De vijf koppen van vandaag
- DeepSeek scoort opmerkelijk hoog op abstracte redeneertaak — Chinese AI-lab verrast met prestatie
- OpenAI viel Hugging Face per ongeluk aan — tijdlijn laat zien hoe snel AI-chaos kan ontstaan
- Databricks verlaagde eigen AI-coderingskosten met 70% — en legt uit hoe
- Linux-bugtracker dicht vanwege AI-scrapers — Gentoo-project overbelast door bots
- The Economist vraagt: moeten AI-labs behandeld worden als eigenaren van gevaarlijke dieren?
Het nieuws van vandaag
Chinees AI-model scoort verrassend hoog op redeneertaak
DeepSeek V4 Flash presteert beter dan verwacht op test die abstract denken meet.
Het Chinese AI-lab DeepSeek heeft een hoge score behaald op ARC Prize, een test die meet of AI abstract kan redeneren. Het gaat om meer dan het herkennen van patronen: de test kijkt of een model nieuwe problemen kan doorgronden.
DeepSeek V4 Flash scoorde opvallend goed. Het bedrijf opereert buiten de schijnwerpers, ver van bekende namen als OpenAI, Anthropic en Google. Toch lijkt het model beter dan veel westerse concurrenten in het oplossen van onbekende vraagstukken.
ARC Prize test of AI kan leren zoals mensen dat doen. Niet door miljoenen voorbeelden te verwerken, maar door een patroon te snappen uit een paar cases. De score betekent niet dat het model nu “denkt” zoals mensen. Wel toont het aan dat Chinese AI-ontwikkeling dichterbij zit dan veel Europese en Amerikaanse labs hadden ingeschat.
OpenAI viel Hugging Face per ongeluk aan — tijdlijn nu compleet
Een fout in een interne test zorgde voor een DDoS-aanval op een van de belangrijkste AI-platforms ter wereld.
OpenAI heeft vorige maand per ongeluk Hugging Face platgelegd met een lawine aan verzoeken. Technisch journalist Simon Willison publiceerde deze week een gedetailleerde reconstructie van het incident.
Wat gebeurde er precies? Bij OpenAI liep een interne test mis doordat een script geen limiet had. Het platform stuurde massaal verzoeken naar Hugging Face, dat duizenden AI-modellen host en beschikbaar maakt voor ontwikkelaars. Hugging Face moest delen van zijn infrastructuur offline halen om de boel draaiende te houden.
Het incident toont de kwetsbaarheid van de AI-infrastructuur. Hugging Face werkt als een soort GitHub voor AI-modellen: een centrale plek waar ontwikkelaars hun modellen delen en ophalen. Als zo’n platform uitvalt, liggen duizenden projecten wereldwijd stil.
OpenAI heeft inmiddels excuses aangeboden en maatregelen genomen. De vraag blijft hoeveel vergelijkbare tests er op dit moment draaien die ook mis kunnen gaan.
Databricks sneed 70% van de kosten voor AI-codering af
Het bedrijf legt uit hoe het zijn eigen AI-tools goedkoper maakte — en die kennis is toepasbaar.
Databricks, een infrastructuurbedrijf dat andere organisaties helpt met data en AI, publiceerde deze week hoe het de uitgaven aan zijn eigen AI-programmeerassistent met 70% verlaagde. De aanpak: kleine modellen voor eenvoudige taken, antwoorden opslaan voor hergebruik, en dure modellen alleen inzetten wanneer echt nodig.
Het artikel is vooral interessant omdat Databricks openlijk deelt wat veel bedrijven nu stilzwijgend uitzoeken: hoe houd je AI-kosten onder controle als het gebruik toeneemt? De methode werkt ook buiten softwareontwikkeling. Denk aan klantenservice, contractanalyse of rapportage. Het principe is simpel: match de zwaarte van het model aan de complexiteit van de taak.
Gentoo-bugtracker ging plat door AI-scrapers
Het Linux-project moest zijn bugtrackerplatform offline halen omdat bots het overlaadden.
Het Gentoo-project zette deze week zijn bugzilla-platform offline. Gentoo is een Linux-distributie die veel ontwikkelaars gebruiken. De reden: AI-scrapers bombarderen het platform zo massaal dat gewone gebruikers er niet meer bij kunnen.
De bots verzamelen bugmeldingen en commentaren. Waarschijnlijk gebeurt dat om nieuwe AI-modellen mee te trainen.
Het probleem komt vaker voor. Open-source projecten worden platgelegd door bedrijven die gratis trainingsdata zoeken. Gentoo heeft weinig middelen om zich te verweren. Het project draait op vrijwilligers en kan geen dure anti-bot-systemen betalen.
De vraag is of dit een tijdelijke storing is, of dat open-source infrastructuur structureel kwetsbaarder wordt. AI-labs hebben steeds meer data nodig.
Moeten AI-labs behandeld worden als eigenaren van gevaarlijke dieren?
The Economist oppert een juridisch kader dat meer lijkt op het reguleren van tijgers dan software.
