Materialenontwikkeling met AI: hoe CuspAI nieuwe stoffen ontwerpt

Max Welling is hoogleraar machine learning aan de universiteit van Amsterdam. Hij is ook chief technology officer en medeoprichter van CuspAI. Hij werkt er ooit samen met Geoffrey Hinton, de grondlegger van moderne neurale netwerken. Bij CuspAI ontwerpt Max met AI nieuwe materialen, van zonnecellen tot stikstofopslag. Zijn platform genereert miljoenen materialen in een computer en test ze razend snel op eigenschappen. Maar hoe bouw je een zoekmachine voor materie die nog niet bestaat. Joop: Hoi, leuk dat je weer luistert naar een nieuwe aflevering van AIToday Live. Joop: Mijn naam Joop Snijder, Head of AI bij Info Support. Niels: Mijn naam Niels Naglé, Area Lead Data & AI bij Info Support. Joop: En ja, we zijn heel blij, want we zitten in het gebouw van Lab42 uitgenodigd om een gesprek te hebben met professor Max Welling. Joop: Max, zou je jezelf eerst willen voorstellen aan de luisteraars. Max: Ik ben Max Welling. Max: Ik ben hoogleraar machine learning hier aan de universiteit van Amsterdam. Max: Dat is nog één dag per week. Max: Maar ik ben op dit moment CTO en co-founder van het bedrijf CuspAI in materials ontwikkeling, daar zullen we het over hebben gaan vandaag. Joop: Zeker. Max: Ik ben gepromoveerd in de theoretische natuurkunde bij professor Gerard het Hoofd. Max: Heb toen eigenlijk een carrière gedaan in Amerika in California. Max: Caltech en University of California. Max: En heb ook nog gewerkt voor Jeff Hinton in Londen, UCL, en toen nog in Toronto. Joop: Niet iedereen kent Jeff Hinton. Joop: Misschien moet je dat even uitleggen, want dat is best wel bijzonder. Max: Ja, Jeff Hinton is eigenlijk de grondlegger van de moderne neuronale netwerkversie van AI. Max: Zogenaamde connectionist heet dat, waarbij je dus eigenlijk probeert machine learning te maken zoals het brein opereert. Max: Daar heel lang geleden mee begonnen. Max: En recent heeft hij de Nobelprijs gewonnen voor dat werk, voor zijn hele levenswerk. Joop: Dat gebeurde nadat ik daar weg was, jammer genoeg. Max: Hij is echt de grondlegger van het vakgebied, zou ik zeggen. Max: Wat de deep learning en de AI die nu waar we nu door een revolutie heen aan het gaan zijn. Joop: Wel veel mensen die associëren nu AI met wat we zien met ChatGPT, maar het is heel veel meer dan dat. Joop: En daarom zijn we ook zo blij dat we met jou spreken. Joop: Want jij past het in een heel ander gebied toe dan de meeste mensen. Max: Wij zijn vooral op zoek naar toepassingen van AI die ook een positieve impact in de maatschappij hebben. Max: En wij denken dat materialen eigenlijk aan de grondslag liggen, aan de wortel liggen van een hoop maatschappelijke problemen die we moeten oplossen met elkaar. Max: Waaronder climate change is een grote, denk ik, maar ook de energietransitie en environmental issues. Max: Dus bijvoorbeeld het verwijderen van PFAS uit drinkwater is een andere grote. Max: En AI kan heel erg helpen met ontwikkeling en het ontwerp van die nieuwe materialen. Max: En toen dachten wij van, is dat niet een mooie toepassing van AI. Max: En toen heb ik CuspAI opgericht. Joop: Ja, en ik moet eerlijk zeggen, toen ik je voordat ik in dit gesprek aan het verdiepen was, dacht ik iedere keer. Joop: Ja, AI is oplossing voor klimaatprobleem. Joop: Volgens mij draagt het alleen maar bij. Joop: Maar toen zag ik wat jullie aan het doen zijn. Joop: Daar werd ik wel heel nieuwsgierig naar. Joop: Kan je vertellen hoe je AI met de materialen inzet. Joop: Om eventueel de belofte is, dat je iets van CO2 opslag kan. Max: Ik geef toe dat AI op dit moment ook bijdraagt aan CO2-vervuiling vanwege de enorme datacenters die gebouwd worden. Max: Er zijn eigenlijk twee manieren waarop je kan proberen dat te reduceren. Max: De eerste is chips te maken die energie-efficiënter werken. Max: Dat zou één manier zijn. Max: Maar je hebt het over het verwijderen van CO2 uit de atmosfeer. Max: Toen ik daarover nadacht, toen zag ik eigenlijk dat ten eerste moet ik zeggen, je kan het beter niet uitstoten. Max: Dus je kan beter stoppen met uitstoten en proberen duurzame energie op te wekken. Max: Daarna kan je het beter direct uit de zogenaamde smokestack halen, dus uit de uit de rook die uit een schoorsteen komt, dan is het veel efficiënter. Max: Het is verreweg het minst efficiënt om het uit de atmosfeer te halen, want dan is het al helemaal verdund. Max: Maar uiteindelijk is het zo dat als we in 2050 hopelijk energie of CO2 neutraal worden. Max: Dan moeten we het toch uit de atmosfeer gaan halen op dat moment. Max: Want dan moeten we vervolgens nog zeker 50 jaar twee gigaton per jaar uit de atmosfeer halen. Max: En dat is een enorme opgave en die technologie is er helemaal niet. Max: En dus wat we dus moeten doen, is nieuwe materialen ontwerpen die die CO2 binden. Max: En dan vervolgens uit de atmosfeer halen en dan onder de grond stoppen. Niels: En dan ben je dus aan het weghalen. Niels: Hoe kan je het voorkomen? Niels: Bij de rook zijn er ook al initiatieven voor. Max: Ja, er zijn ook zeker initiatieven om het uit de rook stek te halen, uit er ook pluim te halen, zou maar zeggen. Max: Er zijn iets andere technieken, maar ook best wel overeenkomend. Max: Het is alleen veel efficiënter en makkelijker, omdat het daar veel hogere concentraties zijn. Max: En we werken daar werken we aan, maar we werken ook aan materialen of voor de energietransitie, bijvoorbeeld batterijen worden een hele belangrijk onderdeel bijvoorbeeld om zonne-energie goed te kunnen gebruiken. Max: Want op dit moment gebruiken we natuurlijk een hoop zonne-energie, maar dat moet weer terug het grid in en dan krijg je enorme fluctuaties op het energienetwerk. Max: Elektriciteitsnetwerk. Max: Dus wat je eigenlijk wil batterijen ertussen zetten, zodat je die zonnepanelen beter kan gebruiken. Max: Dus we werken ook aan dat soort technologie. Max: Nows en batterijen. Niels: En daar werken jullie aan. Niels: Hoe werken jullie eraan en hoe komt AI daarbij kijken? Max: Ja, misschien het beste voorbeeld is gewoon zonnecellen even te pakken. Max: Want we hebben een aantal projecten lopen in nieuwe materialen voor zonnecellen. Max: Dus wat doet de traditionele zonnecel is gebouwd op silicon. Max: En dat is dus licht schijnt erop. Max: En daar wordt