Latest / AI Report / Nederlandse gaming-database waardevolste AI-grondstof + Google Gemini 3 verslaat alle modellen

Transcript

Nederlandse gaming-database waardevolste AI-grondstof + Google Gemini 3 verslaat alle modellen · AI Report

• 0:01
  Welkom bij AI Report, de Nederlandse podcast over kunstmatige intelligentie, waar we uitzoeken welke invloed AI heeft op ons werk, ons leven en de samenleving. Er is een nieuwe nummer één in de AI race.
• 0:13
  Google lanceert Gemini drie en het model levert enorme vooruitgang op en we gaan je daar uitgebreid over bijpraten. Nvidia meldt deze week explosieve groei en dat sust de angst weer op de beurzen voor een AI bubbel.
• 0:28
  En we spreken met Pim de Witte. Dat is een Nederlandse ondernemer die onlangs een overnamebod van OpenAI weigerde van een half miljard dollar.
• 0:37
  Je hebt waarschijnlijk nog nooit van hem gehoord of van zijn bedrijf, maar misschien is hij naast ASML wel de belangrijkste sleutel voor onze Europese en Nederlandse autonomie.
• 0:46
  Een ongelooflijk interview hoor je straks in deze podcast. Dat en meer in AI Report. Veel plezier! [muziek] Ja Wytse, eindelijk is het er dan.
• 1:05
  Gemini drie. Je zit er al maanden over te ouwehoeren. [lacht] Ik heb het misschien al vier keer aangekondigd dat het eraan ging komen. Nou ja, god, je hebt er geen datum bij gezegd. Nee. En het.
• 1:14
  Het kwam wat later dan ik dacht, maar het is er. Ja, het moest nog even doorbakken. We gaan het er uitgebreid over hebben. Maar eerst al het AI nieuws in drie minuten.
• 1:22
  Ja, het nieuwe AI vlaggenschip model van Google neemt de leiding over. En het is geen typische model release.
• 1:28
  Waar Gemini 2.5 Pro alleen beschikbaar was voor ontwikkelaars, rolt Google Gemini drie meteen uit over alle platforms. De Gemini app, Google Search met haar 2 miljard gebruikers per maand.
• 1:39
  Dus we gaan hier veel van merken. Op vrijwel alle benchmarks, dat zijn de tests die prestaties van AI modellen meten, scoort Gemini drie beter dan alle andere modellen.
• 1:49
  In sommige belangrijke tests, zoals de beruchte ARC AGI Challenge, bijna het dubbele resultaat van GPT 5.1. OpenAI's nieuwste model. Die is nog maar hoe lang oud nu? Een week? Zoiets. Max twee weken. Ja.
• 2:01
  Nvidia meldt explosieve groei. Het bedrijf rapporteerde $ 57 miljard omzet in het afgelopen kwartaal. En dat is een stijging van 62% vergeleken met vorig jaar. Ongelooflijk.
• 2:11
  De cijfers kwamen op een moment dat beleggers zich zorgen maken over een AI bubbel. Grote investeerders zoals Softbank en Peter Thiel verkochten recent hun aandelen Nvidia en dat zet de boel behoorlijk onder druk.
• 2:22
  De CEO van Nvidia probeerde die angst weg te nemen. Hij zegt dat er veel gesproken wordt over een AI bubbel, maar dat we eigenlijk pas aan het begin staan en dat deze cijfers dat supporten.
• 2:32
  De beurs reageerde direct positief op deze goede resultaten en de verwachtingen van volgend kwartaal, met 5% groei van het aandeel na beurs.
• 2:41
  En Chinese staatshackers hebben Claude Code gebruikt om dertig bedrijven en overheidsinstanties te hacken. De AI deed 80 tot 90% van het werk zelfstandig. Van netwerk, van netwerken scannen tot backdoors installeren.
• 2:55
  Claude voerde bijna de hele aanval zelf uit en dit is volgens Anthropic de eerste gedocumenteerde grootschalige cyberaanval zonder substantiële menselijke tussenkomst.
• 3:06
  De aanvallers hakten de, hakte in die aanval, uh, ja, de boel op in kleine taakjes. Kleine hacker, uh, taakjes zou je kunnen zeggen.
• 3:13
  Elke subagent kreeg van Claude maar een klein stukje van de puzzel te zien en Claude dacht dat hij gewoon wat aan het scannen was.
• 3:19
  Maar, uh, stiekem was dat ding dus allerlei foute dingen aan het doen en daar zijn ze achteraf achter gekomen. En voordat dat paniek oplevert. Claude bleek geen perfecte hacker gelukkig.
• 3:29
  De AI verzon regelmatig inloggegevens, beweerde geheime informatie te hebben gestolen die gewoon publiekelijk beschikbaar was.
• 3:36
  Toch heeft Anthropic de accounts natuurlijk geblokkeerd en zijn de maatregelen volgens het bedrijf aangescherpt.
