S08E03 - Agents zijn niet nieuw: een geschiedenisles

In de nieuwste aflevering van AIToday Live worden de historische wortels van AI-agents onderzocht. De podcast neemt luisteraars mee naar het 8e-eeuwse China, waar monnik Yi Xing een waterklok ontwikkelde met feedbackmechanismen die opvallend veel lijken op moderne AI-systemen.

Het 2000 jaar oude Antikythera-mechanisme en het Jacquard-weefgetouw uit 1804 tonen aan dat principes als parallel processing en programmeerbare instructies al lang voor de digitale revolutie bestonden. Deze historische uitvindingen laten zien dat AI-agents niet volledig nieuw zijn, maar voortbouwen op eeuwenoude concepten van autonomie, feedback en adaptief gedrag.

Onderwerpen

• Historische wortels van AI-agents
• Feedback loops in systemen
• Gelaagde architectuur van technologie
• Autonomie en besluitvorming
• Lessen uit het verleden voor huidige AI-ontwikkeling

Links

• Podcast: AIToday Live podcast
• Historisch voorwerp: Yi Xing's waterklok (725 n.Chr.)
• Historisch voorwerp: Mechanisme van Antikythera - Wikipedia
• Historisch voorwerp: Jacquardgetouw - Wikipedia
• Historische technologie: Telegrafie en telefonie, Geschiedenis van de techniek in Nederland. De wording van een moderne samenleving 1800-1890. Deel IV - DBNL

Genoemde entiteiten: Yi Xing - Antikythera-mechanisme - Joseph-Marie Jacquard

Aigency
Aigency ontwerpt en ontwikkelt waardevolle, robuuste en betrouwbare Machine Learning-modellen.

Info Support
Info Support is de specialist in maatwerk software en leidend in kunstmatige intelligentie (AI).

Disclaimer: This post contains affiliate links. If you make a purchase, I may receive a commission at no extra cost to you.

Schrijf je in voor onze nieuwsbrief en ontvang exclusieve toegang tot nieuws, blik achter de schermen en meer!

Transcript

1
00:00:01,600 --> 00:00:05,200
Hoi, leuk dat je weer luistert naar een korte aflevering van AIToday Live.

2
00:00:05,280 --> 00:00:08,960
Mijn naam is Joop Snijder en vandaag heb ik iets aardigs voor je.

3
00:00:09,200 --> 00:00:13,840
Ik wil je meenemen in een geschiedenisles rondom agents.

4
00:00:15,580 --> 00:00:20,540
AI agents zijn de nieuwste revolutie in technologie, dat lees je dan overal.

5
00:00:20,700 --> 00:00:29,100
Maar wat als ik je vertel dat we als mensen al meer dan 2000 jaar op zoek zijn naar het bouwen van geautomatiseerde systemen?

6
00:00:29,200 --> 00:00:31,120
Die eigenlijk best wel lijken op agents.

7
00:00:31,440 --> 00:00:35,120
Ik dacht, het is misschien best wel eens leuk om je daarin mee te nemen.

8
00:00:35,600 --> 00:00:43,760
Systemen die zelfstandig taken uitvoeren, zich aanpassen aan omstandigheden en beslissingen nemen zonder menselijke tussenkomst bij elke stap.

9
00:00:43,560 --> 00:00:44,440
De agents.

10
00:00:46,360 --> 00:00:55,480
Dus ik neem je mee door de geschiedenis en laat je zien dat de principes achter deze moderne AI-agents, van feedback loops tot autonome besluitvorming.

11
00:00:55,460 --> 00:00:58,739
Misschien helemaal niet zo heel nieuw zijn als we denken.

12
00:00:59,540 --> 00:01:04,019
Want de fundamentele principes zijn eigenlijk best wel oud.

13
00:01:04,220 --> 00:01:05,020
Heel oud.

14
00:01:05,100 --> 00:01:07,420
Ik denk nog veel ouder dan dat je denkt.

15
00:01:07,740 --> 00:01:12,940
Want nou laten we eerst eens beginnen van wat maakt een agent eigenlijk een agent?

