Help, ik leer over leren!

Als er één ding is dat ik graag doe, dan is het leren. Wanneer alles in de vette grijze klomp weefsel die ik liefkozend mijn brein noem werkt zoals het hoort, en het optimale cafeïnegehalte is bereikt, kan ik vrolijk informatie verwerken tot nieuw gedrag, nieuwe vaardigheden of kennis. Of iets wat ik heb geleerd daadwerkelijk blijft hangen, hangt af van allerlei interne en externe factoren. Maar het is een moment van cognitieve schoonheid, en de hele technologiesector probeert dat wanhopig na te bouwen.

In deze spontane bespiegeling ga ik dus:

 1) de moderne definitie en studie van menselijk leren samenvatten;

 2) de grondslagen van de niet-biologische variant introduceren;

 3) enkele recente onderzoeken naar AI en leren delen.

Onderweg neem ik ook baanbrekend academisch onderzoek en nieuwe technologie mee. Wie weet? Misschien beleven jouw stukjes hersenweefsel net zoveel plezier aan dit metaproces van leren over leren als ik aan het schrijven ervan.

Alle kunstwerken hier zijn van de fantastische Brendan Dawes: https://superrare.com/brendandawes

Laten we beginnen met de vaststelling dat leren niet één enkele handeling is. Het is een ongelooflijk ingewikkeld proces van:

• interactie met en aanpassing aan onze omgeving;

• het verwerven van nieuwe vaardigheden, gedrag en kennis;
  
  
• waardoor een systeem verandert op basis van wat het heeft geleerd.

 Naar mijn bescheiden mening is leren een van de mooiste manieren om naar de wereld te kijken. Het verandert fundamenteel wat we waarnemen en beïnvloedt daarmee hoe we handelen en met onze omgeving omgaan.  

Het probleem bij het definiëren van het biologische leerproces is dat het niet slechts één cognitieve functie van een entiteit is. Het is een proces dat op meerdere niveaus parallel plaatsvindt:

• Alle onderdelen van ons lichaam bezitten een aangeboren vermogen om te leren. Ons immuunsysteem, onze organen, spieren en botten zijn elk afzonderlijke klaslokalen voor leren en aanpassing aan de uitdagingen waarmee we worden geconfronteerd.
  
  
• Rond ons DNA werkt een regelende, epigenetische laag die de activiteit van genen onder invloed van omgeving en ervaring kan veranderen. Sommige effecten houden jaren aan en kunnen in bepaalde gevallen over generaties doorwerken.
  
  
•  Virussen zijn nog intrigerender. Deze oeroude ziekteverwekkers leren niet zoals een brein dat doet, maar populaties passen zich door evolutie razendsnel aan. Ze kunnen bovendien reacties in een gastheer uitlokken, zoals niezen, die hun verspreiding bevorderen. Dat is geen bewust leerproces, maar wel een fascinerend voorbeeld van gedrag dat op systeemniveau op aanpassing lijkt.
  

Dit zijn maar een paar losse voorbeelden. Vermenigvuldig al die niveaus van leren en aanpassen met het aantal organismen in een levende omgeving, en het proces wordt al snel onvoorstelbaar complex.

In een recent onderzoek uit 2022 schreven psychologen Jan De Houwer en Sean Hughes een fascinerend artikel waarin ze de entiteit uit de vergelijking haalden en het volgende voorstelden:

'We definiëren leren als veranderingen in de manier waarop een systeem op zijn omgeving reageert, oftewel als aangeleerd gedrag.' (Bron)

Ik vond dit een prettige manier om het onderwerp af te bakenen, omdat deze definitie op verschillende niveaus bruikbaar is. We kunnen ermee in- en uitzoomen zonder te doen alsof de biologische complexiteit niet bestaat.

AI-kanttekening: Wanneer deskundige critici van de intelligentie van huidige AI-systemen, zoals dr. Yann LeCun, zeggen dat grote taalmodellen niet intelligent zijn, kijken zij onder meer door deze lens. Een voorgetraind model, je weet wel, de P en de T in 'GPT', leert tijdens een gewone chatsessie niet op dezelfde manier verder uit een echte omgeving. LeCun betoogt dat juist die beperkte interactie met de fysieke wereld een fundamentele grens vormt. Dat is zijn theoretische positie, niet een onomstreden definitie van intelligentie.

