De vijf koppen van vandaag
- Anthropic voert watermerk in voor Claude-tekst — als eerste grote taalmodel
- OpenAI’s enige ethicus vertrokken, niet vervangen — bedrijf zwijgt over redenen
- Claude helpt bewijs Riemann-hypothese dichter bij te brengen, wiskundigen sceptisch
- Onderzoekers stelen redeneersporen uit commerciële AI-modellen via slimme prompts
- Minuscuul AI-model van 14MB draait op wearables en slimme deurbellen
Het nieuws van vandaag
Claude krijgt als eerste watermerk — tekst wordt voortaan aantoonbaar kunstmatig
De EU AI Act dwingt Anthropic tot een primeur die concurrent OpenAI voorlopig nog ontloopt.
Anthropic plaatst vanaf deze week onzichtbare watermerken in alle tekst en afbeeldingen die Claude maakt. De watermerken zijn niet zichtbaar voor mensen, maar software kan ze wel detecteren. Ook krijgen bestanden een digitale handtekening die bewijst dat ze door AI zijn gemaakt. Anthropic doet dit om te voldoen aan de EU AI Act, die verplicht dat AI-inhoud herkenbaar wordt gemarkeerd.
Het bedrijf is daarmee de eerste grote AI-aanbieder die watermerken echt invoert. OpenAI kondigde vorig jaar vergelijkbare plannen aan, maar heeft de invoering sindsdien meerdere keren uitgesteld. De techniek werkt door subtiele patronen in woordkeuze en volgorde in te bouwen. Voor mensen zijn die onzichtbaar, maar software kan ze wel herkennen. Of het watermerk blijft bestaan als iemand de tekst bewerkt, vertaalt of herschrijft, is nog niet duidelijk.
OpenAI’s hoofd ethiek stilletjes vertrokken — functie blijft onbezet
Chloé Bakalar verliet het bedrijf vorige maand, maar OpenAI maakte het niet bekend. Waarom niet?
OpenAI heeft zijn enige ethicus verloren. Chloé Bakalar, die als Head of Ethics verantwoordelijk was voor het ethisch kompas van het bedrijf, vertrok vorige maand. Noch zij noch OpenAI gaf een verklaring. De functie wordt niet opnieuw ingevuld.
Het bedrijf heeft nog wel een veiligheidsteam. Dat richt zich vooral op technische risico’s zoals misbruik of het omzeilen van veiligheidsmaatregelen. Bredere ethische vragen over toepassing, vooroordelen in AI-systemen of maatschappelijke gevolgen vallen daar niet onder.
Het vertrek komt op een lastig moment voor OpenAI. Het bedrijf stelt zijn beursgang steeds verder uit. Een nieuwe interne aankoopronde voor medewerkers gebeurt tegen dezelfde waardering als de vorige financieringsronde. Dat is ongebruikelijk: het suggereert dat investeerders niet meer bereid zijn de prijs te verhogen voor een bedrijf dat publiek wil worden.
Claude helpt wiskundigen met eeuwenoud raadsel — bewijs blijft uit
AI-model verbetert berekening aan Riemann-hypothese. Of de uitkomst klopt, is nog niet zeker.
Claude heeft wiskundigen geholpen bij werk aan de Riemann-hypothese, een van de beroemdste onopgeloste problemen in de wiskunde. Het AI-model verbeterde een berekening van 41,6 naar 67,2 procent. Die berekening heeft te maken met de Riemann zèta-functie, waar wiskundigen al meer dan een eeuw mee worstelen.
Toch is de vooruitgang beperkt. Het percentage zegt iets over een deelbewijs, niet over de hypothese zelf. Die blijft onbewezen. Anthropic, het bedrijf achter Claude, publiceerde het werk om te laten zien wat het model wiskundig kan. Het bedrijf presenteert het niet als doorbraak.
Op techforum Hacker News reageerden gebruikers terughoudend. De stap is interessant voor wiskundigen in dit vakgebied. Voor buitenstaanders blijft onduidelijk wat de praktische betekenis is.
Onderzoekers stelen redeneersporen uit gesloten AI-modellen
Een nieuwe techniek haalt interne redenaties op uit black box-systemen van OpenAI en Anthropic.
Commerciële AI-modellen zoals GPT-4 en Claude houden hun interne denkproces verborgen. Maar onderzoekers toonden deze week aan dat je die redenaties kunt extraheren via slimme vraagtechnieken. Ze noemden de methode ‘Stolen Thoughts’ en publiceerden werkende voorbeelden.
De techniek maakt gebruik van een zwakte in taalmodellen. Als je vraagt om stapsgewijs te redeneren, geven ze soms hun interne logica prijs. Door vragen op een bepaalde manier te formuleren, kun je modellen verleiden om hun ‘gedachtegang’ bloot te leggen. Ook bij systemen die dat normaal juist proberen te verhullen.
Voor ontwikkelaars van concurrerende modellen is dat waardevol. Ze kunnen zien hoe het model tot zijn antwoord komt en dat patroon kopiëren.
