De vijf koppen van vandaag
- Chinese AI-strategie wint: open modellen veroveren terrein terwijl westerse labs achterblijven
- Claude lost wiskundig probleem op dat decennia standhield — of toch niet?
- AI-advies maakt mensen drie keer zo onnauwkeurig maar twee keer zo zelfverzekerd
- Oracle verbrandt miljarden aan datacenters voor OpenAI terwijl vergunningen vastlopen
- Amerikaanse politici verliezen hun baan door kiezers die AI afwijzen
Het nieuws van vandaag
China wint de AI-wedstrijd met open modellen — het Westen kijkt toe
Terwijl Amerikaanse labs hun code achter slot en grendel houden, vindt Chinese AI overal ter wereld zijn weg.
DeepSeek, Qwen en andere Chinese modellen zijn niet alleen goedkoper — ze zijn ook vrij te gebruiken en aan te passen. Dat maakt ze aantrekkelijker voor ontwikkelaars wereldwijd dan OpenAI’s gesloten architectuur. Een nieuwe analyse laat zien dat deze opengewichten-strategie China een voorsprong geeft die moeilijk in te halen is. Waar westerse labs investeren in propriëtaire technologie en exclusieve toegang, zetten Chinese bedrijven in op massale verspreiding.
Het strategische verschil is helder: wie de standaard zet, wint. En die standaard ontstaat niet achter een betaalmuur, maar in de open source-repositories waar duizenden ontwikkelaars dagelijks mee werken. Oracle’s recente problemen met zijn datacenter-investeringen voor OpenAI illustreren de kwetsbaarheid van het gesloten model.
Wiskundig sensation of vals alarm? Claude claimt doorbraak bij Jacobian Conjecture
Een AI lost een probleem op dat wiskundigen sinds 1939 bezighoudt. Te mooi om waar te zijn?
Anthropic’s Claude Fable zou een tegenvoorbeeld hebben gevonden voor de Jacobian Conjecture, een van de beroemdste onopgeloste problemen in de wiskunde. De conjecture stelt dat bepaalde polynoomafbeeldingen altijd omkeerbaar zijn — een bewering die decennialang standhield. Als het klopt, is dit de eerste keer dat een AI autonoom een groot wiskundig probleem oplost.
Maar de wetenschappelijke gemeenschap blijft voorzichtig. Eerdere claims over AI-doorbraken in wiskunde bleken regelmatig subtiele fouten te bevatten die mensen pas later ontdekten. De verificatie loopt nog. Een tegenvoorbeeld vinden is relatief eenvoudig voor een computer; bewijzen dat het klopt vraagt menselijk begrip van de onderliggende structuur.
via X/Twitter
AI-advies maakt mensen onnauwkeuriger maar zelfverzekerder — drie keer zo vaak fout, twee keer zo zeker
Onderzoek toont aan dat AI-assistentie kritisch denken uitschakelt terwijl gebruikers juist denken beter te presteren.
Proefpersonen die AI-advies kregen bij het beantwoorden van vragen maakten drie keer zoveel fouten als mensen zonder AI-hulp. Tegelijk waren ze twee keer zo zelfverzekerd over hun verkeerde antwoorden. Het onderzoek laat zien dat AI-suggesties functioneren als cognitieve ankers: mensen nemen ze over zonder na te denken, juist omdat de technologie autoriteit uitstraalt.
De onderzoekers spreken van “automation bias” — het verschijnsel dat mensen machines meer vertrouwen dan hun eigen oordeelsvermogen. Dat wordt gevaarlijk in situaties waar fouten consequenties hebben: medische diagnoses, juridische beoordelingen, financiële beslissingen. De AI hoeft niet eens overtuigend te zijn; het feit dat er een antwoord staat is al genoeg om kritische vragen te onderdrukken.
Oracle verbrandt miljarden aan datacenters voor OpenAI terwijl milieupermits vastlopen
Een deal die ooit als strategische zet gold, wordt een molensteen: $16,5 miljard aan kosten stijgen verder door vergunningsproblemen.
Oracle beloofde honderden miljarden te investeren in datacenters om OpenAI’s AI-modellen te draaien. Die belofte wordt nu duur betaald. Milieuvergunningen in New Mexico dwingen het bedrijf over te stappen van gas naar brandstofcellen, wat de kosten verder opdrijft. Investeerders zien Oracle’s aandeel dalen terwijl onduidelijk blijft wanneer de datacenters operationeel worden.
Het illustreert een breder probleem in de AI-industrie: de infrastructuur kan de groei niet bijbenen. Energiebehoefte, fysieke ruimte en regelgeving botsen. Oracle zit klem tussen een lucratieve klant en de realiteit dat AI-datacenters te groot, te duur en te traag gebouwd worden om winstgevend te zijn.
via Bluesky
Amerikaanse politici verliezen hun baan door kiezerswoede over AI
Voor het eerst zijn AI-projecten doorslaggevend bij verkiezingen — en politici die ermee geassocieerd worden, verliezen.
In meerdere Amerikaanse staten verloren zittende politici hun zetel nadat ze AI-projecten steunden of verdedigden. Kiezers associëren AI met banenverlies, oplichting en gebrek aan menselijk contact. Een gouverneur die investeerde in AI-aangedreven overheidsdiensten zag zijn herverkiezing mislukken. Een senator die AI-regulering tegenhield, verloor van een tegenstander die beloofde “robots buiten de overheid te houden”.
