Waarom AGI niet voor 2037 verschijnt door tekorten aan data en energie

De ongemakkelijke vraag die niemand graag stelt

Het is een soort modern ritueel geworden om te verklaren dat kunstmatige intelligentie in razend tempo afstoomt op menselijk denkniveau. Hoe luider die beloftes klinken, hoe ongemakkelijker de tegenvraag wordt: wat als de curve niet eindeloos blijft stijgen, maar juist nu afvlakt? In een tijd doordrenkt van zelfverzekerde voorspellingen is de meest contraire observatie ook de simpelste. We staan twaalf jaar van 2037, en alles wijst erop dat echte kunstmatige intelligentie, het type dat algemeen menselijk redeneren evenaart of overtreft, nog lang niet binnen handbereik is.

Deze spanning bepaalt het huidige debat. Het wordt nog urgenter omdat de wereld beleid, infrastructuur en miljardenstrategieën bouwt op aannames die misschien nooit uitkomen, ook al bevinden we ons in een periode van snelle innovatie. Onze plannen versnellen sneller dan de onderliggende realiteit, met andere woorden. Ondertussen verliezen professionals al competenties doordat ze vertrouwen op huidige AI-systemen die de beloofde capaciteiten niet halen, een dynamiek die wordt uitgewerkt in hoe AI-afhankelijkheid professionele expertise ondermijnt.

De hardnekkige mythe van onstuitbare versnelling

Elk technologisch tijdperk draagt zijn eigen emotionele lading, en de onze is geworteld in de overtuiging dat de vooruitgang het duizelingwekkende tempo van het afgelopen decennium zal voortzetten. Grote taalmodellen hebben verbluft met hun taalvaardigheid, samenvattingsvermogen en productiviteitswinst. Voor veel waarnemers voelt het bijna onvermijdelijk dat deze systemen binnenkort net zo breed en flexibel zullen denken als mensen.

Maar de aanname van lineaire vooruitgang verbloemt de werkelijke vorm van technologische revoluties. Historisch gezien stijgen doorbraken snel, bereiken ze een piek en vlakken ze daarna af tot plateaus die worden bepaald door natuurkunde, kosten en complexiteit. Moderne AI volgt dat bekende patroon. De recente hausse was niet het begin van een eindeloze curve, maar het steile gedeelte van een S-curve die haar top al nadert. Dat inzicht is essentieel om de realistische kans te beoordelen dat algemene intelligentie tegen 2037 ontstaat, in plaats van dat als vanzelfsprekend aan te nemen.

De meest kritieke beperkingen van AI zijn niet mysterieus. Ze zijn wiskundig, fysiek en economisch. Ze buigen niet voor ambitie. Ze bepalen die ambitie.

Data is de brandstof, en die raakt op

De wereldwijde voorraad schone, door mensen geschreven tekst nadert haar einde. Studies van Epoch AI schatten dat we tussen 2026 en 2028 de grens bereiken van hoogwaardige publieke data die geschikt is om grensverleggende modellen te trainen. Elk groot model dat tot nu toe is uitgebracht, is getraind op vrijwel het hele publieke internet. De volgende generatie zou veel meer tekst nodig hebben om prestatieverbeteringen vol te houden, maar die tekst bestaat simpelweg niet in de benodigde hoeveelheid.

De voorgestelde oplossing, synthetische data, brengt risico’s met zich mee die verder gaan dan een technisch ongemak. Onderzoek van Shumailov en collega’s toont aan hoe herhaaldelijk trainen op door modellen gegenereerde tekst een verlies aan variantie veroorzaakt, een statistische versmalling die fouten versterkt en zeldzame maar belangrijke patronen laat verdwijnen. Zodra het trainingsecosysteem wordt gedomineerd door machinaal geschreven content, beginnen modellen te leren van vervormde versies van hun eigen output. Het resultaat, bekend als model collapse, is geen verbeterde intelligentie maar een trage afglijding naar eenvormigheid.

