De vijf koppen van vandaag
- China’s AI-export groeit met 27% — niet door software, maar door serverhardware
- Apple daagt OpenAI voor de rechter over productietools, niet over de telefoon zelf
- Samsung Health dreigt gezondheidsdossiers te wissen bij weigering AI-toestemming
- Anthropic laat Claude Code 33.000 tokens verslinden voordat prompt gelezen is
- Klein taalmodel van 1,5 miljard parameters kan zelfstandig fabriek besturen
Het nieuws van vandaag
China’s AI-boom draait om hardware, niet om software
Het land exporteert geen chatbots, maar complete serverinfrastructuur.
China’s export steeg in juni met 27% vergeleken met een jaar eerder. De Chinese douane schrijft dit toe aan “sterke vraag door de AI-boom”. Maar het gaat niet om software of taalmodellen. De stijging komt door hardware: serverrekken vol GPU’s, koelsystemen en stroomvoorzieningen. De goederen vertrekken per trein vanuit Yantai in de provincie Shandong, richting datacenters in Zuidoost-Azië en het Midden-Oosten.
De cijfers laten zien waar het echte knelpunt in AI zit. Niet in de ontwikkeling van modellen, maar in de fysieke infrastructuur die nodig is om ze te draaien. Westerse AI-bedrijven vechten om Nvidia-chips, maar zijn tegelijk afhankelijk van Chinese toeleveranciers voor de rest van hun datacenterinfrastructuur.
Apple klaagt OpenAI aan om gestolen fabrieksgeheimen
De rechtszaak gaat over productiekennis van hardware, niet over software of ChatGPT op de iPhone.
Apple stapte op 10 juli naar de rechter tegen OpenAI. De aanklacht: diefstal van bedrijfsgeheimen. Niet over software of licenties voor Siri, maar over industriële kennis. Het gaat om de manier waarop Apple zijn apparaten produceert.
Uit de juridische documenten blijkt dat OpenAI toegang kreeg tot interne technische specificaties. Dat gebeurde vermoedelijk via een gezamenlijke leverancier of testlab. Die informatie zou nu naar concurrenten lekken.
Apple wil een juridisch precedent scheppen. Veel techbedrijven vrezen al langer dat AI-bedrijven op alles trainen wat ze kunnen vinden, ook vertrouwelijke documenten die per ongeluk toegankelijk zijn. Apple stelt: wie bedrijfsgeheimen gebruikt voor AI-training, is daarvoor aansprakelijk.
De uitkomst kan verstrekkende gevolgen hebben. Bedrijven moeten mogelijk standaard hun interne documentatie watermerken of versleutelen om te voorkomen dat AI-systemen de informatie oppikken.
Samsung Health: toestemming voor AI-training of je data is weg
Wie weigert gegevens te delen voor AI-ontwikkeling, verliest binnen 60 dagen alle gezondheidsdata.
Samsung stuurde gebruikers van de Health-app deze week een aangepaste gebruikersvoorwaarde. De boodschap is simpel: stem in met het delen van je data voor AI-training, of je historische gezondheidsgegevens worden binnen 60 dagen verwijderd. Een optie om data lokaal te bewaren ontbreekt.
Samsung legt niet uit welke AI-modellen het bedrijf traint, met welke partijen het data deelt, of waarvoor het die precies gebruikt. Gebruikers krijgen twee keuzes: akkoord gaan of alles kwijtraken.
Voor mensen die jarenlang bloeddruk, slaappatronen of hartslagmetingen hebben bijgehouden, is dat een lastige afweging. Die data is te waardevol om zomaar weg te gooien. Samsung lijkt daarop te rekenen.
Het beleid kan precedent scheppen. Als een grote fabrikant wegkomt met het achteraf aanpassen van datavoorwaarden zonder echte keuzemogelijkheid, kunnen andere bedrijven volgen. Europese toezichthouders hebben nog niet gereageerd. Onder de AVG lijkt deze constructie moeilijk te verdedigen als ‘geïnformeerde toestemming’.