16
00:01:12,939 --> 00:01:21,979
Het neemt informatie op, verwerkt die volgens interne logica, past zich aan op basis van feedback en produceert output die reageert op veranderende omstandigheden.

17
00:01:22,060 --> 00:01:24,060
Dat is eigenlijk heel platgeslagen.

18
00:01:24,240 --> 00:01:28,240
En dat patroon hebben ingenieurs al eeuwen toegepast.

19
00:01:28,800 --> 00:01:32,960
Dus laten we beginnen in de 8e eeuw in het oude China.

20
00:01:32,800 --> 00:01:42,400
Daar ontwikkelde de monnik en ingenieur Yi Xing in het jaar 725 iets opmerkelijks, namelijk een geavanceerde mechanische waterklok.

21
00:01:42,540 --> 00:01:49,820
Deze waterklok was een belangrijke verbetering op eerdere versies en werd gebruikt voor astronomische tijdsmeting.

22
00:01:50,060 --> 00:01:52,620
Het werkingsprincipe was namelijk heel slim.

23
00:01:52,700 --> 00:02:01,420
Er waren meerdere containers boven elkaar geplaatst en water stroomde van het ene reservoir naar het andere met een constante snelheid.

24
00:02:01,460 --> 00:02:03,940
En in de onderste bak dreeft een vlotter.

25
00:02:04,100 --> 00:02:09,380
En een vlotter die er ook voor zorgt in je wc, dat die stopt met stromen.

26
00:02:09,860 --> 00:02:11,540
Dat komt dan automatisch omhoog.

27
00:02:11,860 --> 00:02:14,420
Hier had je dus in de onderste bak dreven vlotter.

28
00:02:14,280 --> 00:02:17,480
Met een verticale stok waarop markeringen stonden.

29
00:02:17,800 --> 00:02:23,400
Terwijl het water dan steeg, bewoog de vlotter omhoog en kon je dus de tijd aflezen.

30
00:02:23,820 --> 00:02:29,420
Maar het geniale zat hem in wat Yi Xing had opgelost, namelijk het feedbackprobleem.

31
00:02:29,820 --> 00:02:35,660
Bij simpele waterklokken nam de stroomsnelheid in naam af naarmate het reservoir leeg raakte.

32
00:02:35,740 --> 00:02:37,500
Daar kan je je wat bij voorstellen.

33
00:02:37,200 --> 00:02:39,040
Dus de waterdruk veranderde.

34
00:02:39,200 --> 00:02:40,640
Dus de tijd klopte niet meer.

35
00:02:41,040 --> 00:02:46,000
Yi Xing loste dit op met een gemechaniseerd systeem dat de waterstroom reguleerde.

36
00:02:46,400 --> 00:02:49,200
Het systeem hield zichzelf stabiel.

37
00:02:49,000 --> 00:02:53,640
Het monitorde zijn eigen werking en corrigeerde automatisch voor variaties.

38
00:02:53,880 --> 00:03:00,120
En dat is precies zoals moderne AI agents feedback loops gebruiken om hun output te verbeteren.

39
00:03:00,920 --> 00:03:04,599
En kijk echt naar de architectuur van die waterklok.

40
00:03:04,760 --> 00:03:08,519
Dus meerdere lagen waarbij elke laag het volgende voede.

41
00:03:08,920 --> 00:03:11,400
Informatie stroomde door het systeem.

42
00:03:12,040 --> 00:03:20,360
Bij elke stap werd het verwerkt en het eindresultaat was daardoor stabieler dan wat een enkele laag kon produceren.

43
00:03:20,200 --> 00:03:28,760
En dat werkt net zoals onze moderne neurale netwerken, hoe die werken met zogenaamde multiple processing layers.

44
00:03:29,379 --> 00:03:32,659
Deze waterklok bewaarde dus ook een state.

45
00:03:32,819 --> 00:03:37,939
Dus de positie van de vlotter toonde letterlijk de huidige toestand van het systeem.

46
00:03:38,099 --> 00:03:39,459
AI agents doen hetzelfde.