een hele kleine bandbreedte van licht, wordt er eigenlijk gebruikt, het zichtbare licht wordt eigenlijk gebruikt. Max: Om elektronen, elektriciteit op te wekken in die materialen. Max: Maar daar kan veel efficiënter. Max: En daar hebben ze een nieuwe groep materialen ontwikkeld, dat heet zogenaamde Perovskite materialen. Max: Die kan je een laagjes bovenop leggen die dat hele spectrum van dat licht kunnen beslaan. Max: En daarmee kan je zonnecellen maken die veel efficiënter worden. Max: Er zijn nu al zonnecellen die tot bijna 30% efficiëntie hebben. Max: Dat is al veel meer dan de siliconcellen. Max: Maar daar kan volgens theoretische berekeningen nog veel, veel hoger, misschien zelfs wel tot 40 of 50%. Max: En wij ontwerpen dus met AI. Max: Daar kunnen we later nog verder over gaan hoe dat specifiek gaat, maar wij werken dus met AI om die materialen te optimaliseren. Max: Zodat ze precies de juiste eigenschappen hebben om dat licht te pakken wat binnenkomt op die specifieke golflengte van het licht. Joop: En waar helpt de AI dan bij? Max: Ja, dus ik denk dat ik dan een beetje ons platform moet uitleggen. Max: Want het is een vrij complex ding natuurlijk. Max: Je moet het eigenlijk zien, aan de buitenkant kan je het eigenlijk zien als een zoekmachine, min of meer. Max: Dus je typt in een letterlijk in een tekstbox je in het materiaal waar je naar op zoek bent. Max: En specificeer je precies de eigenschappen die je wil hebben. Max: En wat er dan gebeurt, is eigenlijk, net als bij een zoekmachine gebeurt er een heleboel onder de motorkap, wat je eigenlijk niet ziet. Max: En aan de andere kant komt er dan een rijtje materialen uit met die eigenschappen die in eerste instantie zijn berekend. Max: Daarna worden ze automatisch naar een lab gestuurd. Max: Bijvoorbeeld we werken hier met het AMOLF. Max: Dan kan je vanuit hier zien, Nederlands lab voor materiaalonderzoek. Max: Daar werken bijvoorbeeld aan die Perovskite materialen in een samenwerking. Max: Waarbij zij de materialen dan maken in een machine. Max: Dat heet spincoating. Max: En wij sturen dat aan als ware. Max: Je zeg maar deze parameters moet je zo zetten. Max: En dan worden die materialen daar gefabriceerd en doorgemeten en dan komen die data weer terug naar ons toe. Niels: En dat is de feedbackloop. Max: Ja, dat is een feedbackloop. Max: Dan is nog een enorm stuk wat daar binnen ons platform gebeurt. Max: De platform hebben de Namira gegeven. Max: En ik zal nou even doorlopen wat de verschillende stapjes zijn erin. Max: Dus de eerste stap is daar krijg je dus een agent, dus moderne LLM agents. Max: Die nemen die vraag binnen en die gaan daarmee zoeken in de databases die we hebben. Max: Dus we hebben een aantal databases en een aantal zijn er ook van exclusief voor ons. Max: Dan moet je denken aan wetenschappelijke papers die geschreven zijn door de vele jaren heen. Max: En die gaan zoeken naar materialen waarover gepubliceerd is met die specifieke eigenschappen. Max: En dan komen ze er al met een aantal. Max: En dan op dat moment zeggen van oké, nou gaan we proberen zelf hele nieuwe materialen te maken. Max: Dus nu heb je een, dat heet dan een generatief model. Max: En dan kan je eigenlijk daar zijn hetzelfde type model, wat ook gebruikt wordt om plaatjes te maken of filmpjes te maken, AI gegenereerde filmpjes. Max: Dus nu worden er uit het niks eigenlijk materialen voorgesteld met de eigenschappen die jij graag wilt hebben. Max: Dus dat is letterlijk hetzelfde proces waarbij je zeg maar die atomen ziet ontstaan in een soort materiaalconstructie. Max: En daar kun je ervan, ja, daar kan je daar velen van maken. Max: We doen honderdduizenden tot miljoenen creëren we er in onze computer. Max: En dan komen er allerlei andere AI-modellen die gaan dan testen of die materialen de juiste eigenschappen hebben en of ze wel goed genoeg zijn. Max: Dus dan komen. Max: Is het stabiel bijvoorbeeld valt het niet uit elkaar. Max: Als je het in water stopt, los dat dan op. Joop: En hoe zijn jullie dan aan die modellen gekomen? Max: Die hebben we ook allemaal. Max: Dat zijn gedeeltelijk zijn er modellen die eigenlijk binnen de natuurkunde en de chemie al zijn ontwikkeld. Max: Dat zijn nog zogenaamde fysische modellen, chemische modellen. Max: Die proberen echt te simuleren hoe de natuur werkt, bijvoorbeeld die simuleren kwantummechanica. Max: Maar wat de truc is dat je als je dat heel vaak gedaan hebt, dat is vaak heel duur natuurlijk, dat soort simulaties. Max: Als je dat heel vaak gedaan hebt, dan heb je op een gegeven moment een database opgebouwd van al die simulaties. Max: En dan kan je zeggen, kan ik nu aan een AI-model vragen om die voorspelling veel sneller te doen door te interpoleren tussen de al die data die het al gecreëerd heeft. Max: En dat is dan een machine learning model. Max: Dat is een van die modellen die Geoff Hinton zomaar zeggen, heeft gepionierd. Max: En dan kan je dus in een fractie van een seconde diezelfde voorspelling doen. Max: Bijvoorbeeld één één bekende voor Perovskite materialen voor die zonnecellen is de band cap. Max: Dat wil zeggen hoeveel wat is de de energiesprong die je moet maken tussen een elektron wat vastzit naar eentje, wat kan bewegen in dat materiaal. Max: En die voorspelling kunnen we nu heel efficiënt doen met een machine learning model. Max: En daarmee kunnen we heel snel itereren door al die al die voorgestelde materialen. Max: Dus als je er een miljoen genereert en je moet een miljoen keer een dure simulatie, dan duurt het veel te lang. Max: Dus nu gaan we in een fractie van een seconde rekenen we ze allemaal door, en halen we elke keer al die materialen die niet aan de juiste eigenschappen voldoen zeven we eruit. Max: En dan wordt dat een steeds kleinere groep. Max: En met die kleinere groep gaan we dan naar een lab en daar maken we ze. Niels: En die wordt weer terug, die komt weer terug, dan hebben we de werkelijke data weer. Niels: Dus dan heb je weer de uitbreiding van die dataset, en zo kan die telkens qua kwaliteit groeien. Niels: Dus kan je van de afgeleide kan je gaan werken naar de daadwerkelijke uitkomst. Max: Ja, dat is een heel goed punt. Max: Want er is dus een continu feedback loop aan de hand. Max: Dus ook elke berekening die je doet, levert data op die weer wordt in een database