Hier is een uitstekend interview waarin hij dit verder toelicht:

Speel video af op YouTube

Net zoals een taalmodel de indruk van intelligentie kan wekken, geeft mijn definitie van leren nog maar de indruk dat we het onderwerp begrijpen. Om leren echt te doorgronden, moeten we naar de werking van het proces kijken. Gelukkig voor mij, en voor jou als lezer, bestuderen mensen die slimmer zijn dan ik dit al jaren. Een paar belangrijke denkrichtingen zijn:

 Behaviorisme,

Dit is de wereld van Pavlov en Skinner. Het is de grootvader van het leeronderzoek en draait om conditionering: oefenen, herhalen en nog eens herhalen, totdat iets blijft hangen. Als iemand die jarenlang muziekinstrumenten heeft leren bespelen, kan ik bevestigen dat het werkt. Conditionering introduceert ook de begrippen beloning en straf. Skinner liet zien hoe gevolgen de kans beïnvloeden dat gedrag wordt herhaald. Op hoofdlijnen zien we dat principe terug in moderne AI. Beloningssignalen kunnen tijdens de training helpen om wenselijke uitkomsten waarschijnlijker te maken en ongewenste antwoorden af te remmen. De biologische en computationele processen zijn niet hetzelfde, maar de familiegelijkenis is duidelijk.  

 Cognitivisme:

We gaan door naar de volgende theoretische benadering. Het cognitivisme beschouwt leren als actieve informatieverwerking. Het draait om coderen, opslaan en representeren en legt de nadruk op concentratie, geheugen en aandacht. Denk aan technieken die je op school leerde, zoals mindmaps, geheugentrucs en studiemethoden. Ze behoren allemaal tot deze denkrichting. Begrippen als aandacht en representatie keren ook terug in moderne AI, maar hebben daar niet altijd precies dezelfde betekenis. De terminologie is mede ontleend aan ons denken over menselijke cognitie; de onderliggende processen blijven wezenlijk anders.

 Constructivisme:

Hier wordt leren gezien als constructie. Leren is een geleidelijk proces waarin nieuwe ervaringen worden toegevoegd aan bestaande mentale kaders, die zich ontwikkelen naarmate we ouder worden. In dit concept is het lerende systeem geen onbeschreven blad. Een eenvoudig voorbeeld is een jong kind dat in de dierentuin een exotische vogel ziet. Hoewel het kind nooit in het Amazonegebied is geweest, herkent het dat dier als vogel omdat het al een mentaal beeld heeft van wat een vogel is, met vleugels, een snavel, veren enzovoort. In het constructivistische leerconcept staat interactie centraal en speelt zowel het langetermijn- als het kortetermijngeheugen een sleutelrol.

En ten slotte sociaal leren:

Hier vindt leren plaats door observatie en imitatie. Ons hele leven kijken we voortdurend hoe ouders, leraren, vrienden en familie taken uitvoeren, en ondertussen leren we. Dit proces van gedragsmodellering is nauw verwant aan AI-systemen, hoewel wij het op een veel rijkere en complexere manier uitvoeren.

Ik ga niet doen alsof ik de neurologische processen die hier spelen begrijp, maar op een hoger niveau geldt het volgende:

Aandacht is cruciaal. We verwerken veel meer invoer dan nodig of relevant is. Er gebeurt simpelweg op elk moment van alles en we hebben niet alles nodig. Daarom beschikken we over een neurologisch proces van 'inzoomen en filteren' als manier om aandacht te besteden.

Onze emoties spelen eveneens een sleutelrol in het leerproces. Prettige emoties werken als beloningsmechanisme en stimuleren leren, precies zoals Skinner en zijn collega's beschreven. Daartegenover hebben stress en slaapgebrek een negatieve invloed op de beloningsmechanismen van onze hersenen. Een ander belangrijk proces waarover psychologen en neurologen het eens zijn is motivatie. Een gemotiveerd mens leert veel effectiever. Daarom steken leraren, werkgevers en ouders zoveel tijd en energie in pogingen om ons tot leren te motiveren.