47
00:03:39,700 --> 00:03:44,180
Ze onthouden de context, eerdere interacties, hun huidige positie in een taak.

48
00:03:44,819 --> 00:03:45,940
En dan de trade-off.

49
00:03:46,180 --> 00:03:49,540
De waterklok was wel traag, maar nauwkeurig.

50
00:03:49,740 --> 00:03:55,580
Dus meer verwerkingsstappen betekende tragere respons, maar hogere betrouwbaarheid.

51
00:03:55,900 --> 00:03:58,780
En diezelfde balans.

52
00:03:59,060 --> 00:04:01,220
Dat zie je dus ook in de moderne AI-systemen.

53
00:04:01,459 --> 00:04:04,019
Dus een balans tussen snelheid en precisie.

54
00:04:04,340 --> 00:04:08,180
Zet je het thinking-mechanisme aan bij een taalmodel.

55
00:04:08,260 --> 00:04:10,900
En duurt het langer voordat je antwoord krijgt.

56
00:04:10,700 --> 00:04:14,060
Maar verhoogde dus ook de kans op nauwkeurigheid.

57
00:04:15,660 --> 00:04:24,860
Nu springen we naar de tweede eeuw voor Christus, naar een Grieks schip dat zonk voor de kust van Antikythera, tenminste als je het zo uitspreekt.

58
00:04:24,600 --> 00:04:30,120
En in dat wrak vonden duikers in 1901 iets opmerkelijks, namelijk een mechanische computer.

59
00:04:30,520 --> 00:04:35,320
En het Antikythera-mechanisme was een tandwielsysteem.

60
00:04:35,000 --> 00:04:39,000
Dat ook weer astronomische posities en eclipsen voorspelde.

61
00:04:39,240 --> 00:04:41,720
En hier wordt het interessant voor ons verhaal.

62
00:04:41,960 --> 00:04:44,840
Het mechanisme nam namelijk één input.

63
00:04:44,760 --> 00:04:50,360
De draaiing van een hoofdas, maar het produceerde tegelijkertijd meerdere outputs.

64
00:04:50,520 --> 00:04:55,560
Zowel de maanfase, planetaire posities, kalenderdata en dus eclipsen.

65
00:04:56,640 --> 00:05:01,600
Een vorm van parallel processing, al ruim voor de tijd van computers.

66
00:05:01,840 --> 00:05:05,360
En moderne AI agents, die werken precies zo.

67
00:05:05,600 --> 00:05:07,600
Dus één vraag.

68
00:05:08,120 --> 00:05:11,639
Het brandt leidt tot parallel verwerken van meerdere subtaken.

69
00:05:11,720 --> 00:05:19,560
Een AI-assistent analyseert tegelijkertijd de intentie, zoekt relevante informatie, checkt feiten en formuleert een antwoord.

70
00:05:19,740 --> 00:05:28,380
En nog iets, dit mechanisme wat ze gevonden hadden, wist tussen aanhalingstekens impliciet welke berekeningen voorrang moesten krijgen.

71
00:05:28,100 --> 00:05:34,100
Dus sommige tandwielen waren groter, liepen sneller en hadden meer invloed op het eindresultaat.

72
00:05:34,260 --> 00:05:40,500
Net zoals agents prioriteit geven aan taken en beslissingen die eerst moeten gebeuren.

73
00:05:40,539 --> 00:05:49,419
De ingenieurs die dit bouwden hadden geen computers, geen programmeercode, geen AI, maar ze implementeerden wel dezelfde logica.

74
00:05:49,539 --> 00:05:56,419
Dus meerdere processen parallel laten werken om een intelligent resultaat, om tot een intelligent resultaat te komen.

75
00:05:57,500 --> 00:06:00,780
We springen een stukje weer naar voren.

76
00:06:01,020 --> 00:06:03,100
En dat is na 1804.

77
00:06:03,500 --> 00:06:04,380
Naar Frankrijk.

78
00:06:04,620 --> 00:06:07,020
Daar had je Joseph-Marie Jacquard.