terechtkomt. Max: Maar ook de experimenten leveren heel belangrijke data op, die ook weer in een database gaan. Max: En die weer de basis vormen voor een nieuw model. Max: We de volgende iteratie materialen voorstelt. Max: En dat is een soort vliegwiel, wat steeds sneller gaat draaien. Joop: Hebben jullie alles een materiaal gevonden waar je eigenlijk voor iets anders bezig was, en dat het een heel andere eigenschappen had, wat je niet verwacht had. Joop: We hebben aspirine of zo, is een bijproduct van een heel ander experiment geweest. Joop: Zijn jullie tegen zoiets aangelopen? Max: Nee, dat is echt iets voor menselijke ontdekkingen. Max: Ik denk dat als mensen bezig zijn, dan zijn ze aan het experimenteren in het lab en dan vinden ze ineens een eigenschap. Max: Dus meer serendipiteit, maar zeggen. Max: Maar wij zijn echt een zoekmachine. Max: En dan ontstaat er echt een soort van funnel. Max: waarbij we steeds minder betere kandidaten creëren totdat we degene hebben die we willen. Max: Dus wij moeten echt zeggen wat we willen en dan gaan we daar naartoe itereren. Niels: Hoe komen jullie erachter wat jullie willen? Niels: Want er komt er best wel heel veel in de dynamiek omheen. Niels: Kijken van waar wordt het toegepast. Niels: Hoe komen jullie naartoe? Max: Ja, dus dat is een doen we in samenspraak met onze klanten. Max: Maar ook met onze eigen interne experts. Max: Dus we hebben een aantal projecten intern lopen, die worden intern door onszelf gefinancierd, of eigenlijk door onze investeerders als je het zo wil zeggen. Max: Bijvoorbeeld carbon capture is er één van. Max: En ja, dan werken we samen met onze interne experts, maar ook bijvoorbeeld de experts in een lab. Max: Dus we werken samen met A-Star, dat is een groot national lab in Singapore. Max: En daar zitten een heleboel experts bijvoorbeeld op carbon capture. Max: En met hen denken we na over wat de beste eigenschappen is die we willen hebben. Max: Maar als we het op semiconductor, halfgeleiders doen, dan werken we met onze klanten. Max: En dan zeggen we van, nou wat wil je precies hebben. Max: En dan samen denken van oké. Max: En dat de juiste eigenschappen kunnen we die goed simuleren. Max: En dan gaan we naar materialen met die specifieke eigenschappen die die klant wil hebben. Niels: Mooi. Joop: Je zit al best wel heel lang in het vak. Joop: Wat zijn nou de grote veranderingen die je hebt gezien? Joop: En hoe komt het, zeg maar dat je dat je hierin bent geland in CuspAI? Max: Er is heel veel veranderd, inderdaad, toen ik in 1998 aan afstudeerde in de theoretische fysica. Max: Toen ging ik dus naar Caltech. Max: Het was eigenlijk het vakgebied bestond nog nauwelijks. Max: Het was echt een soort van het was een beetje hetzelfde als statistiek op dat moment. Max: En je had het over modellen van 100 parameters of zo. Max: Maar 100 knoppen waar je aan kon draaien en dan ging je dan helemaal uit analyseren dat model. Max: Nu hebben we het over modellen die zeg maar 10 triljoen parameters hebben. Max: Dan heb je dus over één idiote expansie natuurlijk. Max: Maar in de statistiek mensen modellen bouwen die ze proberen helemaal te begrijpen en elke parameter helemaal proberen te begrijpen. Max: Is in de machine learning in de moderne AI kun je niet 10 miljard parameters meer begrijpen of wat ze eigenlijk zelfs maar doen. Max: Het is meer een schaling geworden. Max: Dus het is meer engineering geworden. Max: Dus meer data, meer computer tegenaan gooien. Max: En dan hebben we zogenaamde schalingswetten, leercurves heet het in Nederland. Max: Dat wil zeggen dat je kan voorspellen wat er gebeurt als je meer data verzamelt. Max: Of dat je kan voorspellen wat de verbetering van het model wordt als je meer rekenkrachten tegenaan gooit. Max: En die wetten hebben eigenlijk dit in de industrie gebracht, omdat het nu voorspelbaar werd. Max: En leidt er nu toe dat mensen praten over in de ruimte schieten van rekencenters. Max: Je kan door blijven gaan, het wordt maar beter en beter. Max: Dus dat is echt een grote verandering. Max: Het is gegaan van een wetenschap over modellen naar een engineering effort eigenlijk. Joop: Er was een heel breed oppervlakte waar je je kennis kon inzetten. Joop: Waarom heb je gekozen voor CuspAI? Max: Om ik natuurlijk een achtergrond heb in fysica en ik ben uiteindelijk een natuurkundige in hart en ziel, ik vind het nog steeds een prachtig vak. Max: En het is eigenlijk door mijn hele carrière ook teruggekomen. Max: Dus ik heb ook gewerkt bijvoorbeeld met Taco Co en een student aan symmetrieën in modellen. Max: Dus die theorie van symmetrieën speelt een enorme rol in de natuurkunde. Max: Bijvoorbeeld in het standaard model van de elementaire deeltjes. Max: Dat is natuurlijk hoge energiefysica waar ik eerst in zat. Max: Daar zit allerlei symmetrieën spelen daar een enorme belangrijke rol. Max: En die dachten we toen kunnen we die ook invoeren in neurale netwerken. Max: Want een neuraal netwerk moet eigenlijk kunnen begrijpen dat als ik een object heb, zoals een glas en ik draai het object rond, dat het dan nog steeds een glas is. Max: Het verandert niet omdat ik het ronddraait. Max: Maar gek genoeg begrijpen in een neuraal netwerk dat niet. Max: Dus als ik een glas ondersteboven houden, dan snap je niet meer dat het een glas is. Max: Maar dan kan je er wel in bouwen. Max: En dat hebben we toen gedaan. Max: En daar zie je al dat natuurkunde een enorme belangrijke rol speelde. Max: En dat is eigenlijk. Max: En toen kwam ik er in, nou ja, wat was het, 2020 misschien of zo achter dat AI en machine learning een steeds belangrijkere rol ging spelen binnen de natuurkunde en de chemie. Max: Een goed voorbeeld is natuurlijk AlphaFold. Max: Dat is natuurlijk binnen meer biologie wellicht, maar ook chemie. Joop: Voor degene die niet weet wat AlphaFold is. Max: Oké, de AlphaFold heeft ook de Nobelprijs gekregen, maar voor het eerst eigenlijk een AI onderzoeker heeft dat gekregen. Max: En dat wil zeggen dat als ik een eiwit, eiwit zijn de belangrijkste moleculen in ons lichaam. Max: Als je die bestaan uit zogenaamde aminozuren, dat zijn kleine blokjes met atomen die aan elkaar geknoopt worden in een soort ketting. Max: En als je die aminozuren weet, dan kan je eigenlijk voorspellen wat de driedimensionale structuur wordt als je dat