The Economist pleit voor een nieuwe manier om AI-bedrijven aansprakelijk te stellen. Het voorstel: behandel ze zoals eigenaren van gevaarlijke dieren. Wie een tijger in huis haalt, is volledig aansprakelijk voor wat er gebeurt. Ook als je alle voorzorgsmaatregelen hebt genomen.
Datzelfde principe zou volgens het blad moeten gelden voor AI-modellen die onverwachte schade veroorzaken. Denk aan gelekte persoonsgegevens of verkeerde medische adviezen. Deze vorm van aansprakelijkheid heet ‘strikte aansprakelijkheid’: je bent verantwoordelijk voor de gevolgen, ongeacht je intenties.
Het voorstel komt voort uit een spanning. AI-labs zeggen vaak dat ze niet kunnen voorspellen wat hun modellen precies zullen doen. Tegelijk willen ze niet aansprakelijk zijn voor wat er misgaat. Strikte aansprakelijkheid zou labs dwingen beter na te denken voordat ze een nieuw model uitbrengen.
Of dit juridische kader in de praktijk werkt, blijft een open vraag. Maar de discussie over verantwoordelijkheid bij AI-incidenten wordt steeds urgenter.
via The Economist
Google Docs krijgt Gemini-symbool — en gebruikers stappen over
Een kleine interface-aanpassing roept groot wantrouwen op over wat er met privédocumenten gebeurt.
Een groeiend aantal mensen verlaat Google Docs nadat het Gemini-logo verscheen in de interface. De angst: dat Google voortaan meeleest in privédocumenten om zijn AI te trainen. Google ontkent dat, maar het vertrouwen is geschaad. Veel gebruikers stappen over naar LibreOffice, een open-source alternatief dat lokaal draait en geen data naar de cloud stuurt.
Het incident illustreert een breder probleem: AI-bedrijven hebben hun goodwill verbruikt. Zelfs een onschuldig icoontje wordt nu gezien als bewijs van datamisbruik. Of de angst terecht is, doet er bijna niet meer toe — de perceptie is dat big tech niet te vertrouwen is met gevoelige teksten. Voor bedrijven die in Google Workspace werken, is dit een signaal om te controleren welke privacy-instellingen ze eigenlijk hebben aanstaan.
Voor wie zelf met AI bouwt
CPU’s komen terug als alternatief voor GPU-inferentie
Red Hat legt uit waarom de processor ineens weer interessant wordt voor het draaien van AI-modellen.
Red Hat publiceerde een artikel waarin het pleit voor het opnieuw inzetten van CPU’s voor AI-inferentie — het moment waarop een model daadwerkelijk antwoorden genereert. GPU’s zijn snel, maar duur en vaak schaars. CPU’s zijn overal beschikbaar en veel goedkoper per server. Met de juiste optimalisaties (zoals quantization en batching) kun je kleinere modellen prima op CPU’s draaien zonder merkbaar snelheidsverlies.
Dit is vooral relevant voor teams die AI willen deployen in bestaande infrastructuur, zonder nieuwe hardware aan te schaffen. Denk aan interne chatbots, documentclassificatie of simpele RAG-toepassingen. De GPU blijft nodig voor zware workloads, maar voor 80% van de use cases is een CPU voldoende — en dat scheelt tienduizenden euro’s per jaar.
Aanbeveling: Test je inferentie-workload op CPU voordat je GPU-capaciteit bijkoopt — kans is groot dat het goed genoeg presteert.
via Red Hat
Onderzoek: em-dashes verraden AI-gebruik in Amerikaanse persberichten
Een academisch paper laat zien dat een specifiek leesteken plotseling veel vaker voorkomt sinds ChatGPT.
Een nieuw preprint analyseert 146.239 persberichten van het Amerikaanse Congres tussen 2021 en 2025. De bevinding: het em-dash-teken (—) komt sinds de opkomst van grote taalmodellen significant vaker voor, vooral in de ongebruikelijke vorm woord---woord zonder spaties. Die stijl is normaal in boeken, maar ongebruikelijk in persbureauwerk — waar AP-stijl spaties voorschrijft. De verklaring: ChatGPT en soortgelijke tools prefereren deze vorm, en schrijvers passen hun tekst niet meer handmatig aan.
Het paper is vooral interessant omdat het laat zien dat AI subtiele sporen achterlaat, zelfs als de tekst inhoudelijk goed is. Voor teams die willen detecteren of content AI-gegenereerd is, zijn dit soort stilistische vingerafdrukkenbruikbaarder dan semantische checks.
Aanbeveling: Als je AI-content wilt herkennen in je eigen organisatie, zoek naar kleine typografische afwijkingen — ze zijn betrouwbaarder dan je denkt.
HackerNews · Bluesky · ArXiv · ARC Prize · Simon Willison · Databricks · The Economist · Red Hat
Transparantie: het maken van deze editie kostte ±€0,25 aan AI-modelgebruik (7-daags gemiddelde per editie; selectie, schrijven, verrijking en eindredactie meegeteld).