• 3:42
  Daar gaan we het uitgebreid hebben over het hoofdonderwerp van deze aflevering, namelijk de release van Gemini drie. Wat maakt dat model allemaal zo bijzonder? En waarom neemt Google nu de leiding?
• 3:51
  Maar eerst hoor je van Marjan en Lucas van Dept. [muziek] Hi, hier marketing en tech bureau Dept. Elke week bespreken we hoe wij merken helpen in de wondere wereld van AI.
• 4:02
  Deze week: hoe we reclames schalen voor een grote retailer zonder de kracht van menselijke creativiteit te verliezen. Lucas. Yes! Nou, ik denk dat dit een goed voorbeeld is van the best of both worlds.
• 4:13
  Want voor een grote retailer hebben we een oplossing gemaakt die hen in staat stelt reclames schaalbaar relevant te maken zonder dat we de hele commercial met AI hoeven te maken. Wat leuk! Vertel eens.
• 4:23
  Ja, nou, zoals je weet, uh, was het tot nu toe haast onmogelijk om mensen consistent opnieuw te genereren met AI. In hippe taal character consistency, ge-, uh, uh, noemen ze dat.
• 4:32
  Uhm, maar dankzij Nano Bananen en Fio 3.1 van Google, een AI image generator en een video creator, is dit nu wel mogelijk.
• 4:41
  Uh, heel concreet betekent dit dat we de hoofdrolspeler van de commercial, wat gewoon een acteur van vlees en bloed was zoals jij en ik, met AI hebben nagemaakt en dat we daardoor oneindig veel, uh, verschillende producten konden laten zien via hem.
• 4:53
  Zonder dat we uren en dagen in de studio hebben gestaan omdat hij iedere keer het volgende productje moest vasthouden wat wij dan weer gingen filmen.
• 5:00
  En hierdoor kunnen we in hoge kwaliteit merk en performance samenbrengen doordat we de commercial met het meest relevante product naar de juiste doelgroep kunnen pushen.
• 5:08
  En dit is geen overbodige luxe in een funnel, uh, die steeds platter wordt. Dat begrijp ik. Hey! En kunnen merken hier dan makkelijk mee aan de slag? Ja, makkelijk.
• 5:16
  Het vraagt een investering om ervoor te zorgen dat we de AI zo inrichten en trainen dat het naadloos voor jouw merk en, uh, specifiek commercial werkt. Want hier wil je echt op de kwaliteit geen concessies doen.
• 5:26
  Maar ja, het is zeker ook voor andere merken mogelijk om hiermee aan de slag te gaan. En de schaal en de relevantie die je ermee kunt bereiken is, uh, echt van een andere orde. Check. Kortom: niet afwachten, maar doen.
• 5:37
  Wil je weten hoe je jouw commercials kunt schalen met AI zonder in te leveren op kwaliteit? Kijk dan op Dept agency dot com slash AI report. Tot volgende week! [muziek]Ja, daar is het dan.
• 5:52
  Gemini drie, het nieuwe vlaggenschip van, uh, Google.
• 5:56
  OpenAI werd ooit opgericht als bedrijf omdat de mensen erachter doodsbang waren dat als Google de AI-wereld zou domineren, er eigenlijk geen alternatief meer zou zijn.
• 6:07
  En die angst, die is misschien een beetje profetisch aan het worden, want die gigant die lange tijd achter de rest aan sukkelde, dan bedoel ik dus Google, pakt nu de leiding.
• 6:16
  Het is de eerste keer dat er net zoveel hype is over een Gemini-release als over ChatGPT of Claude. En het internet staat vol indrukwekkende demo's.
• 6:25
  We zagen bijvoorbeeld hoe een programmeur in één prompt een complete 3D Lego-editor bouwde waarmee je blokjes heen en weer kan slepen.
• 6:32
  Is de chief AI scientist van DeepMind die aan, uh, Gemini vroeg: bouw een beautifully simple game that plays itself. En hij deed dat gewoon.
• 6:41
  Het-- je hoeft Twitter maar door te scrollen op dit moment en het is één lange brij aan mensen die dat ding allemaal boeiende dingen laten programmeren.
• 6:48
  Wat, wat maakt tot nu toe het meeste indruk op jou van wat mensen ermee gemaakt hebben? Nou, een beetje de, de front-end, dus dat is eigenlijk de voorkant van het web. Dus de website zelf en dan hoe het eruit ziet.
• 6:58
  Daarop, de andere modellen creëren best wel typische AI-uitziende websites. Vaak de kleur roze en paars bijvoorbeeld. Is dat zo?
• 7:06
  Ja, je hebt iets van AI pink heet dat zelfs volgens mij, omdat ze een soort van doorgetraind zijn en over gefit zijn op die typische soort blockchain startup websites. Ja, ja.