Onlangs waren er enkele doorbraken in ons begrip van leren, zoals:

Gliacellen die herinneringen opslaan (2024): Decennialang stonden neuronen centraal in neurologisch leeronderzoek. Een baanbrekend onderzoek van wetenschappers van het Baylor College of Medicine, gepubliceerd in Nature in 2024, liet zien dat astrocyten, stervormige gliacellen waarvan men eerder dacht dat ze uitsluitend een ondersteunende rol speelden, actief deelnemen aan het opslaan en ophalen van herinneringen. Dit betekende een opvallende verschuiving, omdat het liet zien dat hersencellen die traditioneel slechts als ondersteunende 'lijm' werden beschouwd in werkelijkheid een actieve rol spelen in het leerproces.

Meerdere leerregels in de hersenen (2025): Een oud raadsel in de neurowetenschap is hoe de miljarden synapsen van de hersenen weten hoe ze zich tijdens het leren moeten aanpassen. Dit heet vaak het 'credit assignment problem'. In april 2025 verscheen in Science een onderzoek van een team van de University of California San Diego met een belangrijke doorbraak: afzonderlijke neuronen kunnen meerdere leerregels tegelijk volgen. Dit helpt verklaren hoe complex leren mogelijk is zonder instabiliteit in neurale netwerken te veroorzaken. Neurowetenschappers noemden dit een doorbraak omdat het een genuanceerder beeld van plasticiteit oplevert. Ook kan het geavanceerdere algoritmen voor kunstmatige intelligentie inspireren die de aanpak met meerdere leerregels van het brein nabootsen.

AI-systemen en leren:

 Een AI-systeem leert via gegevens en feedback. Wat bedoel ik daarmee? Omdat dit een artikel over leren is, sla ik een technische verdieping over en neem ik je alleen mee langs de basisbegrippen van hoe een AI-systeem leert.

Dit zijn de klassiekers:

Begeleid leren: Het AI-model wordt getraind op gelabelde data. Ingenieurs beoordelen de voorspellingen vervolgens aan de hand van die bekende labels. Stel dat we een AI-systeem bouwen dat in een enorme beeldbank alleen foto's van honden moet vinden. Voor elk trainingsbeeld leggen we vast of er wel of geen hond op staat. Tijdens het gebruik geeft het model geen nieuw label uit de dataset terug, maar een voorspelde kans. Een croissant kan door zijn vorm bijvoorbeeld ten onrechte een hoge hondscore krijgen. Dit leerproces speelt ook een belangrijke rol in discussies over AI-ethiek. Menselijke datalabelaars kregen vaak de ondankbare en geestdodend eentonige taak om enorme datasets van labels te voorzien. Het internet staat inmiddels vol met vooraf gelabelde en geordende datasets, maar dat maakt het menselijke werk erachter niet minder belangrijk.

Onbegeleid leren. In deze vorm hebben de gegevens geen labels en moet het AI-model zelf patronen, structuren en groepen in de invoer vinden. Het AI-systeem zoekt hier naar onderliggende informatie die niet direct zichtbaar is. Dit soort leren wordt vaak toegepast op enorme datasets waarvoor niet één correct antwoord bestaat. Denk bijvoorbeeld aan het doorlopen van miljoenen banktransacties en het vinden van patronen op basis van gegevens en locaties. Dit type leersysteem is fantastisch voor verkennende analyse.

Versterkend leren: Hier komen Skinner en zijn collega's weer om de hoek kijken. Een AI-agent leert door feedback en probeert via vallen en opstaan zijn beloning te maximaliseren. Je ziet deze leervorm bij AI die leert om spellen te spelen, in robotica en in zelfrijdende auto's. Kort gezegd bestaat er een afzonderlijk beloningssysteem, dat ook een mens kan zijn, dat het lerende systeem feedback geeft als beloningsscore. Na vele pogingen begint het lerende systeem te begrijpen waardoor de score van het beloningssysteem stijgt of daalt, en volgt het die paden.

