Voorbij de token:
waarom AI geometrie en fysica nodig heeft om de wereld te begrijpen

1. De erfzonde van LLM's: de tirannie van de waarschijnlijkheid

De technologiesector verkoopt ons kunstmatige intelligentie als een alwetende revolutie. Toch rusten de huidige architecturen (Transformers, grote taalmodellen), als je onder de motorkap kijkt, op één fundamenteel principe: statistiek.

Een LLM "begrijpt" niets in de fysieke zin van het woord. Het rekent kansen uit in een hoogdimensionale vectorruimte om te bepalen welk woord statistisch de grootste kans heeft om op het vorige te volgen. Dat is briljant om tekst te genereren, maar het is een conceptuele doodlopende weg zodra je met de echte wereld moet omgaan.

Op de ingenieursopleiding of in de voorbereidende klas leren we een gulden regel: bij een complexe vergelijking leidt vastlopen in ruwe algebra of het resultaat raden tot mislukking. Je schakelt over op geometrie. Je lost problemen op met invarianten, met sommen en integralen, omdat geometrie exact is. Het resultaat valt vanzelf in elkaar.

2. De ontbrekende schakel: de analoog-digitale connector

De kritiek van enkele zwaargewichten uit het onderzoek (vooral op het ontbreken van een "wereldmodel" in AI) klopt over de vaststelling, maar mist vaak het doel als het over de middelen gaat.

Om een systeem een echt bewustzijn van zijn omgeving te laten ontwikkelen, volstaat het niet lagen kunstmatige neurale netwerken te stapelen. Het heeft een fysiek lichaam nodig.

De echte wereld is analoog: ze bestaat uit continue stromen, spanningsvariaties, elektromagnetische golven, ruwe signalen en traagheid.

De informatische wereld is discreet: ze hanteert nullen en enen, logische toestanden vastgezet in de tijd.

De echte brug, degene die de huidige AI-architecturen pijnlijk missen, is wat we al tientallen jaren in signaalverwerking hanteren: de analoog-digitaalconvertor (ADC/DAC), gekoppeld aan een geometrische topologie.

Zolang een AI-systeem niet op een gesloten lus van fysieke terugkoppeling is aangesloten (zoals in geavanceerde robotica of bij de spectrale analyse van een netwerksignaal in real time), blijft het opgesloten in een tekstuele en abstracte matrix. Het leeft zijn omgeving niet, het becommentarieert ze.

3. Geometrie op data toepassen: naar een ingenieurs-AI

Als we willen dat AI een echt instrument van soevereiniteit en verdediging wordt voor onze infrastructuur (netwerken, firewalls, Linux-systemen), moeten we de logica van de "probabilistische wazigheid" laten vallen en terugkeren naar de ernst van de ingenieur:

Multidimensionale analyse via geometrie: datastromen behandelen niet als reeksen tekstuele logs om te parsen, maar als een veld van vectoren en golven. Een cyberaanval (een DDoS, een inbraak) is nooit meer dan een schokgolf of een storing in een dynamisch systeem.

Wiskundige zekerheid: geometrische modellen gebruiken om onoverschrijdbare grenzen te trekken, zodat het systeem reageert met de zekerheid van een wiskundige integraal en niet met de onzekerheid van een statistisch "misschien".

Conclusie

Revolutionaire tools zijn niet strikt nodig. Met tools als n8n en wat Python-code kun je al geometrische en analoog-digitale gedragingen simuleren die het verschil maken, bijvoorbeeld in beheersystemen voor connected woningen, waar een fijne interpretatie van de echte wereld belangrijker is dan simpele binaire code.

— Hosman