Voor bedrijven: inzicht in je geschiedenis
Je bedrijf maakt een jaarverslag. Je wilt weten: wat werkte dit jaar? Wat niet? Welke keuzes hadden invloed?
Er zijn duizenden e-mails. Honderden documenten. Tientallen vergaderingen.
Een normale AI kan je helpen met delen daarvan. Maar het overzicht? De patronen over het hele jaar? Dat is lastig.
Een TITANS-systeem zou alles kunnen analyseren. Verbanden leggen. Trends zien. Zonder dat het belangrijke details vergeet die maanden geleden werden genoemd.
Maar is dit wel veilig?
Natuurlijk vraag je je dit af. Een AI die leert van wat jij doet? Die je privégegevens onthoudt? Dat roept vragen op.
Wat gebeurt er met jouw informatie?
Bij TITANS heeft elk gesprek zijn eigen geheugen. Als jij met TITANS werkt aan een project, leert dat geheugen van jouw project. Als iemand anders TITANS gebruikt, gebruikt die een ánder geheugen. Elke gebruiker en elk project gebruikt z’n eigen geheugen. En die beïnvloeden elkaar niet.
En na je gesprek? Dan kan dat geheugen gewist worden. Net zoals je een iPhone wist en reset voordat je hem verkoopt. Het model zélf blijft, maar het geheugen wordt gewist. En alles wat het in dit project van jou heeft geleerd, is weg.
Cloud of lokaal?
Er zijn twee manieren om TITANS te gebruiken:
In de cloud:
Op computers van een bedrijf. Net zoals ChatGPT nu werkt. Voordeel: je hebt geen krachtige computer nodig. Nadeel: je informatie gaat naar de computers van de leverancier.
Lokaal:
Op je eigen computer. Voordeel: je gegevens blijven bij jou. Nadeel: je hebt een krachtige computer nodig. Niet iedereen heeft dat.
Voor privacy-gevoelige informatie – medische gegevens, juridische dossiers, bedrijfsgeheimen – is lokaal gebruik beter.
Zou je willen dat een AI alles van je onthoudt?
Dit is een interessante vraag. Stel: je gebruikt een AI-assistent elke dag. Zou je willen dat die je tussen de gesprekken door onthoudt?
Voordelen:
Je hoeft niet steeds opnieuw te vertellen wie je bent. Wat je doet. Wat je voorkeuren zijn. De AI kan beter helpen omdat die je kent.
Nadelen:
Je privacy is minder. Die informatie wordt ergens opgeslagen. Misschien wil je dat niet. Misschien wil je soms opnieuw beginnen. Schoon schip maken.
Het is geen simpel antwoord. Het hangt af van wat je doet. Waar je de AI voor gebruikt. Hoeveel je vertrouwt op privacy.
Wat wel duidelijk is: als een AI van je leert, moet jij kunnen bepalen wat er gebeurt met die kennis. Jij moet controle hebben. Kunnen wissen. Kunnen resetten. Kunnen kiezen.
Dit is onderzoek, geen product
Laten we eerlijk zijn. Je kunt TITANS nog niet downloaden. Het is geen app in de store.
Dit is wetenschappelijk onderzoek. Google-onderzoekers hebben aangetoond dat het kan. Dat het werkt. Maar het is nog geen product dat je kunt gebruiken.
Wat moet er nog gebeuren?
De technologie werkt. Maar er zijn praktische problemen:
Het kost meer rekenkracht:
Elk gesprek heeft zijn eigen geheugen. Dat betekent dat er meer computerkracht en geheugen nodig is. En dat maakt het flink duurder.
Het moet betrouwbaar worden:
Onderzoek in een lab is één ding. Miljoenen mensen die het dagelijks gebruiken is iets anders. Het moet stabiel zijn. Voorspelbaar. Veilig.
Er moeten keuzes worden gemaakt:
Hoe lang blijft het geheugen bestaan? Wat gebeurt er met oude informatie? Hoeveel controle krijgen gebruikers? Dit zijn geen technische vragen. Dit zijn keuzes over hoe we het willen gebruiken.
Wanneer kun je dit verwachten?
Realistisch gezien:
Over 1-2 jaar:
Misschien zie je de eerste toepassingen. Waarschijnlijk in gespecialiseerde gebieden. Juridisch werk. Medische analyse. Wetenschappelijk onderzoek. Plekken waar het echt nodig is. Waar bedrijven ervoor willen betalen.
Over 3-5 jaar:
Mogelijk in tools die meer mensen gebruiken. Misschien in betaalde versies van AI-assistenten. Misschien voor specifieke taken waar het grote voordelen biedt.
Maar:
Het zal waarschijnlijk eerst daar verschijnen waar het het meeste nut heeft. Waar de extra kosten zich terugverdienen. Niet meteen overal.
En misschien komt er een andere oplossing. Misschien bedenkt iemand een nóg slimmere manier om AI’s te laten leren. Een andere aanpak. Zo gaat ontwikkeling.
De belangrijkste les
TITANS laat iets zien dat belangrijker is dan de technologie zelf.
AI’s hoeven niet alleen maar groter te worden om beter te worden. Meer data. Meer rekenkracht. Groter. Duurder.
Ze kunnen ook slimmer ontworpen worden. Door te kijken naar hoe ons eigen brein werkt. Door na te denken over wat geheugen eigenlijk is. Hoe leren werkt. Wat belangrijk is om te onthouden.
Een AI van 760 miljoen parameters die beter presteert dan een AI van 1.800 miljard parameters. Dat zegt iets. Niet groter, maar slimmer.
Dit is geen wonderoplossing. Het lost niet alle problemen op. AI’s zullen nog vaak fouten maken. Ze begrijpen niet alles. Ze zijn niet perfect.
Maar het toont een richting. Een andere manier van denken over hoe we AI-systemen bouwen.
En dat is misschien wel het belangrijkste wat je hiervan kunt leren: De beste oplossingen zijn niet altijd de grootste. Soms zijn het de slimste.
Dit artikel is gebaseerd op deze research.