Voor de concrete, praktische versie van hoe synthetische training model collapse veroorzaakt en waarom dit van belang is voor de kwaliteit van AI-zoekresultaten, lees: Wanneer AI-modellen zichzelf gaan trainen.

Dit is niet louter een onderzoeksvraagstuk. Terwijl door AI gegenereerde artikelen, samenvattingen en posts het internet overspoelen, raakt het signaal vervuild. Hoogwaardige, door mensen geschreven tekst wordt steeds schaarser en moeilijker te isoleren. De ironie is treffend. Net op het moment dat de wereld geobsedeerd raakt door het bouwen van menselijke intelligentie, begint het ruwe materiaal dat daarvoor nodig is voor onze ogen te verdampen.

Het fysieke plafond van energie en rekenkracht

Zelfs als het dataprobleem werd opgelost, vormen de fysieke beperkingen van computerkracht nog een muur. De energiebehoefte voor het trainen van grensverleggende modellen bereikt niveaus die ooit waren voorbehouden aan nationale infrastructuur. De voorgestelde volgende generatie clusters van toonaangevende AI-labs zou zo’n vijf gigawatt aan vermogen vereisen. Dat staat gelijk aan meerdere kerncentrales die volledig zijn toegewijd aan één enkele trainingsrun. In de praktijk kunnen zulke faciliteiten niet snel worden gebouwd. Ze vereisen milieuvergunningen, upgrades van het elektriciteitsnet en jaren technisch werk die zich niets aantrekken van hypecycli.

Voor de concrete, praktische versie van wat “vijf gigawatt” betekent voor infrastructuur, geopolitiek en lokale gemeenschappen, lees: AI-datacenters vragen nu om 5 gigawatt vermogen.

Ondertussen is de vooruitgang in hardware sterk vertraagd. De wet van Moore is verzwakt en de kosten per transistor dalen niet langer betrouwbaar bij elke nieuwe node. Geheugenbandbreedte, niet rekenkracht, is de bottleneck geworden. Chips kunnen sneller rekenen dan ze van data kunnen worden voorzien. Architecturale verbeteringen houden geen gelijke tred met de schaal die nodig is voor robuuste sprongen in modelcapaciteit.

De sector framet opschaling vaak als een keuze. In werkelijkheid is het een wedstrijd tegen de natuurkunde. En de natuurkunde wint meestal.

De economische bubbel die zich onder het optimisme vormt

Er gaapt een steeds grotere kloof tussen het kapitaal dat naar AI-infrastructuur stroomt en de inkomsten die nodig zijn om dat in stand te houden. Volgens analyses waarnaar Sequoia Capital verwijst, ligt de jaarlijkse omzet die nodig is om de huidige investeringsniveaus te rechtvaardigen rond de zeshonderd miljard dollar. De daadwerkelijke inkomsten liggen ver onder die drempel. Investeerders gokken op toekomstige producten die nog niet bestaan en mogelijk niet snel genoeg verschijnen om de kosten te dekken van de hardware die nu al wordt uitgerold.

Deze situatie doet denken aan eerdere speculatieve periodes, met name het begin van de jaren 2000, toen glasvezelnetwerken veel sneller werden aangelegd dan het gebruik kon rechtvaardigen. Het verschil is nu de schaal. De bedragen in AI zijn groter, de tijdlijnen strakker en de risico’s mondiaal. Als de verwachte doorbraak naar echte kunstmatige intelligentie tot na 2037 op zich laat wachten, kan de financiële correctie hevig uitvallen, met cascade-effecten op het gebied van automatisering in sectoren die hun strategie hebben herschapen rond onrealistische tijdlijnen.

De cognitieve muur die niet wijkt

Naast data, hardware en economie ligt het diepste obstakel van allemaal. De AI-systemen van vandaag denken niet. Ze voorspellen. Hun intelligentie is statistisch, niet conceptueel. Ze bouwen geen interne causale modellen van de wereld op. Ze begrijpen geen natuurkunde, intentie of betekenis. Ze excelleren in patronen, maar schieten tekort in redeneren.