Ik heb eerder geschreven over de onderliggende principes van hoe een neuraal netwerk leert, dus dat sla ik hier over ter wille van lezer en schrijver. Ik beschrijf slechts kort één van de kernbegrippen: de 'trainingslus' die de ruggengraat van machine learning vormt.

De kern van leren voor een AI-systeem is een iteratief proces van vallen en opstaan, aangestuurd door een verliesfunctie, ook wel kostenfunctie genoemd, die meet hoe fout de voorspellingen van het netwerk zijn. Ik blijf opnieuw op hoofdlijnen en gebruik weer het voorbeeld van de hondenfoto:

Deze leercyclus wordt vele malen herhaald totdat het netwerk ontdekt hoe het de waarschijnlijkheid van 'hond' bij hondenfoto's zo hoog mogelijk en bij al het andere zo laag mogelijk kan maken.

Dit is dus de basis. Op het eerste gezicht lijkt die misschien niet erg menselijk, maar sommige begrippen uit het menselijke leerproces klinken in deze stappen door. Het model onderzoekt zichzelf niet bewust; tijdens de training worden de gewichten aangepast op basis van foutsignalen. Uiteindelijk ontstaat zo een nieuwe toestand waarin het systeem ongestructureerde, ongeordende of nieuwe informatie kan verwerken en voorspellingen kan doen.

  Hoe ver waren we in 2025 met ons onderzoek naar de manier waarop AI leert? Hier zijn twee fascinerende onderzoeken die ik beide van harte aanbeveel. Als je niet academisch bent ingesteld, vind je genoeg YouTube-video's en LinkedIn-artikelen die ze eenvoudig uitleggen. Meta verkent een andere route voor het modelleren van taal. Anthropic tilt voorzichtig de motorkap van de huidige generatie taalmodellen op en geeft ons een glimp van hun interne representaties.

Meta (2024): Leren op conceptniveau: Onderzoekers van Meta hebben nieuwe manieren voorgesteld om na te denken over het trainen van AI op een hoger abstractieniveau. Eind 2024 introduceerde Meta's AI-onderzoeksteam Large Concept Models (LCM's), een experimentele architectuur die taal probeert te modelleren op het niveau van volledige concepten in plaats van alleen afzonderlijke woorden of tokens: arxiv.org. Dit is een grote verschuiving ten opzichte van de gebruikelijke aanpak en wijst op een alternatieve route voor AI-leren. In plaats van betekenis stap voor stap op te bouwen uit kleine stukjes, tekens of woorden, werkt het model in één keer met grotere eenheden van betekenis.

Anthropic (2024): Dit bedrijf trok in 2024 veel aandacht met een gedetailleerde interpreteerbaarheidsanalyse van een geavanceerd groot taalmodel. In een rapport met de titel 'De geest van een groot taalmodel in kaart brengen', gepubliceerd in mei 2024, onderzochten wetenschappers van Anthropic hoe miljoenen concepten binnen Claude, een van hun grote taalmodellen, worden gerepresenteerd: anthropic.com. Het onderzoek gaf een eerste blik op welke patronen een getraind LLM intern vormt. Het team gebruikte een techniek om kenmerken in de activaties van het neurale netwerk te vinden. Een 'kenmerk' is hier een activatiepatroon dat consequent samenhangt met een bepaald concept of een bepaalde eigenschap. In de lagen van het model vonden de onderzoekers een verbazingwekkende reeks door mensen interpreteerbare kenmerken: van concrete entiteiten als San Francisco, Rosalind Franklin en chemische elementen tot abstractere thema's als 'een fout in code' of 'innerlijk conflict'. Dit onderzoek is uitstekend leesvoer. Het toont aan dat taalmodellen rijke interne representaties opbouwen, al betekent dat nog niet dat zij op dezelfde manier leren of begrijpen als mensen.

Poeh! Het was lang lezen en nog langer schrijven. Ik hoop dat je ervan hebt genoten en nog meer dat je iets van dit artikel hebt geleerd. Neem gerust contact op als je opmerkingen of feedback hebt.

Bedankt voor het lezen,

Kai