Zal AI binnenkort Isaac Asimovs 'Psychohistory' verwezenlijken?

Heersen AI's binnenkort over de wereld?

Naarmate de wereld digitaliseert en AI krachtiger wordt, kan AI steeds complexere taken aanvullen. Voor nu lag de focus op LLM's (Large Language Models) en generatieve AI in het algemeen, evenals op niche technische functies zoals het voorspellen van eiwitvouwing, genomische data of de kenmerken van nieuwe geavanceerde materialen.

Maar in de toekomst zullen besluitvormers, op nationaal of zelfs mondiaal niveau, wellicht op AI gaan vertrouwen om de toekomst te voorspellen en dienovereenkomstig te handelen.

Een recent wetenschappelijk artikel onderzocht hoe dit gedaan zou kunnen worden om epidemieën van infectieziekten te voorspellen, wat uiteraard een zorg is na de COVID-19-pandemie. De onderzoekers publiceerden het in Nature¹, onder de titel "Kunstmatige intelligentie voor het modelleren van epidemieën van infectieziekten'.

Het gaat hierbij niet alleen om het bestuderen van de verspreiding van ziekten, maar ook om het integreren van de mogelijke sociale en economische reacties op een ziekte en de wisselwerking met besmetting en de verspreiding van ziekten.

Als dit gebruik van AI gemeengoed wordt, kunnen we ons voorstellen dat dezelfde soort tools veel breder worden ingezet, om economische uitkomsten en politieke trends te voorspellen en in kaart te brengen hoe de maatschappij werkt en hoe deze zich zal ontwikkelen. In essentie kan AI op een dag worden gebruikt om enorme datasets te interpreteren voor de voorspellende modellering van grootschalige maatschappelijke instabiliteiten en reacties.

In kaart brengen van AI en epidemiologie

Wiskundige, computationele en statistische modellen maken al lange tijd deel uit van de epidemiologie van infectieziekten. AI is echter tot nu toe niet echt gebruikt in het veld, noch in het algemeen in relatie tot de volksgezondheid, inclusief niet-overdraagbare ziekten.

De eerste beperking voor AI-implementatie was de lage beschikbaarheid van grootschalige, gestandaardiseerde en representatieve data. Dit belemmert de training en evaluatie van AI/ML-modellen met veel parameters.

Deze beperkingen worden nu opgeheven dankzij nieuwe AI-trainingsmethoden, zoals benaderingen die gebaseerd zijn op fine-tuning of transfer learning. Hierdoor zijn maandenlange initiële training of terabytes aan data niet meer nodig.

Fine-tuning is het proces van het nemen van een vooraf getraind model en het aanpassen ervan om beter bij uw data te passen. Dit proces kan u helpen het maximale uit uw data te halen en de prestaties van uw model te verbeteren.

AI zou dus heterogene data beter kunnen integreren en bijdragen aan het creëren van betere beleids- en besluitvormingskaders om de volksgezondheid te verbeteren.

Betere gegevens en voorspellingen

Hoewel AI idealiter zoveel mogelijk gegevens nodig heeft om te kunnen werken, kan het ook helpen bij het vinden van gegevens die waarschijnlijk ontbreken in onvolledige datasets van echte epidemische onderzoeken.

Grote diepe neurale netwerken moesten vroeger worden voorgetraind op honderden miljarden datapunten. Iets wat onmogelijk is met imperfecte epidemische data.

Recent werk op het gebied van deep learning lijkt veelbelovend voor het gebruik van nieuwe methoden om beter met onzekerheid om te gaan (activeringsfuncties, ensembles en conforme voorspelling).

Bron: NATUUR

AI kan ook worden gebruikt om de verspreiding van de ziekte te analyseren en voorheen onbekende besmettingspaden te identificeren. Hiervoor worden GNN's (Graph Neural Networks) gebruikt.

GNN's hebben het vermogen om complexe patronen uit dergelijke gegevens te leren, waardoor ze de prevalentie van ziekten en infectieclusters kunnen voorspellen en cryptische transmissiepaden kunnen onthullen.

Bron: NATUUR

Een andere krachtige tool kan het voorspellen van immuun-ontsnappingsmutaties zijn. AI-modellen die eiwitvouwing voorspellen, zoals die van Google AlphaFold en ESMFold.

Dit zou niet alleen kunnen helpen bij het voorspellen van toekomstige mutaties, maar ook bij het vroegtijdig detecteren van de ziekteverwekkervarianten die het meest waarschijnlijk resistentie ontwikkelen.

Bron: NATUUR

Dankzij deze gegevens zou de volgende generatie vaccins de mutaties kunnen voorspellen en ook de gebruikte inperkingsstrategieën kunnen sturen.