Deze beperking wordt zichtbaar bij gevallen die buiten de trainingsdistributie vallen. Wanneer modellen worden geconfronteerd met ongewone problemen die buiten hun trainingservaring liggen, gokken ze. Ze gokken misschien overtuigend, maar het blijft gokken. In kritieke domeinen zoals gezondheidszorg of wetenschappelijk onderzoek is gokken onaanvaardbaar.

De kloof tussen taalvaardigheid en gegrond begrip blijft diep. Grote taalmodellen werken volledig via tekst. Ze hebben geen zintuiglijke ervaring, geen lichamelijkheid. Ze kunnen geen gewicht voelen, geen beweging waarnemen of een scène begrijpen anders dan als vectoren. Onderzoekers zoals Yann LeCun pleiten voor de ontwikkeling van robuuste wereldmodellen, maar zelfs optimisten erkennen dat zulke systemen nog vele jaren weg zijn, en dat het pad ernaartoe onduidelijk en gefragmenteerd is.

Tegen 2037 zullen deze cognitieve kloven niet als bij toverslag verdwijnen. Ze vereisen architecturale transformaties, niet simpelweg grotere versies van de huidige modellen. Dit punt komt zelden naar voren in bedrijfsvoorspellingen, maar het bepaalt in stilte de werkelijke grenzen van wat kunstmatige intelligentie de komende twaalf jaar kan worden. Het scenario van recursieve zelfverbetering, waarbij AI haar eigen code herschrijft om exponentieel slimmer te worden, blijft theoretisch precies omdat deze fundamentele cognitieve barrières nog niet zijn opgelost.

De barrière die geen lab kan wegwerken

Zelfs als de barrières op het gebied van data, energie en cognitie sneller wegvallen dan verwacht, is er één obstakel dat zelden in voorspellingen opduikt: wijzelf. De mensen die met artificial general intelligence moeten leven, hebben nog geen toestemming gegeven voor haar komst.

Overheden wereldwijd bouwen AI-wetgeving die hoogrisicotoepassingen moet vertragen of blokkeren. De EU AI Act stelt strenge eisen aan systemen die veiligheid, werkgelegenheid en grondrechten raken. Amerikaanse executive orders dwingen federale instanties richting toezichtkaders die twee jaar geleden nog niet bestonden. Chinese richtlijnen verplichten registratie van algoritmes en contentcontroles waar geen buitenlands lab omheen kan. Elke jurisdictie voegt wrijving toe. Samen vormen ze een regelgevend web dat elk kwartaal dichter wordt.

Het maatschappelijk verzet loopt parallel hieraan. Automatisering raakt nu banen, creatief werk en dagelijkse beslissingen op een manier die voelt als acuut, niet theoretisch. Vertrouwen erodeert wanneer chatbots medisch advies hallucineren of wervingsalgoritmes gekwalificeerde kandidaten afwijzen zonder uitleg. Onderzoeken laten consistent zien dat een meerderheid juist strengere AI-regulering wil, niet minder. Dat sentiment vertaalt zich in politieke druk, en politieke druk vertaalt zich in wetgeving.

AGI vereist meer dan technische doorbraken. Het vereist een maatschappelijk mandaat, een breed gedragen consensus dat de voordelen opwegen tegen de risico’s en dat er waarborgen bestaan om te beheersen wat misgaat. Dat mandaat is nergens in zicht. De klok die richting 2037 tikt, is niet alleen technisch. Ze is politiek, cultureel en diep menselijk.

Vanuit 2037 terugkijken, in plaats van ernaartoe

Wanneer we vanuit 2037 terugredeneren, ontstaat een helderder beeld. De kans dat echte, algemene kunstmatige intelligentie er dan al is, is niet hoog. De meeste vooraanstaande onderzoekers schatten de kans op zo’n tien tot vijftien procent. Dit is geen ontkenning van vooruitgang. Het komende decennium zal buitengewone, gespecialiseerde systemen opleveren die menselijke experts in talloze domeinen overtreffen. Wetenschappelijke ontdekkingen zullen versnellen. De geneeskunde wordt voorspellender. Kenniswerk zal veranderen op manieren die diepgaand en onomkeerbaar zijn.