• 7:15
  En, uh, je hoeft eigenlijk maar heel weinig te draaien aan Gemini. Je hoeft hem maar heel weinig uit te dagen, zeg maar. Hij maakt mooie dingen.
• 7:22
  Ja, je kan dan bijvoorbeeld zeggen: maak er een brutalist, uh, uh, website van of zo en dan, dan heeft hij door op een of andere manier: oh, oké, jij wil een hele andere kant op qua esthetiek.
• 7:31
  Dus, uhm, het is niet heel moeilijk om esthetisch interessante dingen te maken met Gemini en dat is wel even een, een nieuwe stap. En
• 7:39
  wat ik een bizarre demo vind, is vragen aan Gemini: als je nou naar deze website kijkt en naar deze website kijkt, kan je die dan blenden en nabouwen?
• 7:48
  Dus eigenlijk: dit is wat ik mooi vind, doe het daarmee en dan kom je, zeg maar, wel in een soort nieuw territorium van iets wat veel origineler eruit ziet. Of in ieder geval unieker dan wat we voorheen uit AI kregen.
• 8:01
  Ja, precies, omdat je meer je smaak eigenlijk kan meenemen erin. En blijkbaar is de inherente smaak van het model los genoeg om overruled te worden door jou.
• 8:11
  En dat was ook in het verleden het probleem dat je best wel een magiër moest zijn om dat ding uit die AI pink te krijgen, zeg maar.
• 8:18
  We gaan het dadelijk hebben over de benchmarks en ook over, uh, ja, hoe Google dit gedaan heeft. Maar toch nog even bij wat mensen ermee kunnen. Het model is beter in schrijven geworden, zie ik de hele tijd terugkomen.
• 8:31
  Wat, wat heb jij daarvan gezien? De teksten zijn prettiger om te lezen en voelen professioneler. Het is wel zo dat in de algemene zin Gemini een vrij saai model is. Dat is- Saai? Ja, dus weinig persoonlijkheid bedoel ik.
• 8:43
  En dus daarom zeg ik professioneel schrijven.
• 8:45
  Uh, Google lijkt ervoor te kiezen om in plaats van wat OpenAI en Anthropic wel doen, juist weinig persoonlijkheid te geven aan het model en het echt zien als een tool die jou assisteert in plaats van jouw schrijfmaatje die een bepaalde kleur heeft of een bepaalde manier van doen.
• 9:02
  Uh, dus het professioneel schrijven, uh, dus snel one shot, hè, dus in één keer, uh, vragen en krijgen.
• 9:09
  Komen daar A4'tjes uit met stukken tekst erop die blijkbaar prettig weglezen als een soort neutraal professionele teksten. Dus dan hebben we het maken van dingen, het programmeren van dingen, uh, het schrijven.
• 9:21
  Wat zijn nou meer soort van direct zichtbare- Nou, wat, wat Google nu, uh, gedaan heeft, is ook kijken naar die agentic tasks, hè, dus een beetje in, in, in, uh, kan een model langdurig aan de gang blijven en zelf inzien waar nog data gehaald moet worden, hè, dus hoe vaak het moet, in dit geval Google op moet, hè.
• 9:41
  Gemini gaat natuurlijk zelf Google gebruiken, want het is hetzelfde bedrijf, om extra informatie te halen. Toch nog even nakijken. Toch nog even die berekening opnieuw.
• 9:49
  En die hele, uh, dat, die stappen van zelf in cirkeltjes blijven draaien en zeggen op een gegeven moment: ik heb nu genoeg, ik ga de conclusie aan de eindgebruiker geven.
• 9:58
  Dit leerden wij als eerst kennen in de vorm van deep research van OpenAI destijds, hè. Kan maar 30 minuten duren bijvoorbeeld.
• 10:04
  Nu kan eigenlijk Gemini ook heel goed in een mooie cirkel blijven, daar niet uitvallen of wegslaan, weggaan in een straatje waar hij nooit meer terugkomt, maar gewoon mooi in een cirkel blijven en dan stoppen op het juiste moment en ook nadenken wanneer nodig.
• 10:19
  Want dat blijft natuurlijk een beetje het moeilijke. Is dit een vraag waar ik in 3 seconden op kan antwoorden of moet ik echt even onderzoek gaan doen?
• 10:25
  En eigenlijk is die routing, hè, waar we het met GPT-5.1 ook over hadden, in Gemini ook meegebakken. Hmm.
• 10:32
  Ja, ik zat, ik, ik, v-, uh, je hebt nu een soort van bepaald journalistiek genre als het gaat over AI-artikelen en dat zijn een soort vibe checks.
• 10:40
  Dat zijn dan bekende mensen die wat weten over AI en die dan het gaan gebruiken en dan laten weten hoe het voelt. Wat grappig. Grappig. Ja, maar het zijn eigenlijk hun persoonlijke benchmarks, hè.