Beter begrip

Epidemische surveillancegegevens zijn bijna altijd onvolmaakt en beïnvloed door vertekeningen in de rapportage. Gegevens lijken bijvoorbeeld te wijzen op een afnemende epidemie, maar dit kan te wijten zijn aan veranderingen in rapportage of afnemende beschikbaarheid van tests.

Deze gegevens kunnen ons dus niet direct vertellen hoeveel personen op een bepaalde dag besmettelijk zijn, of wat de verwachte toekomstige ontwikkeling van gevallen zou kunnen zijn. Iets dat we ons allemaal kunnen herinneren van de dagen van de pandemie, die zich vaak op onverwachte manieren verspreidde.

AI heeft de potentie om een ​​samenhangend geheel van uiteenlopende gegevens samen te brengen. Denk bijvoorbeeld aan vluchtgegevens, klinische resultaten, afvalwatergegevens, genomische gegevens, etc. Op die manier kunnen we een realtime beeld van de situatie krijgen dat veel nauwkeuriger is.

Bron: NATUUR

Dit kan leiden tot betere beslissingen over hoe een epidemie te monitoren en erop te reageren. Bijvoorbeeld het selecteren van de volgende set locaties, vliegtuigen of personen om te testen.

AI zou ook flexibeler kunnen zijn in de integratie van nieuwe data dan rigide statistische modellen die 'met de hand' zijn ontworpen. In het Verenigd Koninkrijk werd bijvoorbeeld de National Health Service COVID-19-app gedownload op >21 miljoen mobiele telefoons. Zulke digitale apps voor contacttracering zouden ons vermogen om transmissie te verminderen kunnen transformeren tegen een fractie van de kosten van handmatige contacttracering.

Hetzelfde zou gedaan kunnen worden om informatie over mobiliteit op individueel niveau van mobiele telefoons te verzamelen om trends in menselijke bewegingen op populatieniveau te evalueren.

Andere datasets zouden in de toekomst meer gebruikt kunnen worden, zoals bijvoorbeeld sensorische surveillancegegevens van wearables, die vroege tekenen van long COVID kunnen detecteren aan de hand van slaap- en fysieke activiteitspatronen. Een goed begrip van deze gegevens zou publieke beslissingen en budgetteringsprognoses sturen.

Beter beleid

Door internationaal reizen en verstedelijking verspreiden epidemieën zich sneller dan menselijke systemen op tijd kunnen aanpakken.

Toekomstig gebruik van AI zal waarschijnlijk de besluitvorming van het publieke beleid sturen. Dit moet niet worden opgevat als de AI die de besluitvormers "vertelt" wat ze moeten doen. In plaats daarvan zal dit hen inzicht geven in wat het beste zou kunnen werken, met resultaten die vervolgens door de AI's worden geanalyseerd en leiden tot iteratieve verfijning van het beleid.

Bron: NATUUR

Uitdagingen en risico's

Het is onwaarschijnlijk dat een machinaal aangestuurd proces door het publiek en professionals in de gezondheidszorg zal worden geaccepteerd als het niet strikt onder menselijke controle blijft.

Het eerste probleem met de massale inzet van AI voor epidemiologie is dat dit vereist dat de AI toegang heeft tot veel data. Veel zeer privé, individuele, gevoelige, gezondheidsgerelateerde data die toebehoort aan echte personen.

Het is dus van groot belang dat we ervoor zorgen dat er geen gegevens worden gelekt of dat iemand die dat niet zou moeten doen, toegang krijgt tot die gegevens. Zo houden we de publieke steun voor deze technologie in stand.

Een ander risico is dat bestaande vooroordelen onbedoeld worden versterkt, waardoor beleidsmakers bestaande aannames niet meer kunnen uitdagen of niet verder kunnen denken dan wat de AI's aanbevelen.

Meer over dit onderwerp kunt u lezen in “Vertrouwen wordt verdiend, niet gegeven. Heeft AI zichzelf bewezen?"&"Twijfelachtige AI-trainingstactieken vormen een groeiende zorg'.

Een andere uitdaging is het evalueren van de kosten van interventies. Effectieve maar te dure beslissingen kunnen het effect hebben dat er te weinig financiële middelen of personeel beschikbaar is. Een goede modellering voorafgaand aan kosten en resourceverbruik is vereist voor effectief overheidsbeleid.