Google Zoeken sterft langzaam, en AI eet de resten op
Naarmate taalmodellen meer vragen beantwoorden, verdwijnt de noodzaak om door te klikken. En daarmee het collectieve geheugen van het internet.
Google Zoeken functioneert steeds minder als vindplaats en steeds meer als archief dat niemand meer leest. Een analyse in The Walrus beschrijft hoe AI-modellen zoals ChatGPT en Perplexity antwoorden geven zonder door te verwijzen naar bronnen. Websites krijgen daardoor geen verkeer meer. Dat verkeer was juist de reden waarom ze gratis toegankelijk bleven. Nu advertentie-inkomsten opdrogen, verdwijnen pagina’s achter betaalmuren of gaan ze offline.
Het internet krijgt steeds meer gaten. Niet alleen verdwijnen nieuwe publicaties uit zicht, ook oude artikelen, forumposts en blogberichten raken onvindbaar. De AI-modellen zijn getraind op die informatie, maar geven die door zonder verwijzing. Wat overblijft is een internet dat steeds leger wordt, en een groeiende stapel kennis waarvan onduidelijk is waar die vandaan komt.
via The Walrus
Voor wie zelf met AI bouwt
14MB taalmodel draait op Raspberry Pi met 500 tokens per seconde
Needle 2 is een volledig werkend agentisch model dat past op wearables, slimme deurbellen en microcontrollers.
Cactus Compute bracht deze week Needle 2 uit: een taalmodel van 14 megabyte dat een volledige sessie draait in 28MB RAM. Het model heeft 45 miljoen parameters en is gecomprimeerd naar 2-bit nauwkeurigheid. Op een Raspberry Pi 5 haalt het 500 tokens per seconde tijdens het decoderen. Het is ontworpen voor tool calls, apparaatbesturing en gestructureerde extractie — precies de taken waar je een agent voor nodig hebt.
De eerste versie kreeg veel feedback op Hacker News, vooral over de beperkte taalkwaliteit bij zulke extreme compressie. Needle 2 bevat verbeteringen op dat punt, maar blijft vooral bedoeld voor apparaten waar geen ruimte is voor grotere modellen. Denk aan slimme thermostaten, wearables, robotstofzuigers of embedded systemen in auto’s.
Aanbeveling: Interessant om te testen als je edge AI wilt draaien op hardware met strenge limieten, of als je wilt experimenteren met lokale agents zonder cloudkosten.
via Cactus Compute
MiniMax-H3 inference nu native op Apple Silicon
Open-source project h3.c brengt de H3-architectuur naar Metal, met vergelijkbare snelheid als llama.cpp.
Salvatore Sanfilippo — bekend van Redis — publiceerde h3.c, een native implementatie van het MiniMax-H3 model voor Apple Silicon. Het project gebruikt Metal om de inferentie te versnellen en belooft vergelijkbare prestaties als llama.cpp, maar dan voor de H3-architectuur. Die architectuur is anders dan standaard transformers en maakt gebruik van state space models, wat in principe efficiënter kan zijn voor lange contexten.
De code is beschikbaar op GitHub en bedoeld voor developers die willen experimenteren met H3 zonder via Python-wrappers te werken. Het is nog vroeg stadium — er is geen productie-ready tooling omheen — maar voor wie met alternatieve architecturen werkt is het een werkende basis.
Aanbeveling: Bekijk als je met state space models aan de slag wilt op Mac hardware, of als je alternatieven voor transformer-architecturen wilt verkennen.
via GitHub
GPU-passthrough voor macOS VMs zorgt voor 11-16× snellere LLM inference
Llama.cpp draait veel sneller in virtuele machines op Apple Silicon als je GPU-toegang correct doorgeeft.
Een nieuwe blogpost op GitHub laat zien hoe je de GPU van Apple Silicon correct doorgeeft aan macOS virtuele machines, met als resultaat 11 tot 16 keer snellere inferentie in llama.cpp. Standaard hebben VMs geen directe toegang tot de GPU, waardoor ze terugvallen op CPU-inferentie. Door de Metal-stack expliciet door te geven kun je die bottleneck omzeilen.
De setup vereist wat configuratiewerk in de hypervisor, maar de winst is fors. Voor teams die llama.cpp in containers of VMs draaien op Mac-hardware — bijvoorbeeld voor ontwikkel- of testomgevingen — is dit een concrete optimalisatie.
Aanbeveling: Implementeer als je llama.cpp of vergelijkbare tools in macOS VMs draait en inferentiesnelheid een knelpunt is.
via GitHub
Anthropic Support · AI Magazine · Gizmodo · Anthropic Research · Stolen Thoughts · The Walrus · Cactus Compute · GitHub h3.c · GitHub Cua
Transparantie: het maken van deze editie kostte ±€0,21 aan AI-modelgebruik (7-daags gemiddelde per editie; selectie, schrijven, verrijking en eindredactie meegeteld).