• 10:51
  Dit zijn mensen die al, die waarschijnlijk in hun dagelijks werk veel met AI werken, dingen hebben waar ze van weten: dit kan AI, hè, alle modellen samen kunnen dit al.
• 10:59
  Versus dit kan het echt duidelijk niet en dat gaan ze dan meteen weer proberen als hij uit is. Ja, precies. Een beroemd voorbeeld is een pelikaan op een fiets. Ja, van Simon Willison is dat. Ja.
• 11:09
  Hoe, hoe presteert de Gemini 3 in de challenge pelikaan op een fiets tekenen? Nou ja, weer een stukje beter. Nog steeds ziet het eruit als een Paint-tekening. Het is absoluut lelijk, zeg maar.
• 11:20
  Esthetisch lelijk, dus daar gaat de esthetiek niet op.
• 11:22
  Maar een van de dingen die bijvoorbeeld slecht ging, ook bij de GPT-5.1's van deze wereld en de zwaardere modellen van Anthropic, is dat er geen spaken in de wielen zaten van de fiets.
• 11:31
  Of het frame van de fiets kon niet qua zwaartekracht. Ja, het zweeft gewoon in de ruimte. Ja, en nu komt daar dus een, uh, ja, een beetje een abstracte, hè.
• 11:39
  Het is, ja, als een kunstvorm kunnen zien, hè, want even voor de luisteraar: die pelikaan mag alleen getekend worden op basis van basisgeometrie, hè.
• 11:46
  Dus hij mag geen plaatjes, uh, genereren zoals bijvoorbeeld, uh, Nano Banana dat mag. Of, uh, Advanced Image Generator. Wordt uit een ander vaatje getapt, namelijk dat ie, dat ie alleen maar lijnen mag gebruiken.
• 11:57
  Hij mag geen foto maken, want dat kan hij heus wel, maar, maar hij moet een soort van, ja, hoe moet je dat, schematische tekeningen echt maken. Dat is moeilijker voor het ding blijkbaar.
• 12:06
  Geef de coördinaten en de radius van de cirkel maar van het wiel en ga daar maar streepjes op leggen en met een bepaalde dikte.
• 12:13
  Dus je krijgt eigenlijk, uh, uh, een soort stokjes en blokjes en balletjes om daar- Maar goed, daarmee waren we er nog niet als ik dit vergelijk met de vorige plaatjes.
• 12:20
  Nee, maar ik bedoel, het is in dat opzicht op die pelikaan benchmarkWant dat is het. Die is niet saturated. Oftewel we zijn er nog niet, we zijn er nog niet.
• 12:30
  Maar alle gaatjes die erin zaten bij de eerdere modellen, dus de spaken zitten er niet op. Of die pelikaan zit op een vreemde manier op die fiets et cetera. Want het kan natuurlijk eigenlijk niet.
• 12:38
  Een pelikaan op een fiets. Voor de duidelijkheid is dit wel weer een stapje vooruit.
• 12:42
  Ja, we zijn ook verwend, want iedere paar maanden komt er een nieuw model uit en iedere, iedere paar maanden wordt die pelikaan weer beter. Vergelijken met de pelikaan van een jaar geleden. Een jaar geleden.
• 12:51
  Nou, dat is inderdaad niet om aan te doen. Uh Ethan Molik, die heeft altijd uh, die doet altijd dit soort grappige vibe checks en hij had een screenshot van een tweet van zichzelf uit 2022 waarop hij uh waarin hij.
• 13:08
  In die tweet schreef hij iets van: ik heb het GPT3 nu voor het eerst geprobeerd. En het is grappig, want het kan een gedichtje schrijven. Het was echt blessed to be blessed from the past. Voelt alsof.
• 13:18
  Het kan een gedichtje schrijven, het kan een tekst samenvatten en hij kan zelfs uitleggen hoe je. En dan had hij een, een vergelijking of een heel raar idee voor een spelletje. Het was een bedacht, bedacht spelletje.
• 13:30
  Een beetje zoals een pelikaan op een fiets. Gewoon zo'n absurd iets. Idee voor een raar spelletje en dat had hij uitgeschreven. Dat screenshot had hij gevoerd.
• 13:40
  En Gemini drie dus de, de, het oorspronkelijke screenshot met die tekst daarin en wat de datum erin et cetera. En toen was het prompt daarbij was uh iets van we zijn best ver gekomen sinds uh deze tijd.
• 13:57
  Doe iets om te laten zien hoe ver er hoeveel verder je gekomen bent. En dat ding praat daar op een heel leuke manier op terug. Die zegt dan iets als uh ja, dit was wel een gekke tijd in AI, want ja, de, de.
• 14:12
  Ik kon op dat moment echt alleen maar teksten schrijven. Inderdaad, ik kon wat zinnen achter elkaar construeren, maar in feite kan ik nu dat spelletje wat ik daar alleen nog maar kan beschrijven kan ik nu maken.