Maar niets van dit alles vereist algemene intelligentie. Het vereist gerichte intelligentie, het type dat excelleert binnen grenzen. In de publieke verbeelding worden de twee vaak met elkaar verward, maar het verschil is enorm. Smalle AI kan sectoren herinrichten zonder ook maar in de buurt te komen van menselijk denkniveau. Algemene intelligentie vereist gegrondheid, redeneervermogen, geheugen, abstractie en betrouwbaar gedrag in onbekende situaties. Het is niet simpelweg een grotere versie van wat we nu hebben. Het is een geheel andere categorie.

Dit onderscheid bepaalt alles, van regulering tot economische planning tot maatschappelijke verwachtingen. Als we algemene intelligentie verwachten tegen 2037, zal het beleid verkeerd zijn afgestemd. Als we krachtige maar niet-algemene systemen verwachten, verschuift het gesprek naar toezicht, transparantie en verantwoord ontwerp van bruikbaarheid. De uitdaging is niet dat intelligentie niet zal groeien. De uitdaging is dat ze zal groeien in vormen die nieuwe governance en zorgvuldige omgang vereisen, in plaats van blind vertrouwen.

Het verhaal achter de hype

De race naar 2037 is geen sprint richting onvermijdelijke superintelligentie, maar een onderhandeling met beperkingen die zich niets aantrekken van ambitie. Data, energie, hardware, economie en cognitie vormen samen een gevlochten geheel van grenzen die de werkelijke contouren van vooruitgang bepalen. Als we deze grenzen erkennen, wordt de toekomst helderder, niet donkerder.

We zullen leven in een wereld vol buitengewone hulpmiddelen, maar niet met machines die denken zoals wij. We krijgen capaciteiten die hele sectoren herinrichten, maar niet het ontstaan van een synthetische geest. Die realiteit is niet teleurstellend. Ze is verhelderend. Ze legt de verantwoordelijkheid terug in menselijke handen, waar ethiek, beleid en langetermijnplanning meer gewicht in de schaal leggen dan speculatieve beloftes.

De harde waarheid is dat de wereld tegen 2037 geen echte kunstmatige intelligentie in strikte zin zal zien. Ze zal iets complexer zien, iets onvoorspelbaarder en iets dat afhankelijker is van mensen. En misschien is dat precies de reden waarom de beslissingen die we vandaag nemen zo veel impact hebben.

Gerelateerde signalen

• Logica faalt: AI ziet nu vooral patronen - Legt uit waarom probabilistische voorspelling causaal redeneren vervangt, de kernkloof in cognitie die AGI tegen 2037 blokkeert.
• AI-datacenters vragen nu om 5 gigawatt vermogen - Vertaalt het energieplafond naar de huidige praktijk: knelpunten in het elektriciteitsnet, financiering en wie er lokaal voor opdraait.
• Recursieve AI-zelfverbetering: het laatste kantelpunt - Toetst het enige scenario dat het plafond van 2037 zou kunnen doorbreken, op voorwaarde dat de barrières van gegrond redeneren eerst worden opgelost.
• Hoe groot is de kans op een AI-bubbel? Marktsignalen en waarderingen - Kwantificeert het waarderingsrisico achter de kloof van 600 miljard dollar aan omzet, die de financiering kan doen opdrogen voordat AGI-tijdlijnen rijpen.

Referenties

Shumailov I, Carlton J, Wang X. The curse of recursion: training on generated data makes models forget. Nature. 2024. Nature

Epoch AI. Forecasting the limits of data for scaling language models. Epoch Research. 2024. Epoch AI

Kaplan J, McCandlish S, Henighan T et al. Scaling laws for neural language models. OpenAI. 2020. arXiv

LeCun Y. A path towards autonomous machine intelligence. Meta AI Research. 2023. Meta AI