De politieke backlash is nieuw en intens. AI was lang een technisch onderwerp zonder electorale lading. Dat is veranderd. Campagnes draaien nu op beloftes om AI-gebruik te beperken, niet uit te breiden. Fortune noemt het een “AI-backlash” die politieke carrières beëindigt.
via Fortune
Nederland loopt voorop in Europa met AI-gebruik, maar kleine bedrijven blijven achter
Bijna een kwart van de Nederlandse bedrijven gebruikt AI — twee keer zoveel als het Europese gemiddelde.
23 procent van de Nederlandse bedrijven met meer dan tien werknemers gebruikt AI, tegen 8 procent gemiddeld in de EU. Bij grote bedrijven — meer dan 250 medewerkers — ligt dat percentage op 53 procent. Maar kleine bedrijven blijven hangen op 19 procent. Het verschil zit niet in technologie maar in ervaring: 7 procent van de bedrijven noemt gebrek aan kennis als voornaamste reden om AI niet in te zetten.
De cijfers tonen een tweedeling. Grote bedrijven hebben budgets, data-engineers en tijd om te experimenteren. Kleine bedrijven missen die luxe en zien AI als een black box waar ze niets mee kunnen. Marketing en verkoop zijn de meest gebruikte toepassingen — acht procent van de bedrijven zet AI daarvoor in. De informatie- en communicatiesector loopt voorop met 58 procent adoptie.
via CBS (2024)
Voor wie zelf met AI bouwt
Speculative Decoding op consumentenhardware: 1,6x sneller voor de prijs van extra geheugen
Onderzoek meet precies wat het kost om grote taalmodellen sneller te laten draaien zonder de output te veranderen.
Speculative Decoding laat een klein model tokens voorstellen die een groot model in één keer beoordeelt. Dat scheelt rekentijd omdat je parallelliseert in plaats van elk token apart te genereren. Een implementatie voor CUDA, Apple MPS en CPU haalt 1,61x snelheid bij zes draft-tokens, getest op een Apple Silicon-laptop. De distributie blijft identiek aan standaard decoding, geverifieerd met een chi-kwadraattest over 9.200 tokens.
De trade-off is geheugen: je draait twee modellen tegelijk. Voor wie latency belangrijker vindt dan VRAM-efficiëntie is dit bruikbaar. De code werkt device-agnostisch en toont dat de winst vooral komt uit het batchen van verificatie, niet uit slimme draft-strategieën.
Aanbeveling: Test als je al een groot model lokaal draait en latency een knelpunt is. Benchmark eerst of je hardware genoeg geheugen heeft voor draft én target.
via arXiv
PlanFlip: vier manieren om multi-agent systemen te breken via de planner
Onderzoek toont aan dat één geïnjecteerde prompt in de planning-fase álle downstream taken corrumpeert.
Multi-agent systemen gebruiken een Planner om taken op te splitsen. Die planner is kwetsbaar: wie daar een malafide instructie injecteert, infecteert alle subtaken die eruit komen. PlanFlip definieert vier aanvallen — GoalSubstitution, PriorityInversion, ContextPollution en RoleConfusion — die zich voordoen als legitieme tool-outputs. Getest op negen modellen bereikt GPT-5 de hoogste attack success rate: 0,68.
Sterke modellen zijn niet veiliger, ze zijn juist beter in het uitvoeren van subtiele instructies. Homogene pipelines — dezelfde LLM voor planner én executor — vertonen een “blind spot” omdat het model consistent dezelfde fouten maakt. Keyword-filters helpen niet; de aanvallen zijn ontworpen om eruit te zien als normale data.
Aanbeveling: Gebruik verschillende modellen voor planning en executie. Valideer planner-output met een aparte auditor voordat je subtaken doorstuurt.
via arXiv
Arbor: beslisbomen als directed acyclic graphs voor triage-chatbots die niet afdwalen
Framework dat gestructureerde workflows betrouwbaarder maakt door decision trees op te splitsen in node-level prompts.
Monolithische prompts met volledige beslisbomen leiden tot instruction-following degradatie: het model verliest de draad halverwege. Arbor splitst de boom op in edge-lists, haalt per node alleen de uitgaande takken op en evalueert transities met een aparte LLM-call. Een DAG-orchestrator houdt de volgorde bij. Het framework is model-agnostisch en werkt met elke gestructureerde beslisboom.
Getest tegen single-prompt baseline op gezondheidszorg-triage: Arbor houdt zich strikter aan de beslisstructuur en produceert minder hallucinaties. De trade-off is meer LLM-calls per sessie, maar de calls zijn kleiner en gerichter.
Aanbeveling: Gebruik dit als je klanten door vaste workflows moet leiden — klantenservice, intake-formulieren, diagnostische bomen. Niet voor open-ended gesprekken.
via arXiv
Werd.io · X/Twitter · The Next Web · Bluesky · Fortune · CBS · arXiv · arXiv · arXiv
Transparantie: het maken van deze editie kostte ±€0,27 aan AI-modelgebruik (7-daags gemiddelde per editie; selectie, schrijven, verrijking en eindredactie meegeteld).