• 14:24
  Dat ga ik nu voor je doen. En dan vervolgens dat ding even aan het prutselen en maakt hij oprecht mooie game. Die werkt, die precies is wat Ethan Molik in 2022 liet construeren door in tekst, door dat ding.
• 14:39
  Waarmee hij natuurlijk wil zeggen je. We hebben nu de neiging om te kijken naar de pelikaan. Ziet iets, zit iets beter op de fiets.
• 14:46
  Dit is natuurlijk een metafoor voor hoe wij AI gebruiken in ons werk en we hebben de neiging om nu met een loep te kijken naar de veranderingen per maand.
• 14:55
  En hij zegt: het feit dat dit ding nu dit maakt, deze volledig werkende game uh, op basis van deze, deze screenshot van deze tweet zegt iets over de ja.
• 15:09
  Ja, het is ook een beetje de, de moving goalposts, dus dat we iedere keer eigenlijk de lat verschuiven uh en kijken vanuit het nu.
• 15:17
  Uh, terwijl als je nou terugkijkt wat het in 2022 kon uh matige gedichtjes schrijven hebben we zeker niet stilgestaan. Uhm, voor de nerds onder ons, laten we het even over de benchmarks hebben.
• 15:29
  Gemini drie Pro haalt 37,5% op humanity's Last exam. Dat is een test die bedoeld is uh bedoeld was om jarenlang uitdagend te blijven. Een test die mensen goed kunnen maken, maar die voor robots heel lastig was.
• 15:43
  Uh nou dat. We zijn nu alweer op 37,5, dus dat kunnen we weer een nieuw ding gaan maken. Twee keer zo snel ongeveer dan dat de makers hadden geanticipeerd.
• 15:51
  Want voor de duidelijkheid het hele humanity's laatste examen is opgebouwd uit vragen die gekocht zijn, namelijk er is een call geweest naar mensen toe.
• 15:58
  Maak vragen waarvan je weet dat mensen ze goed doen en waarin LLM's duidelijk door de mand vallen. En wij betalen jullie ook voor die vraag.
• 16:05
  Ze hebben een deels een publieke dataset, dus de vragen die kunnen mee getraind worden in het model. Maar ze hebben ook een private onderdeel van die humanity's last exam.
• 16:13
  Dus dan stuur jij als het ware het model op als Google zijnde en dan ga je in privé dat doen en dan krijgt Google de resultaten terug. En ook daar op het privé deel scoort Gemini drie punt uh twee Pro.
• 16:24
  Ja, dat is niet, niet niks nee. Het scoort 32% op de GPQA Diamond witschijnt. Ja, dat is.
• 16:31
  Nou, het punt is dat eigenlijk in de grafieken als je even uitzoomt, zeg maar dus de de staaf, de staafdiagrammen moet ik eigenlijk zeggen, want het is natuurlijk leuk. 37,5% of 94 punt zoveel.
• 16:42
  Het gaat erom dat er ongeveer tien, vijftien tot 20% hoger dat model hoger scoort dan de vorige Frontier models.
• 16:50
  Dus je ziet eigenlijk op alle gebieden waar voorheen de clouds van de wereld hadden Opus 4.1 en uh de Gemini 2.5, het vorige model van Google en GPT 5.1. Dat eigenlijk alle drie.
• 17:03
  Dat daar een blokje van vijftien tot 20% bovenop komt in alle benchmarks tegelijk ongeveer. En dat is best wel een, een ding. En nu de ARC AGI twee test.
• 17:13
  Dat is een beruchte intelligentie test voor AI labs presteert die dubbel zo goed als GPT 5.1. Ja, waar dus dubbel. Ja, en François Collin, de maker van de ARC AGI challenge.
• 17:23
  Of in ieder geval degene die daar het meeste over publiceert en praat. Uh, die zei uh een soort een soort uh voorzichtige tweet van ik ben wel onder de indruk, want het idee van ARC AGI twee was om.
• 17:36
  Daarom is het nummer twee en niet meer één van die eerste was werd. Werd wel heel snel verslagen. Toen waren jij en ik ook een beetje onder de indruk.
• 17:43
  Ongeveer een jaar geleden volgens mij iets minder van jeetje, nu gaat het wel heel hard, hè, als het dan AGI zou moeten zijn. Dus hebben ze een tweede gemaakt waar alle gaatjes uit waren waardoor die zo makkelijk was.
• 17:53
  En ook die uh schuift nu maar gewoon weer door. En dat is best wel een uh. Dat was de enige waar ik naar keek is hoe is het met ARC AGI twee? En ik ben best wel onder de indruk. Ja,
• 18:04
  er zijn vrijwel geen benchmarks meer, lees ik, waar de gemiddelde mens bij tekstuele taken beter presteert dan Gemini drie Pro. Wat betekent dat? Tekstuele taken?