79
00:06:07,100 --> 00:06:09,660
En die ontwikkelde een weefmachine die.

80
00:06:10,120 --> 00:06:13,960
een soort van ponskaarten inleest met instructies voor patronen.

81
00:06:14,440 --> 00:06:20,280
En dat is eigenlijk best wel spannend, want dit systeem interpreteerde wat je dan noemt symbolische input.

82
00:06:20,000 --> 00:06:21,920
En vertaalde dat naar fysieke acties.

83
00:06:22,000 --> 00:06:25,520
En de ponskaarten waren programmeerbare instructies.

84
00:06:25,760 --> 00:06:29,840
De eerste vorm van wat we nu misschien wel software zouden noemen.

85
00:06:31,020 --> 00:06:32,139
En hoe werkte dat?

86
00:06:32,380 --> 00:06:34,940
Een gat in de kaart betekende til deze draad op.

87
00:06:35,100 --> 00:06:37,740
Geen gat betekent laat deze draad zakken.

88
00:06:37,700 --> 00:06:46,180
Het weefgetouw laste instructies, vertaalde ze naar bewegingen en produceerde patronen die veel te ingewikkeld waren voor handmatige bediening.

89
00:06:46,100 --> 00:06:48,980
Nou, vergelijk dat nou eens met onze moderne AI-agents.

90
00:06:49,060 --> 00:06:52,580
En jij geeft een prompt, symbolische instructies in natuurlijke taal.

91
00:06:52,820 --> 00:07:00,500
De agent interpreteert wat je bedoelt, vertaalt dat naar concrete acties en voert een reeks stappen uit om het resultaat te bereiken.

92
00:07:01,360 --> 00:07:02,720
En ook wel heel gaaf.

93
00:07:02,960 --> 00:07:06,479
Het Jacquard weefgetouw was zelfs modulair.

94
00:07:06,879 --> 00:07:14,879
Je kon kaarten verwisselen en direct een ander patroon weven, net zoals je agents kunt herprogrammeren met andere instructies om andere taken uit te voeren.

95
00:07:16,520 --> 00:07:25,080
Laatste wat ik wil meegeven in deze toch wel een grappige geschiedenisles, is de 19e eeuw, het tijdperk van de Telegraaf.

96
00:07:25,160 --> 00:07:29,400
En dan niet de krant, maar dat ding waar je met elkaar mee komt.

97
00:07:29,139 --> 00:07:30,180
Kond communiceren.

98
00:07:30,500 --> 00:07:35,220
Dus wereldwijd ontstond er een netwerk van stations die berichten doorstuurden.

99
00:07:35,540 --> 00:07:41,780
En hier zie je een heel mooi voorbeeld van gedistribueerde besluitvorming.

100
00:07:42,020 --> 00:07:42,340
Dus.

101
00:07:43,060 --> 00:07:46,740
De telegraafoperators volgen de protocollen.

102
00:07:47,060 --> 00:07:50,580
Als bestemming X niet bereikbaar is, probeerden aan route Y.

103
00:07:50,800 --> 00:07:55,520
En als I ook niet werkt, sla het bericht op en probeer het later opnieuw.

104
00:07:55,759 --> 00:07:58,879
En dit is decision making onder onzekerheid.

105
00:07:58,700 --> 00:07:59,660
Dat is een moeilijke term.

106
00:07:59,820 --> 00:08:02,780
Het systeem paste zich aan wanneer de situatie veranderde.

107
00:08:03,260 --> 00:08:07,580
De operators hoefden niet voor elk bericht toestemming te vragen aan een centrale autoriteit.

108
00:08:07,820 --> 00:08:11,900
Deze hadden een vorm van autonomie binnen duidelijke grenzen.

109
00:08:12,380 --> 00:08:14,380
Moderne AI-agents werken hetzelfde.

110
00:08:14,540 --> 00:08:19,660
Ze krijgen een doel, een set regels en de vrijheid om binnen die grenzen zelfstandig keuzes te maken.

111
00:08:19,900 --> 00:08:22,860
Als het doel faalt, proberen ze een alternatief.