oprolt. Max: Als dat in de wereld, zeg maar, als je die dingen loslaat, dan rollen ze zichzelf op. Max: En de functie van zo'n eiwit wordt bepaald door die driedimensionale structuur. Max: En men kon dat eigenlijk niet goed voorspellen. Max: En toen voor het eerst heeft Google DeepMind dat dus gedaan, dat is een model gemaakt, waarbij je dus die driedimensionale structuur gewoon in een computer kon voorspellen, aan de hand van die aminozuren sequence. Joop: Dat was een enorme doorbraak. Max: En er is een andere doorbraak bijvoorbeeld in de chemie, waarbij je als je een molecuul wil simuleren, al die atomen die wiebelen en die draaien en die vouwen ook, die vouwen ook in een structuur. Max: Als je dat wil simuleren in een computer. Max: Dan is het eigenlijk een enorm probleem omdat elk atoom, daar zit een soort van wolk van elektronen omheen. Max: Dat zijn de allerkleinste deeltjes. Max: Maar die kan je alleen maar beschrijven met kwantummechanica als je het goed wil doen. Max: En dat is enorm duur. Max: Dus dan kan je daar misschien 10 elektronen kan je aan, maar daarna wordt het hopeloos. Max: Er zitten natuurlijk duizenden of tienduizend of nog veel meer elektronen in een materiaal. Max: En toen is er eigenlijk eerst kreeg je een benadering dat heet DFT, density functional theory, dat is ook de Nobelprijs van uitgereikt aan de chemie, dat is al een chemische benadering. Max: En toen hebben mensen eigenlijk grote datasets gecreëerd met die benadering. Max: En toen zijn ze machine learning modellen gaan trainen om te voorspellen wat de kwantummechanische berekening zou opleveren. Max: Dus eigenlijk net is wat ik net vertelde over die eigenschappen bijvoorbeeld. Max: Dus als je maar voldoende data hebt gegenereerd, op een gegeven moment kan je een shortcut maken en dan kan je zeggen, nou laten we nou niet meer de dure berekening doen. Max: En dan gaan we de goedkope berekening via een neuraal netwerk doen. Max: En dat heeft geleid tot een revolutie binnen de chemie. Max: Dat heette machine learning interatomic potentials, of een ander woord is machine learning force fields. Max: En dat zijn voorspellers van de kwantummechanische berekening. Max: En nu kunnen we veel sneller en veel preciezer veel grotere materialen simuleren in een computer. Joop: Is dat ook de schouders waar jullie nu op staan? Max: Ja, zeker. Max: En die ontwikkelen we ook weer verder. Max: Dus dat soort dingen waar we ook weer op verder ontwikkelen. Max: Daar zie je een hele duidelijke interplay tussen machine learning en chemie, en dat heeft mij natuurlijk enorm aangetrokken, omdat ten eerste waren ook een aantal modellen die wij ontwikkeld hadden binnen mijn eigen academische lab, werden gebruikt in de chemie. Max: En in de natuurkunde. Joop: En toen dacht ik, van ja, dat kan ik beter zelf doen. Joop: Het is een prachtig vakgebied. Max: Plus, dat is natuurlijk de wetenschappelijke aantrekkingskracht van dit probleem. Max: Maar ik werd ook wel bezorgd over de maatschappelijke impact van de industrialisering om het zo maar te zeggen. Max: Het klimaatprobleem en de energietransitie waar we doorheen moeten. Max: En toen dacht ik van dit is dé kans om met AI dat proces van energietransitie en klimaatproblemen. Max: sneller op te gaan lossen. Niels: Ik was wel nieuwsgierig. Niels: Hoe ga je van van theorie naar praktijk, waar loop je dan tegenaan? Niels: Van onderzoek naar implementatie. Max: Ja, dat is wat je wat is prachtig natuurlijk wat in een bedrijf gebeurt. Max: Dus daarom wilde ik dit ook, want ik denk van ja, je kan natuurlijk papers schrijven, die hebben een soort van indirecte impact. Max: Dat is allemaal prima natuurlijk, ik ben echt voor onderzoek of gebonden onderzoek. Max: Maar als je echt iets impact wil maken, dan moet je het toch in een soort bedrijf naar de markt brengen. Max: Nou, ik moet wel zeggen dat wij twee jaar geleden begonnen en ik heb toen een technical roadmap geschreven, die ook al over agents praat en al dat soort dingen. Max: En eigenlijk zijn we dat pad nog steeds aan het bewandelen. Max: Dus het is in die zin, je kan echt wel voorspellen wat je moet doen. Max: Maar ja, dan vervolgens kom je in de praktijk moet je het gaan bouwen. Max: We hebben een waanzinnig team. Max: En daar zijn we ook heel trots op, hebben gebouwd wie dit allemaal aan het bouwen is, dat is de machine learning kant. Max: We hebben ook een geweldig team aan de chemiekant en de materiaalkant. Max: En we hebben onze klanten. Max: Dus wat gebeurt er. Max: We hebben een platform ontwikkeld en dan hebben we ons toegepaste materiaalteam, wat dan met dat platform aan de gang gaat en een klant aan de gang gaat. Max: En dan gaan we kijken hoe we die materialen kunnen ontwikkelen. Max: En die interactie tussen klant en ons platform, is waar het echt praktisch wordt om het zo maar te zeggen. Max: En dan is er nog een stap daarna. Max: En dat eigenlijk duurt nog wat langer, als je één keer de materiaal ontwikkeld hebt, dan moet je ook de echte wereld in. Max: En dat is vaak nog extra werk, dat moeten we echt met klanten doen, want het moeten misschien apparaat worden aangepast of fabriek worden aangepast, of het materiaal moet op grote schaal worden geproduceerd. Max: Dat is nog een stap die we wel door moeten. Joop: Ik kan me zo voorstellen dat het best een heel duur traject is. Joop: Hoe ben je aan de investeringen gekomen? Max: Ja, nou, daar heeft mijn co-founder Chad Edwards een hele belangrijke rol gespeeld. Max: Die kwam al van een bedrijf van Titanium op dat moment waar die al een rol had gespeeld in het opschalen van dat bedrijf. Max: En die kende al een aantal investeerders. Max: Dus we hebben eigenlijk vrij vroeg een check gekregen. Max: Die ons aan het werk kon zetten. Max: En een eerste team konden gaan inhuren. Max: En als je één keer op zo'n op een goede curve zit, een groeicurve zit. Max: En je resultaten kan laten zien. Max: En in een relevant vakgebied. Max: Want physical AI, in iets algemenere term, is nu enorm in opkomst. Max: Dus we hebben digital AI, het bouwen van AGI zeggen ze dan. Max: Artificial General Intelligence is nu enorm groot. Max: Maar de stap die erna gaat komen is physical AI. Max: Dat wil zeggen die AI ook in de echte wereld laten opereren via robots en machines en experimenten enzovoort. Max: Dus