• 18:14
  Nou, je hebt zeg maar in heel veel van de benchmarks heb je een balkje erbij staan Human level. Dus bij ARC AGI is human level dan 89% bijvoorbeeld.
• 18:22
  En dan zou je kunnen zeggen oké, iedere keer als een benchmark voorbij human level gaat, dus hoeft niet eens 100% te zijn, maar voorbij wat wij kunnen, dan heb dan.
• 18:31
  Dan gebeurt er iets substantieels.Waar het wat hier belangrijk is, is dat je natuurlijk de toppers hebt in benchmarks, hè. Dus de honderd beste wiskundigen van de wereld kunnen dit als human level.
• 18:41
  Dus human level betekent niet altijd hetzelfde. Je hebt human expert level en human average level. Ja.
• 18:46
  En op tekstuele taken, dus waar een tekst gemanipuleerd wordt, dus niet plaatjes maken of plaatjes bekijken of 3D-werelden of robots besturen.
• 18:53
  Nee, tekst bekijken en manipuleren, dus humanity, Humanity's Last Exam bijvoorbeeld. Zitten trouwens ook een paar plaatjes in, maar goed, dan gaat het heel erg over- Wat is manipuleren? Is dat samenvatten?
• 19:03
  Is dat- Nou, bijvoorbeeld ARC-AGI2, dat zijn allemaal IQ-puzzels. Dus dat zijn eigenlijk, dat zijn visuele puzzels, hè. Dus dat is niet, dat is niet gebaseerd op tekst.
• 19:10
  Terwijl als er bijvoorbeeld een raadsel, een riddle, in tekst geschreven van een A4 lang. Ja. Daar, er waren echt, dat, daar zat ik ook heel erg op te letten toen die uitkwam.
• 19:19
  Er waren heel veel raadsels en dan moet je je voorstellen: Kees heeft twee zussen. Eén daarvan is arts en die heeft ook een baby. En dan, als, wij als mens trappen daar niet in. Ja. Die zijn ook moeilijk voor ons. Zeker.
• 19:30
  Maar omdat het tekstmodellen zijn, verliezen die op een gegeven moment de draad en dan kan je ze, en zelfs de zwaarste modellen die we hadden vielen door de mand bij dit soort raadseltjes.
• 19:39
  En Gemini, uh, drie blijkt ontzettend goed in die raadsels te zijn. Zo goed zelfs dat het beter is dan de gemiddelde mens op die raadsels, zolang het tekst is.
• 19:48
  En dat is wat anders dan, heel veel mensen hebben het vaak, als ik het hier zelf ook met mensen over discussieer, over PhD level of artificial super intelligence.
• 19:57
  Terwijl ik denk: nou, als we systemen hebben die op, die kunnen wat de, laat ik even zeggen voor het gemak, gemiddelde Nederlander qua intellect kan, dan hebben we ook al iets te bespreken met elkaar. Snap je?
• 20:07
  Dus in plaats van wat de gemiddelde genie kan. M-hm. Ja, dus ik moet dat niet zien als de kwaliteit van tekst. Ik moet dat zien als de intellectuele puzzel die een tekst kan zijn. Precies dat, ja. Ja.
• 20:19
  En ik denk dat dat resulteert nu als een soort bijvangst in dat de teksten die die kan genereren over die puzzels of een samenvatting ook beter aan het worden zijn. Juist, ja.
• 20:28
  Dat is natuurlijk wat met deze modellen wel vaker gebeurd is, is dat je traint of A, B en C beter te maken en je krijgt er dan gratis D en E en F bij. Juist. Ja, ja, ja.
• 20:39
  Het blijft een, uh, dat is een ander ding waar Gemini 3 anders in is dan andere modellen.
• 20:45
  Uh, we zitten in een tijdperk, denk ik wel eens, wat je het beste kan beschrijven als een soort van command line interface tijdperk. Het MS-DOS tijdperk van AI-modellen.
• 20:55
  Wij kijken naar een knipperende cursor op een wit scherm. We moeten zelf maar gokken wat dat ding kan doen.
• 21:01
  Uhm, Gemini 3 neemt daar een stap in, want die bouwt on-the-fly interactieve interfaces op basis van wat je vraagt. Dus het model maakt een soort van, ja, werkende mini-apps terwijl je kijkt.
• 21:14
  Als je bijvoorbeeld een handgeschreven recept van je oma uploadt in het Chinees, dan kan, stel je voor je hebt een Chinese oma, dan, uh, kan Gemini 3 dat voor je ontcijferen, vertalen en kan er dan een vormgegeven ding van maken.
• 21:28
  Een 3D-kookboekje eigenlijk, waar je doorheen kan bladeren, zeg maar. Dus dat is dan een websiteje. Juist. Het is eigenlijk de Cloud Artifacts feature. Ja. Die kennen we al wel. Dus kleine widgets maken. Ja.