Ten slotte moeten ethische vragen over AI-inzet in de gezondheidszorg worden aangepakt. Het is belangrijk om geen vooroordelen of oneerlijke praktijken te vergroten. Beslissingen over privacyniveaus, beperkingen op persoonlijke vrijheden en wie als eerste behandeld of gevaccineerd moet worden, moeten worden genomen met menselijke ethiek in gedachten en AI-aanbevelingen pas op de tweede plaats.

Verder dan epidemiologie

Als AI kan worden ingezet om menselijk gedrag in de epidemiologie te voorspellen, is er geen reden om niet te verwachten dat het voor de maatschappij als geheel zal werken. In theorie zou het maatschappelijke omwentelingen, opkomst en ondergang van het rijk, etc. kunnen voorspellen.

Dit is een lange droom van sciencefictionschrijvers, het best geïllustreerd door de fictieve wetenschap van de “psychohistorie” in de Foundation-serie van Isaac Asimov. Als we genoeg data over de maatschappij kunnen verzamelen, kunnen we theoretisch de toekomstige evolutie van onze maatschappij voorspellen.

De Foundation-boeken, geschreven in de jaren 1940 en 1950, gingen niet echt in op hoe het verder zou gaan dan "complexe wiskundige vergelijkingen" die de maatschappij als geheel modelleren. Tegenwoordig, met veel meer beschikbare data en complexere AI, is het waarschijnlijk dat we binnenkort nauwkeurigere voorspellingen over de toekomst kunnen doen, waarmee we dichter bij psychohistorie in het echte leven komen.

Bron: Amazon

Dit zou economie en internationale betrekkingen kunnen omvatten, maar misschien zullen politici in de nabije toekomst AI gebruiken om te evalueren welk standpunt het meest bij het publiek zal aanslaan. Of dit kan werken als een feedbackloop naar meer verdeeldheid en identiteitspolitiek, moet nog blijken.

Paradoxaal genoeg zou het ook de voorspellende kracht van AI kunnen verminderen, aangezien elke actie die door AI wordt beïnvloed waarschijnlijk de historische patronen van onze samenlevingen zal veranderen, waardoor verdere voorspellingen moeilijker worden.

Hoewel het onwaarschijnlijk is dat AI ons binnenkort zal overheersen (hopelijk), is het waarschijnlijk dat we het steeds vaker zullen zien in besluitvorming en beleidsvorming, van epidemiologie tot alle andere vakgebieden zoals economie en politiek. De gevolgen zijn moeilijk te voorspellen.

AI-voorraad

Alibaba

Alibaba staat in het Westen vooral bekend om zijn e-commerceplatform en als leverancier van goedkope materialen, onderdelen en consumptiegoederen. In China is het bedrijf echter ook een groot technologiebedrijf dat toonaangevend is op het gebied van AI en cloud computing.

Opvallend is dat Alibaba 36% van de cloudmarkt in China in handen heeft, wat een flinke voorsprong is op al zijn concurrenten.

Bron: Jeff Townson

Misschien nog belangrijker is dat het al zes nieuwe DeepSeek AI-modellen, de open-source AI die de wereld heeft geschokt door plotseling beter presterend dan de meeste Amerikaanse AI-modellen voor een fractie van de kosten, zowel in ontwikkeling als op basis van gebruik.

Alibaba heeft ook zijn eigen AI-model, Qwen, en beweert dat Qwen 2.5 zelfs beter is dan Deep Seek V3.

“Qwen 2.5-Max overtreft … bijna op alle vlakken GPT-4o, DeepSeek-V3 en Llama-3.1-405B,”

Alibaba's Cloud-eenheid

Over het geheel genomen blijft Alibaba, afgezien van de groei in cloud en AI, een gigant in e-commerce in China. Taobao & Tmall zijn slechts licht gedaald ten opzichte van hun aandeel van 29% in de wereldwijde online verkoop in 2019.

Bron: Forbes

De recente AI-vooruitgang heeft de manier waarop Alibaba wordt gezien veranderd. Van een legacy e-commercepositie onder druk en dominante cloudverkoop (maar ook onder druk van concurrenten), is het teruggegaan naar het leiden van China's technologische innovatie.

Ondanks de relatief lage prijs, die het gevolg is van jarenlange strengere regels in de technologiesector in China en zorgen over investeringen in het land, kan het een kans zijn voor investeerders die erop willen wedden dat China de leiding neemt in de AI-race.

(Je kunt ook lezen ons speciale rapport gericht op Alibaba voor meer details).

Laatste nieuws over Alibaba

Studie referentie:

^{1. Kraemer, MOK, Tsui, JLH, Chang, SY et al. Kunstmatige intelligentie voor het modelleren van epidemieën van infectieziekten. NATUUR 638, 623â € "635 (2025). https://doi.org/10.1038/s41586-024-08564-w}