ja, als je dan je zit in een heel veelbelovend vakgebied, je hebt een fantastisch team. Max: Je laat eerst de resultaten zien. Max: En je kan laten zien dat als dit succesvol is, dan kan dat een enorme impact hebben op de wereld. Max: Dat levert dan investeringen op. Joop: Hoe ziet die samenwerkingen op dit moment uit? Joop: Je had een foundry nu. Joop: Hoe ziet dat eruit? Max: We hebben recent, eigenlijk maandag hebben we de AI Materials Foundry gelanceerd. Max: Dit is een vijftal bedrijven die bij elkaar komen. Max: Van verschillende hoeken naar probleem kijken. Max: Wij kijken natuurlijk vanuit het AI-hoek, de digitale hoek. Max: We hebben een heel aantal labs in die foundry zitten die de experimenten kunnen doen. Max: We hebben computerpartners, zoals Nvidia Meta. Max: En we hebben de klanten die de problemen aanleveren. Max: En het belangrijkste is dat het vakgebied is eigenlijk vrij traditioneel. Max: In de zin van de normale manier van doen, is dat je papers leest, je hebt een team van slimme wetenschappers die lezen papers. Max: En dan denk je, maken ze een hypothese over hoe het volgende materiaal eruit zou moeten zien en dan ontwerpen ze een experiment en dan kijken ze naar de data en dan itereren ze dat. Max: Maar wordt eigenlijk geen AI gebruikt. Max: Dus wij denken dat die bedrijven die stap moeten gaan maken naar een nieuw paradigma waarin AI alles met AI gedaan wordt, een heel groot deel met AI aangedreven wordt. Max: En dat proberen we in die foundry voor elkaar te krijgen door al die partijen bij elkaar te brengen. Max: En daar successen te laten zien. Max: Dus laten ze een aantal materialen met elkaar gaan maken en laten we zien dat dat succesvol is. Max: En dan gaat iedereen die stap maken. Joop: Ik kan me voorstellen dat er vanuit de wetenschap best ook wel wat weerstand is tegen deze manier van kijken. Max: Wat je heel vaak ziet is, ik denk dat ten eerste dat er een heleboel enthousiasme is hoor. Max: Ik denk dat er een heleboel wetenschappers echt wel zien dat dit een hele belangrijke ontwikkeling is voor hen. Max: Maar je kan wat je wel ziet, is dat wetenschappers natuurlijk heel graag willen begrijpen. Max: En op het je dus met een triljoen parameter of model iets voorspelt, dan raak je los van dat begrijpen. Max: En ik denk, daar worden mensen, wetenschappers wat zenuwachtig van. Max: Dus wat het niet gewoon één grote machine waar ik geen idee meer heb wat er gebeurt, en is dat dan nog wel wetenschap. Max: En ik denk dat er een rol is voor alle twee dingen. Max: Ik denk dat het heel belangrijk is dat we blijven begrijpen. Max: En ook dit soort modellen kun je vragen stellen natuurlijk om beter te begrijpen. Max: Maar ik denk ook wel dat er dingen fundamenteel moeilijk zijn te begrijpen voor mensen. Max: En dat je dus betere voorspellingen kan maken en betere materialen kan ontwikkelen als je dat loslaat. Max: Dus met andere woorden, als ik zeg maar met er een materiaal aankomt, maar iemand specificeert wat hij wil hebben. Max: En ik kom in een zwarte doos ontwikkel ik dat materiaal en ik geef het terug, dan kan die persoon wel checken of het materiaal die eigenschappen heeft, ook al begrijpt die wellicht niet hoe het tot stand is gekomen. Max: En ik denk dat we die stap wel moeten gaan maken bij elkaar. Max: Maar ik denk dat ik zie dat er een soort van evenwicht is, waarbij ook wetenschappers dat dan weer gaan gebruiken om beter te begrijpen wat er eigenlijk gebeurd is. Niels: Ja, dus resultaat gedreven, maar de resultaten weer input voor het begrijpen van hoe zijn we daartoe gekomen, eigenlijk ook wat je net al in het platform ook een beetje toelicht, is dat je allemaal verschillende lagen hebt gemaakt om op voor te bouwen en efficiëntie toe te kunnen passen. Max: Misschien het een goed voorbeeld is, zeg maar, AlphaGo of een schaakcomputer die tegenwoordig zo goed is dat die elk mens verslaat. Max: Dat is natuurlijk voor een schaker ook heel vervelend. Max: Want dan denk je van ja, maar wat gebeurt daar nou? Max: Ik begrijp niet meer wat die aan het doen is. Max: Aan de andere kant, in eerste instantie was dat ongemakkelijk, aan de andere kant spelen mensen nu met die schaakcomputers om hun eigen spel weer te verbeteren. Max: Dus het wordt een soort nieuw evenwicht tussen de schaker en de computer. Max: En zo gaat dat ook tussen de wetenschappers en de computers. Joop: Ja, mooi, mooie vergelijking. Joop: Ik was wel even benieuwd. Joop: Je zei net van physical AI. Joop: Misschien moet je ze direct nog heel even uitleggen wat je daarmee bedoelt. Joop: Maar je zegt dat komt na AGI. Joop: Vind jij ook echt dat dat de volgorde is? Max: Ja, en dat heeft ermee te maken dat de echte wereld, de fysische wereld, is gewoon ingewikkelder, langzamer, meer frictie dan de digitale wereld. Max: In de digitale wereld, een LLM of de moderne chatbots, daar voeren ze ongelooflijk veel data in. Max: Het hele internet en nog veel meer gaat daarin. Max: En dan ontstaat er een soort intelligentie, puur digitale intelligentie waarmee je kan converseren. Max: Maar die kan nog niks in de echte wereld doen. Max: Een zelfrijdende auto is misschien een goed voorbeeld. Max: Dat was eigenlijk de eerste stappen voor physical AI, of misschien de robots die in fabrieken staan te werken, een zelfrijdende auto is ontzettend ingewikkeld. Joop: Ja, dat blijkt. Max: Dat duurt duidelijk langer om dat voor elkaar te gaan. Max: En dat heeft ermee te maken dat het veilig moet zijn, altijd veilig moet zijn. Max: En er is altijd een hele lange staart van uitzonderingen die moeten worden behandeld om ervoor zorgen dat er niets fout gaat. Max: En dat is nog een relatief simpel probleem als je erover nadenken, want die auto moet op de weg en de regels zijn heel duidelijk. Joop: Het zijn letterlijk vangrails. Joop: Ja, er zijn net vangrails. Max: Maar als je nou een robot, een humanoid robot loslaat in de wereld. Max: Dat is nog een veel ingewikkelder probleem. Max: Maar we zien dat bijvoorbeeld ook bij het experimenteren van dingen. Max: Dus op het moment dat wij in een computer kunnen we een heleboel berekeningen doen en dan komen we met een voorstel. Max: En dan vervolgens moet er een experiment gedaan worden. Max: Dan loop je ineens tegen dingen aan als oh, mijn apparaat is kapot. Max: Oh, ik moet nog een of