Claude Code stuurt 33.000 tokens voordat het aan de slag gaat
Concurrent OpenCode volstaat met 7.000 tokens. Het verschil zit hem in de technische opzet, niet in de kwaliteit van het resultaat.
Onderzoeksbureau Systima heeft de communicatie tussen AI-codeerassistenten en hun servers geanalyseerd. Daaruit blijkt dat Claude Code bij elke nieuwe taak 33.000 tokens aan technische informatie naar de server stuurt voordat het de eigenlijke opdracht uitvoert. Concurrent OpenCode stuurt slechts 7.000 tokens. Een token komt ruwweg overeen met een woorddeel.
Die extra data bestaat uit uitgebreide beschrijvingen van beschikbare functies, veiligheidsinstructies en systeemopdrachten. Claude Code stuurt dit pakket bij elke sessie opnieuw, ook als de context nauwelijks verandert.
Voor ontwikkelaars die de tool dagelijks tientallen keren gebruiken, loopt dit op. Anthropic rekent voor Claude Sonnet 5 drie dollar per miljoen tokens. Elke sessie kost daardoor al tien cent aan overhead, nog voordat de assistent iets nuttigs heeft gedaan. OpenCode is door zijn zuinigere opzet 75 procent goedkoper in dit opzicht.
De bevinding nuanceert de recente prijsverlagingen van AI-modellen. Goedkopere modellen helpen weinig als de werkelijke kosten zitten in structurele overhead die ontwikkelaars niet kunnen beïnvloeden. Het verklaart ook waarom tussenlagen als LangChain en LlamaIndex populair blijven bij ontwikkelaars: die kunnen technische beschrijvingen opslaan en hergebruiken in plaats van alles opnieuw te versturen.
via Systima AI Blog
Een taalmodel van 1,5 miljard parameters stuurt een fabriek aan
Het systeem combineert zelfcorrigerende agents met een digitale tweeling — en draait volledig lokaal.
Onderzoekers hebben een klein taalmodel (Qwen2.5, 1,5 miljard parameters) getest voor het aansturen van industriële machines. De AI leest een opdracht in gewone taal, zoals “verhoog temperatuur tot 80 graden, maar blijf binnen veiligheidsmarge”. Vervolgens genereert het een actie en controleert die tegen een digitale kopie van de machine. Als de controle mislukt, programmeert het systeem zichzelf opnieuw. Het draait volledig op lokale hardware, zonder cloud of externe diensten.
Het systeem bestaat uit drie onderdelen. Een action-agent vertaalt opdrachten naar machinecode. Een digitale tweeling blokkeert foute commando’s voordat ze worden uitgevoerd. Een reprompting-agent verbetert de eerste agent als de controle aangeeft dat iets mis is. Zo lossen de onderzoekers een bekend probleem op: kleine modellen maken vaker fouten, maar de controlelaag vangt ze op voordat ze schade aanrichten.
De techniek maakt autonome fabrieksbesturing mogelijk zonder afhankelijkheid van externe partijen. Voor sectoren met strikte eisen rond snelheid of databescherming (chemie, defensie, voedselproductie) is dat relevant. Geen data hoeft de fabrieksvloer te verlaten en er is geen stabiele internetverbinding nodig. Als het werkt, verschuift AI van clouddienst naar ingebouwde software.
Voor wie zelf met AI bouwt
MCP-implementaties op GitHub eindelijk gedocumenteerd in grote dataset
3.238 repositories gescand, gefilterd en geclassificeerd — 83% precisie, bruikbaar schema voor verder onderzoek.
Een onderzoeksteam publiceerde de eerste systematische dataset van Model Context Protocol-implementaties op GitHub. Ze scanden 3.238 kandidaat-repositories via de GitHub REST en GraphQL APIs, valideerden ze door multi-stage evidence checks (README’s, package manifests, code imports), en classificeerden elk project naar operationele rol: client, server, gateway, of hybrid. Het resultaat is een JSONL-bestand met gestructureerde metadata, te gebruiken voor reproduceerbaar onderzoek of als snapshot van hoe MCP in de praktijk wordt toegepast.