112
00:08:23,020 --> 00:08:26,620
En als een subtaak mislukt, passen ze hun workflow aan.

113
00:08:26,740 --> 00:08:34,260
Het verschil tussen 1850 en nu, best wel groot natuurlijk, dus de complexiteit van de beslissingen en de snelheid waarmee ze genomen worden.

114
00:08:34,500 --> 00:08:34,820
Maar.

115
00:08:34,900 --> 00:08:43,860
In zekere zin is het principe autonome agents die binnen regels opereren en zich aanpassen aan omstandigheden, die is eigenlijk best wel hetzelfde.

116
00:08:45,420 --> 00:08:48,300
Wat is nou eigenlijk de rode draad door al deze voorbeelden?

117
00:08:48,620 --> 00:08:49,980
Ten eerste de feedback loops.

118
00:08:50,220 --> 00:08:55,100
De systemen die hun eigen werking monitoren en corrigeren, die zijn niet nieuw.

119
00:08:55,080 --> 00:08:57,320
Blijkbaar bouwen ze al 2000 jaar.

120
00:08:57,480 --> 00:08:59,480
Ten tweede, de gelaagde architectuur.

121
00:08:59,720 --> 00:09:02,760
Of het nu waterreservoirs zijn of neurale netwerken.

122
00:09:03,000 --> 00:09:04,440
Principe hetzelfde.

123
00:09:04,680 --> 00:09:09,000
Meerdere verwerkingslagen maken systemen stabieler en betrouwbaarder.

124
00:09:10,620 --> 00:09:14,139
En natuurlijk de autonomie binnen grenzen.

125
00:09:15,019 --> 00:09:17,180
En het laatste natuurlijk.

126
00:09:17,480 --> 00:09:22,120
De trade-off, het balans tussen complexiteit en betrouwbaarheid.

127
00:09:22,440 --> 00:09:29,240
Meer autonomie betekent meer potentiële fouten tenzij je goede feedbackmechanismen hebt.

128
00:09:29,259 --> 00:09:33,500
Kijk, de grote vraag nu is hoe autonoom mogen onze agents zijn?

129
00:09:33,740 --> 00:09:38,620
Hoe zorgen we voor goede feedback en hoe balanceren we tussen snelheid en nauwkeurigheid?

130
00:09:38,700 --> 00:09:43,260
De antwoorden staan misschien niet eens helemaal in de toekomst, maar liggen ze zelfs een beetje in het verleden.

131
00:09:43,580 --> 00:09:51,339
Dus ingenieurs hebben deze problemen al honderden jaren geleden opgelost, met hele andere middelen, maar toch best wel met dezelfde principes.

132
00:09:51,740 --> 00:09:53,019
Best wel geinig.

133
00:09:53,540 --> 00:09:59,300
De belangrijkste les van vandaag, AI agents zijn misschien niet eens echt een hele sprong in het onbekende.

134
00:09:59,380 --> 00:10:03,220
Ze zijn misschien wel de volgende stap in een ontwikkeling die al millennia oud is.

135
00:10:03,420 --> 00:10:09,259
En misschien is dat ook wel goed nieuws, want dat betekent dat we kunnen leren van wat werkte en wat niet werkte in het verleden.

136
00:10:09,420 --> 00:10:12,860
We hoeven niet per se het wiel opnieuw uit te vinden.

137
00:10:14,040 --> 00:10:24,520
Ik hoop dat ik je een beetje perspectief heb kunnen geven op waar we misschien nu staan met de AI agents en de geschiedenis die daaraan vooraf is gegaan.

138
00:10:27,140 --> 00:10:28,900
Dat was het voor deze week.

139
00:10:29,140 --> 00:10:31,940
Dankjewel voor het luisteren naar AIToday Live.

140
00:10:32,100 --> 00:10:34,980
Vergeet je niet te abonneren via je favoriete podcast app.

141
00:10:35,140 --> 00:10:36,660
Dan mis je geen aflevering.

142
00:10:36,820 --> 00:10:38,100
Tot de volgende keer.