andere chemisch stofje bestellen, maar dat is op bij de leverancier. Max: Allemaal van dat soort dingen, ook juridische dingen loop je tegenaan. Max: Dus alles vertraagt enorm wanneer het in contact komt met de fysische wereld. Max: Maar dat is nu wel wat de volgende stappen zijn. Max: Je ziet een heleboel bedrijven, zoals ook Prometheus is ook een voorbeeld van zo'n bedrijf, die echt proberen de AI naar de fysische wereld toe toe te brengen. Niels: Is de world models waar nu aan gewerkt wordt, is dat zo'n stap om te beschrijven wat gebeuren in de visie en begrijpen we dat? Max: En wat bedoel je met world models? Joop: Voor mijn beeld, ik weet ik ben er ook geen expert in, maar voor mij wil je de world models, de world models. Max: Ja, world models, zijn modellen die proberen te beschrijven te simuleren nog steeds digitaal. Max: Hoe je kan plannen in een echte wereld. Max: Dus met andere woorden, de moderne LLM's doen dat niet. Max: Die pakken gewoon informatie en die proberen zinnen af te maken om het zomaar te zeggen, waar ze toch wel heel intelligent van worden. Max: Maar de world models die zeggen eigenlijk het moet eigenlijk meer zo zijn zoals mensen denken. Max: Dus als ik jou vraag van wat gebeurt er als je met een fiets tegen een boom aan rijdt, dan zie je waarschijnlijk in je hoofd al dat gebeuren. Max: En dan denk ik van moet ik niet doen. Max: Hoofdpijn van. Max: En dat is eigenlijk zoals world models werken. Max: Dus je probeert niet op het niveau van individuele pixels, een video te maken, maar je probeert het eerst te abstraheren naar concepten. Max: Dat wil zeggen een mens en een fiets en een boom, en dan zie je iets vaags gebeuren en denk je van oké, dat is niet goed. Max: En dat is een world model, dus abstraheren naar concepten, in die concepten de wereld te simuleren, de fysica te simuleren, of misschien zelfs de psychologie van mensen te simuleren. Max: En dan tot een conclusie te komen van wat moet ik wel en wat moet ik niet doen. Joop: Denk dat dat echt gaat komen ook? Joop: Ja, zeker. Joop: Waarom waarom zulke zekerheid? Max: Die world models, dat is echt een relatief kleine stap. Max: Dat doen een heleboel mensen al dit. Max: Dit is al realiteit. Max: Dus eigenlijk is het wat er eigenlijk al gebeurt, is dat modellen die bouwen al abstracties. Max: Dat heet dan een latent variable of een code of een embedding soms. Max: Dat zijn dus representaties van de wereld. Max: Die heel abstract zijn. Max: En die eigenlijk de concepten, de grote concepten beschrijven in deze wereld. Max: En daar redeneert men over. Max: Dus dat is eigenlijk gebeurt al zo. Max: Maar world models is een soort van meer expliciete vorm daarvan. Max: Dus dat zijn niet grote stappen. Max: Ik denk de grotere stappen zijn werkelijk robots aan sturen in de wereld. Max: Maar ook zodanig dat het allemaal veilig is. Max: Dat er geen rare dingen gebeuren, natuurlijk. Joop: Wat zijn ontwikkelingen die jij nu ziet? Joop: Waar denk ik, zeg maar de gemiddelde kenniswerker, die heeft daar geen idee van. Joop: Wat komt er over drie jaar? Joop: waar wetenschappers nu mee bezig zijn? Joop: Wat de meeste mensen nog niet zien. Max: Drie jaar is werkelijk een enorme tijd. Max: Zoals zo snel alles nu gaat. Max: Ja, ik denk voor mij. Max: Ik denk dat er een grote ontwikkeling komt in hardware, dat is sowieso. Max: AI licht hardware. Max: En onder hardware ligt ook weer AI. Max: Om nieuwe hardware en halfgeleider materialen te ontwikkelen, moet je ook weer AI gebruiken. Max: Op dit moment is de huidige hardware nog ontzettend energie-inefficiënt. Max: En dat heeft er eigenlijk mee te maken dat in het huidige paradigma van rekenen, dat heet het van Neumann paradigma, waarbij je met transistors werkt die aan- en uit moeten, die moet je schakelen. Max: En je moet een extern geheugen waar data steeds heen en weer moet worden bewogen, dat is eigenlijk allemaal heel energie-inefficiënt. Max: Dus als je kijkt naar het menselijk brein. Max: Dat is een miljard keer meer energie-efficiënt dan onze huidige hardware. Max: En ik denk dat we in de industrie zijn mensen natuurlijk heel blij met die schalingswetten, maar uiteindelijk loopt dat tegen een dak aan. Max: Op een gegeven moment is het, als je een nucleair reactor moet bouwen om je datacenter aan te gaan krijgen, dan moet je misschien gaan denken, misschien hebben we het einde van deze schalingswet bereikt. Max: Maar dan kan je natuurlijk nog wel gaan innoveren. Max: Dan kan je wel gaan denken van oké, maar hebben we dat eigenlijk wel nodig, deze vorm van hardware? Max: Moeten we niet meer zoals het brein proberen intelligentie te creëren? Max: En ik denk dat er dan een impuls ontstaat, of een prikkel ontstaat om meer van dat soort dingen te gaan doen. Max: Dus ik zie de hardware nog echt wel heel erg ontwikkelen. Max: En dus die visie AI. Max: Dus ik denk dat de volgende stap echt gaat worden om de interface tussen AI en de echte wereld, daar gaan mensen zich nu op concentreren. Joop: En betekent dat dan ook dat je dan zegt. Joop: Misschien zijn we dan weer terug bij CuspAI. Joop: Dat er dus nieuwe materialen ook nodig zijn met andere eigenschappen. Joop: Die dit gaan helpen, dat je de hardware. Max: Zeker aan de hardware kant. Max: Dus zij zitten heel erg in de halfgeleidersindustrie. Max: Dus als je kijkt naar de bedrijven die in onze foundry zitten, dan zie je ook het meeste zijn halfgeleider bedrijven. Max: Daar gaat een enorme ontwikkeling plaatsvinden. Max: Iets technischer, wat er dus gebeurt, is nu dat normaal proberen we. Max: En daar speelt ASML een enorme rol en natuurlijk de schaal van de structuren die we op die chips proberen te krijgen, die wordt steeds kleiner. Max: En daar heb je dus die EUV-machines van ASML voor nodig. Max: Maar dit is over het algemeen nog tweedimensionaal. Joop: Dus je pak een vlak en je maakt die structuurtjes die maak je kleiner en kleiner. Max: Maar op een gegeven moment zit je op het niveau van atomen en dan kan je niet kleiner, want dat is het. Max: En dan zijn ze. Max: Ze kunnen nog even wat kleiner, maar dan is dat echt een stopt het. Max: En dan gaan ze in drie dimensies. Max: Maar als je in drie dimensies gaat stekken, dus een hoop van die dingen bovenop elkaar gaat zetten, dan heb je een warmteprobleem. Max: Want er wordt zoveel