Handmatige review van een representatieve subset bevestigde 83% precisie op 95%-betrouwbaarheidsniveau. De dataset laat ook zien welke implementaties actief onderhouden worden en welke verlaten zijn — nuttig als je wilt weten waar community-momentum zit voordat je een dependency oppakt.
Aanbeveling: Download de dataset als je MCP-tooling evalueert of als je patronen wilt herkennen in hoe ontwikkelaars contextprotocollen inzetten.
Indirecte datavergiftiging kan wetenschappelijke fraude industrialiseren
Remote adversaries kunnen via geautomatiseerde AI-pipelines valse conclusies in wetenschappelijke literatuur injecteren — zonder één corrupt academicus in te huren.
Een nieuw paper beschrijft “indirect data poisoning”: een aanvaller manipuleert niet het AI-model zelf, maar de upstream databronnen waar het model uit leert wanneer wetenschappers het inzetten voor literatuuronderzoek of meta-analyse. Historisch kostte wetenschappelijke fraude middelen — betaalde ghostwriters, corrupte redacteuren, deepe zakken. Nu kan één remote actor via bots valse preprints verspreiden, die door geautomatiseerde research assistants worden opgepikt en vervolgens in samenvattingen of policy briefs belanden.
De onderzoekers tonen empirisch aan dat bescheiden manipulatie van open repositories (zoals arXiv mirrors of scraper-feeds) meetbare invloed heeft op de output van research agents. De aanval schaalt: geen menselijke tussenpersoon nodig, geen insider access vereist. Het enige wat nodig is: genoeg volume om in de trainingset of retrieval-index te belanden.
Aanbeveling: Als je RAG-systemen bouwt die wetenschappelijke literatuur indexeren, implementeer provenance tracking en cross-check tegen meerdere onafhankelijke bronnen — anders wordt jouw assistent een versterker van georganiseerde desinformatie.
Helpfulness-training vernietigt compassiewaarden die tijdens pretraining werden aangeleerd
Fine-tuning op “behulpzaamheid” reduceert dierenwelzijnscores met 46% — coding-fine-tuning laat ze intact.
Onderzoekers namen een Llama 3.1 8B-model dat tijdens mid-training compassiewaarden had meegekregen, en fine-tuned het op twee manieren: één keer op helpfulness-data (Dolly-15k en RLHFlow), één keer op coding-data (Magicoder). Op de ANIMA 2.2 benchmark (dierenwelzijn) scoorde de helpfulness-versie 35,7% na SFT en 18,7% na GRPO — tegen 65,2% en 32,0% voor de coding-versie. Op algemene morele redeneertaken (MORU) zakte de helpfulness-versie ook significant.
De bevinding is contra-intuïtief: post-training dat een model “behulpzamer” moet maken, vernietigt waarden die expliciet tijdens eerdere training zijn ingebakken. De verklaring ligt mogelijk in de aard van helpfulness-datasets: ze belonen directe, ongecompliceerde antwoorden en penaliseren nuance of weigering. Dat gedrag druist in tegen compassie-based reasoning, die juist afweging en terughoudendheid vereist.
Aanbeveling: Als je modellen fine-tunet op instruction-following of helpfulness, check of alignment-doelen uit eerdere training overeind blijven — wat je wint in responsiviteit, kun je verliezen in ethics.
Gadgets 360 · Victoria Times Colonist · Medium – AI · Neowin · Systima AI · ArXiv · ArXiv · ArXiv · ArXiv
Transparantie: het maken van deze editie kostte ±€0,28 aan AI-modelgebruik (7-daags gemiddelde per editie; selectie, schrijven, verrijking en eindredactie meegeteld).