• 21:37
  Alleen Google heeft het er hier, m-, ingetraind. Dat is sowieso wel een beetje een van de hoofdboodschappen rondom Gemini.
• 21:44
  Google heeft heel goed gekeken, DeepMind, heel goed gekeken: waar worden modellen nu voor gebruikt en kunnen we eigenlijk die specifieke toepassing, hè, dus een mooie stijl voor een website of het creëren van mini-apps, meetrainen in het model.
• 21:58
  M-hm. En daar is hij dus nu ook echt stukken beter in geworden. Wat betekent dat, meetrainen in het model?
• 22:02
  Nou, je kunt, tot nu toe was het eigenlijk zo dat, uh, bijvoorbeeld als je dan kijkt naar Claude, die artifacts kan maken, hè, dus zo'n model kan software maken en op een gegeven moment komt Anthropic erachter: oh, als we dan, terwijl jij dat vraagt, aan de zijkant alvast dat stukje software laten zien, hè, in die Artifacts feature aan de zijkant, dan kunnen mensen dashboards maken en widgets.
• 22:22
  Maar die toepassing was, die was niet helder toen het model getraind werd, hè, dus toen het model, uh, uh, eigenlijk uitgedaagd werd tijdens de training om antwoorden te kunnen geven op bepaalde moeilijke vragen.
• 22:36
  En wat je kunt doen in de trainingsfase is zeggen: joh, jij gaat straks ingezet worden om kleine mini-apps te maken.
• 22:42
  We gaan jou ook duizend voorbeelden geven van hele smaakvolle, goed gelukte mini-apps en we gaan jou daar als het ware punten geven als je dat beter doet tijdens het trainingsproces. M-hm.
• 22:51
  Dus het is in plaats van dat je een heel,
• 22:54
  uh, breed model traint waar je dan, uh, als bijvangst mini-apps krijgt, ga je zeggen: omdat we toch weten dat een groot deel van jouw output dat gaat zijn, gaan we je alvast een beetje helpen om die goed te kunnen doen.
• 23:07
  En, de, daar wordt dus nu ook al gezegd van: ja, de esthetiek die Gemini nu heeft [kucht] in het websitejes bouwen- Ja.
• 23:14
  Die is er overduidelijk ingestopt, omdat de feedback van de eindgebruiker was: alles lijkt op elkaar en is lelijk. Ja, ja, ja, ja.
• 23:21
  Ja, het is een soort van grappige tussenfase waarin we nu dus nog steeds normale dingen kunnen vragen en gewend zijn dat we dan tekst of hooguit een tabel terugkrijgen als we een taalmodel vragen om ons te helpen met iets.
• 23:34
  En dat we nu met Gemini een soort van tussenstap hebben voordat het een echte volwaardige app is. Dat je in ieder geval een interface krijgt om informatie makkelijker te, ja, tot je te nemen. Zeg ik dat zo goed?
• 23:46
  Ja, je zegt het goed en ik denk dat wat jij, begon natuurlijk met MS-DOS, hè, die method four van de terminal.
• 23:51
  We zijn eigenlijk een sl-, we hebben een soort regressie gemaakt in software dat we ineens weer achter een terminal zitten met z'n allen.
• 23:57
  En wat je nu meer en meer gaat zien, en dat gebeurde eerst alleen aan de, aan het einde, hè, dus er zat een terminal op de achtergrond en daar werd vlug nog even een dashboardje van gemaakt door Anthropic met hun Artifacts.
• 24:07
  Dat je nu begint te zien dat eigenlijk die modellen steeds meer rijkere resultaten kunnen geven. Dus niet terugpraten in stukjes tekst, maar terugpraten in stukjes interface. Ja.
• 24:17
  Ja, dus dat als je dingen vraagt met, over hypotheekinfo bijvoorbeeld, dat hij dan gelijk een soort van interactieve calculator erbij maakt, omdat dat nou eenmaal een betere manier is om iets uit te leggen dan een voorbeeld.
• 24:27
  Met een paar sliders erin. Precies. Dat dat beter is dan een voorbeeldsom.In tekst laten zien. Het is eigenlijk wat ik iedere week hier met allerlei va-vage metaforen probeer te doen. Precies dat, maar dan visueel.
• 24:38
  Visuele metaforen. Dus die is erin getraind. Ik las ook: film een tenniswedstrijd en dan analyseert het je techniek en verwijst die verbeterpunten aan.
• 24:45
  Ja, dit heeft ook weer mee te maken dat Gemini, dit is allemaal nog een be— nu gaan we echt wel rich-richting, uh, hoe zeg je dat, uh, uh, d-di-dit weten we nog niet, hè.