energie verbruikt dat er heel veel warmte ontstaat, en dat moet uit die chip. Max: Want anders wordt het veel te heet. Max: En daar heb je weer allerlei nieuwe materialen bijvoorbeeld voor nodig. Max: En daar kan onze platform goed bij helpen. Joop: Je hebt best wel een advisory board, is het geloof, noem je het. Joop: Advisable waar interessante mensen in zitten die helpen, dus ASML zit daar onder andere ook in. Joop: Wat voegen die toe aan de ontwikkeling van CuspAI. Joop: ASML zit er niet in, maar Martin van der Brink en Maarten van de Brink ondertussen met pensioen, maar hij was de vorige CTO en president van ASML. Max: Natuurlijk een enorme eer om hem in die board te hebben. Max: Ik vind het ook heel leuk om met hem te sparren over dingen. Max: Dus de verschillende mensen hebben verschillende rollen in die board. Max: Dus sommigen die helpen met het openen van deuren. Max: Dus die sturen een e-mailtje en die zeggen, je moet eens met CuspAI praten en dat helpt enorm. Max: Anderen zijn meer hands-on en die hebben echt van praat ik regelmatig mee om te vragen van hoe kan ik nou het beste in die semiconductorindustrie binnenkomen met dit. Max: Hoe krijg ik mensen nu enthousiast voor dit soort nieuwe technologie. Max: En ja, op die manier helpen deze mensen ons CuspAI verder uit te bouwen. Niels: Ik was nog wel nieuwsgierig. Niels: Niet iedereen gaat, en iedereen weiniger zitten in het creëren van nieuwe materialen gaat, maar we kennen wel deze technologie gaat. Niels: Wat voor tips zou je die kunnen geven? Niels: Die misschien nog niet genoeg AI inzetten in hun werkzaamheden met de lessen die je geleerd hebt over de afgelopen jaren. Max: Dit is misschien een bredere vraag. Max: Ik denk dat de introductie van AI in bedrijven zal tijd in beslag nemen. Max: Ik denk wel dat het enorm belangrijk is. Max: Het eerste wat je moet doen is je data op orde krijgen. Max: Dus stap één wat ik al tegen iedereen zeg. Max: De meeste mensen en bedrijven die met materialen zijn, gooien hun data weg. Max: Of hebben nog handgeschreven notes of experimenten. Max: Maar zeker alle experimenten die mislukt zijn, die worden gewoon weggegooid. Max: En dat is enorm enorm waardevol. Max: Maar dit is een bredere les die je kan leren. Max: Dus elk bedrijf, stap één is, zorg dat je al je data op orde hebt. Max: Want daarmee kan je je systemen. Niels: En als je zegt data op orde, waar denk je dan aan? Max: Nou, dat wil zeggen dat je eigenlijk begint met alles te bewaren, maar ook te organiseren in databases. Max: Die je goed kan zeg maar cureren. Max: En waarbij je bijvoorbeeld substukken van die data eruit kan halen met search queries om ervoor te zorgen dat je een dataset kan creëren om een bepaald model te trainen. Max: Dus er zijn dit soort van database technologie is dat om dat netjes net allemaal binnen te halen, maar ook de metadata goed te hebben. Max: Dat je dat je ook zegt van oké, dit experiment is gedaan of deze data is gecreëerd op deze manier, met deze parameters op deze tijd, door deze persoon. Max: Dat helemaal keurig netjes op orde hebben. Max: En daarna is het echt gaan experimenteren. Max: Dus sluit is een van de grote chatbedrijven. Max: Chatbots aan op je data. Max: Zo of dat het natuurlijk netjes safe is enzovoort. Max: Maar ga eens experimenteren, want die modellen die bewegen ongelooflijk snel, die kunnen ontzettend veel. Max: En daarmee kan je echt je bedrijf ook efficiënter maken en beter maken. Max: En ik denk dat degene die dit proces snel gaan doorlopen. Max: Dus de eerste zijn die dat gaan doen en die gaan experimenteren. Max: Die zullen een voordeel opbouwen in deze wereld. Joop: Die data-analyse capaciteit zijn waanzinnig. Max: Dat is ongelooflijk. Max: Ik heb recent was er iemand in ons bedrijf. Max: En die heeft gewoon alle data gepakt die bij ons bedrijf wordt verzameld. Max: De e-mails en ook de transcripten van de van de gesprekken die we hebben via onze zoom-achtige omgeving. Max: Het is Google Hangout omgeving. Max: Die worden allemaal bij elkaar gebracht. Max: En dan wordt geanalyseerd, hoe we hoe je beter het bedrijf kan draaien te krijgen. Max: En welke welke materialen worden besproken. Max: En welke technologieën worden besproken. Max: En welke technologieën zouden we moeten ontwikkelen voor welke materialen en zo worden. Max: Dus die hele analyse kan worden gedaan al. Max: En dat wordt natuurlijk alleen maar beter. Max: En dat geldt voor elk bedrijf. Max: Elk bedrijf kan op die manier analyses doen van hoe het bedrijf functioneert. Max: En daar optimalisatieslagen in maken. Niels: Wat ik ook mooi vind, is omdat je weet wat er besproken is, kan je ook gaan nadenken over wat er niet besproken is. Niels: En daar de tijd voor hebben om te gaan kijken, maar wat hebben we misschien nog niet bekeken of nog niet besproken. Max: En dat kan je ook weer vragen aan zo'n chatbot. Max: Die kan je vragen van missen we hier iets bijvoorbeeld en dan doet die een analyse. Joop: Waar hoop jij dat deze technologie zich naartoe gaat ontwikkelen? Max: Specifiek de technologie binnen CuspAI? Joop: Nee, AI in het algemeen. Max: Nou, ik denk dat we voor een grote uitdaging staan, want er zijn ook heel veel negatieve uitwassen van zo'n technologie. Max: En dat heeft natuurlijk te maken met beïnvloeding van mensen het verslaafd maken aan dit soort technologie, maar ook phishing, security-achtige dingen. Joop: Dus die technologie is natuurlijk heel krachtig. Max: En het heeft zoals elke technologie er positieve en negatieve kanten aan. Max: Het gaat allemaal heel snel en het wordt dus ook heel disruptief. Max: Dat is één ding wat zeker is. Max: En het gaat dus ook een grote impact hebben op de arbeidsmarkt. Max: Dus sommige banen zullen heel drastisch veranderen of zelfs verdwijnen en er komen weer een heel rap tempo andere banen bij. Max: Dus we moeten ons daar we staan voor de uitdaging om dat in goede banen te leiden. Max: En ik denk soms wel eens dat de technologie gaat zo hard, maar het begrip daarvan, maar ook vooral de juridische kant daarvan, wellicht wetgeving om het in goede banen te leiden, gaat te langzaam. Max: Relatief ten opzichte van de technologie. Max: En ik denk als ik één ding zou aanraden, is om dat proces te versnellen. Max: Dus het proces van monitoren wat er gebeurt. Max: En het maken van wetgeving of regels om ervoor te zorgen dat het in goede banen geleid wordt. Max: Dat proces moet efficiënter en sneller. Joop: Je vind dat dat nu in Europa niet zo is? Max: De hele wereld. Max: Het is gewoon zo dat de juridische processen zijn inherent trager dan de technologie. Joop: Hoe zou je dat dan loopt uiteindelijk altijd achter juridische processen? Max: Ik denk dat we moeten nadenken over een innovatieslag binnen binnen de juridische wereld wellicht. Max: Dus je kan je voorstellen al dat je een soort van groep mensen hebt, net zoals bij COVID, had je ook zo'n soort team. Max: En wat eigenlijk continu monitort wat er gebeurt in de wereld. Max: Je kan ook een soort rapid response team creëren voor AI, waarbij een aantal experts continu aan het monitoren zijn. Max: Wat gebeurt er? Max: Wat zijn de negatieve en positieve kanten? Max: En dan als er iets dreigt wat negatief is, om daar dan heel snel wetgeving voor te creëren. Max: En dat moet op de een of andere manier misschien ook op een andere manier dan het nu gaat. Joop: En als we hem omdraaien, dat je ziet wat er wat heel positief is, zouden ook iets mee over inzetten. Max: Dat kan ook sneller, ja, want er zijn natuurlijk een heleboel ontwikkelingen die heel positief zijn. Max: En daar liggen kansen voor Nederland en het Nederlands bedrijfsleven om meteen op in te zetten. Max: Ja, absoluut zo. Joop: Welke kans wordt nu gemist, ja, dat is een goede vraag. Niels: Ik denk dat ik denk dat op dit moment een moeilijke vraag. Joop: Ik wil natuurlijk CuspAI zeggen naast kussen. Joop: Aan de ene kant. Joop: Ik ben het met je eens. Joop: Maar aan de andere kant, we hebben net over ASML, we hebben het over jouw bedrijf, er gebeuren ook hele mooie dingen in Nederland. Joop: En we zijn wel heel snel geneigd om te zeggen, er gebeurt niks in Europa loopt achter en we kijken alleen naar Amerika en China. Max: Ik heb hier wel een antwoord op. Max: Ik denk wat we in Nederland niet snel genoeg doen, bijvoorbeeld, we zijn niet wendbaar genoeg. Max: Bijvoorbeeld één ding is dat we veel sneller computerinfrastructuur moeten neerzetten. Max: Dat is in principe een gemiste kans. Max: Omdat op het moment dat we alleen maar afhankelijk zijn van de Amerikaanse datacenters of de Amerikaanse modellen, dan levert dat natuurlijk een enorme kwetsbaarheid op die we eigenlijk niet willen. Max: Het andere is denk ik dat we het weer met het juridische kant te maken, dat we de permits veel sneller moeten gaan uitgeven. Max: Om bedrijven de mogelijkheid te geven om veel sneller te gaan bewegen. Max: Dus ik denk dat als je de randvoorwaarden goed creëert, dit is eigenlijk in lijn met het Wending rapport ook, maar als je de randvoorwaarden in Nederland goed creëert, dan moet je eigenlijk de verdere innovatie overlaten aan het bedrijfsleven. Max: En dat kan ook heel goed. Max: We zijn er heel goed in, maar we lopen in Europa vaak aan tegen dingen die alles maar vertragen. Max: Dus we hebben niet voldoende computer, we hebben niet voldoende permits kunnen we krijgen om snel te schakelen. Max: Het is moeilijk om klanten te vinden in Europa. Max: Want het is natuurlijk vele juridische regionen die allemaal door elkaar heen lopen. Max: Dit soort dingen zijn allemaal prima beschreven in alle rapporten die er allemaal beschreven. Max: Het enige is dat we in Nederland meer actie moeten nemen. Max: Dus we kunnen het allemaal fantastisch analyseren. Max: Maar het gaat te traag om ook werkelijk de actie te nemen. Max: Dus als ik als we één ding zouden moeten doen in Nederland. Max: Het is niet een gemiste kans op het niveau van dat specifieke stukje AI. Max: Om het bedrijfsleven en de kennisinstellingen snel te laten schakelen. Max: En dan denk ik dat het allemaal dat we in een goede plek terecht komen om al die kansen te pakken die er nou liggen in AI. Niels: Ik wilde ook nog even richten. Niels: Want ik voel een beetje een afsluiter aan komen, ook gezien de tijd inderdaad. Niels: We zijn in contact gekomen dankzij World Summit AI, een conferentie die tien jaar geleden ook in Amsterdam is geland. Niels: En daar was je ook bij de eerste en Joop was ook bij de eerste. Niels: Ik was wel benieuwd inderdaad, wat is de grootste verrassing geweest van tien jaar geleden, toen je voor de eerste keer bij World Summit AI stond tot nu. Niels: Met de technologie AI. Max: Ik ben vele keren verrast wel door de snelheid waarmee alles gegaan. Max: Dus ik denk dat ik werd verrast door bijvoorbeeld toen we ineens plaatjes konden genereren van enorme hoge kwaliteit. Max: Dat had ik ook niet zien aankomen dat dat zo goed zou worden en nu video's. Max: En natuurlijk ook wat wel verrassend is, is dat je als het enige wat je probeert te doen in zinnen af te maken, je toch toch een vorm van intelligentie creëert. Max: Sommige mensen zeggen dan van ja, maar het is een statistical parrot. Max: Dat wil zoiets zeggen als het enige wat je doet, is je zin afmaken, want daar is die op getraind. Max: Maar dat doet tekort aan wat er werkelijk is gebeurd. Max: Deze systemen zijn werkelijk creatief intelligent aan het worden. Max: En er gebeurt dus meer in al die complexiteit die we genereren. Max: En dat is toch weer verrassend, dat we met zo'n simpele leerregel zo'n complex en intelligent systeem kunnen bouwen. Max: Ik denk dat niemand daadwerkelijk heeft zien aankomen. Max: Door maar gewoon te schalen, meer data, meer computer tegenaan gooien en een vrij simpele manier van trainen. Max: We modellen kunnen creëren met deze intelligentie. Max: Dus dat is wel echt wel verrassend geweest. Niels: En ook een mooi blik richting de toekomst, wat er dus nog meer allemaal mogelijk gaat zijn als we inderdaad hierop voort gaan bouwen. Niels: En ook met de nieuwe materialen aan de slag kunnen gaan. Joop: Dankjewel, Max voor al deze inzichten. Max: Ja, jullie ook bedankt, dat is leuk. Joop: Leuk dat je luisterde naar deze aflevering, vergeet je niet te abonneren via je favoriet podcast app, dan mis je geen aflevering. Niels: En wil je naar de World Summit AI dit jaar, vergeet dan niet. Niels: Wij zijn communitypartner en we hebben een kortingscode voor jullie ook beschikbaar. Niels: Dus wil je veel meer horen over deze technologie en waar het dan wordt toegepast en hoe dat wordt toegepast, kom dan naar de World Summit AI.