• 24:56
  Ik ben, uh, daarmee bedoel ik: er zijn allerlei theorieën aan het ontstaan nu over hoe kan het nou dat Gemini 3 zo goed is? Want, uh, even voor de luisteraar: het was een aantal maanden geleden toen GPT-5 uitkwam.
• 25:09
  Voelt langer geleden zelfs, maar toen GPT-5 uitkwam was het verhaal, het idee van LLM's doortrainen met meer computerkracht en meer parameters geven, meer datacenters er tegenaan gooien, is eigenlijk tot een soort maximum gekomen.
• 25:24
  Hè, GPT-5 is- Omdat hij tegenviel bedoel je, in, in prestaties. Ja, GPT-5 valt tegen. Eigenlijk omdat we tegen het plafond zijn gelopen.
• 25:32
  Want wat je dan in het pre-training paradigm, oftewel tijdens dat bakken van die, van die modellen geef je ze zoveel mogelijk data en zoveel mogelijk computerkracht en zo lang mogelijk laat je ze doorgaan en daar zou je dan automatisch betere modellen uit moeten krijgen, werd toen gezegd: de pre-training era is over.
• 25:50
  Die hebben we uitgespeeld. Alles zit nu in post, oftewel reasoning. Dat kan je nog toevoegen, waardoor die langer mag nadenken. Hij kan tool calling gaan doen en dan kan hij het internet op.
• 26:00
  En we moeten eigenlijk alle trucjes nu een beetje, als hij al getraind is, tijdens het uitvoeren van het model gaan doen. Hè, dus, uh, je hebt het mo-, de tijd dat je het traint op een datacenter.
• 26:11
  Die datacenters kunnen ergens midden in de woestijn staan en dan is het model klaar. Dat wordt gedistribueerd naar de rest van de datacenters over de hele wereld.
• 26:17
  Die staan bij jou voor de deur, het liefst om de hoek, en daar voer jij dan dat statische ba-broodje wat je gebakken hebt uit. Dus dat is eigenlijk post-training.
• 26:25
  Nu blijkt, en dat is ook, was ook het grote nieuws toen Gemini uitkwam, het is ze gewoon gelukt om weer in die pre-training, uh, tijd een model te verbeteren. En het schaalt eigenlijk daar ook nog.
• 26:38
  Dus wat Google nu heeft, is én de voordelen van het doortrainen beter bakken én de voordelen van beter omgaan met wat je gebakken hebt. Mhm. Dus ze krijgen nu een soort dubbelwinst. Mhm.
• 26:49
  Dus de winst die OpenAI alleen nog maar aan het halen leek, o, na trainen, heeft Google nu ook. Plus dat het hun ook nog gelukt is om te schalen, w-, uh, tijdens het trainen.
• 26:58
  En dat, en hoe ze dat hebben gedaan is nu nog een beetje zoeken, want dat is natuurlijk the magic, hè. Dus er wordt met terugwerkende kracht een beetje geprikt.
• 27:05
  Maar om een beetje concreter voorbeeld te geven: een van die tekstuele raadseltjes waar ik het net over had, is een 3D-raadseltje.
• 27:12
  Dus dat gaat over: ik heb een bal op een tafel, die rolt er dan af in een mand, ik draai die mand om, hè. Is een soort goocheltruc-achtige tekst. Ja.
• 27:20
  Die tekst, [schraapt keel] dat ga jij niet begrijpen waar die bal nog is, als jij niet ook eigenlijk een visualisatie kan maken in je hoofd. Zoals wij mensen dat doen. Ja.
• 27:31
  Om het trucje te kunnen doen, moet je het in je hoofd visualiseren en dan kun je de, de raadsel oplossen. Noem het een wereldmodelletje- Ja...wat je dan moet hebben.
• 27:40
  En dus ik, ik zag een, uh, tweet langskomen van iemand die zei: you sneaky bastard. Zoiets stond er. Een van mijn tests waar ik overduidelijk zoek naar: is er een wereldmodel aanwezig?
• 27:50
  Kan dit taalmodel innerlijk visualiseren hoe de situatie is van de goocheltruc die ik uitleg? Taalmodel kan innerlijk visualiseren.
• 28:00
  Ja, oftewel je hebt eigenlijk al, je praat al stiekem niet meer over een taalmodel- Nee...maar over iets wat breder is, hè. Het kan namelijk visualiseren. Ja, dus meer dan alleen maar tekst.
• 28:07
  Heeft het als het ware visualisatietokens. Kan het daarbinnen, binnen een soort wereldje van 3D iets doen.
• 28:13
  En, uh, daar is nu dus de suggestie, dit weten we niet zeker- Aha...dat Google een stukje wereldmodel aan het meetrainen is in Gemini 3 en dat waar je eigenlijk mee praat inmiddels al veel meer is dan enkel een multimodaal omnimodaal tekst-beeldmodel, maar iets wat ook een beetje kan simuleren.
• 28:31
  Ha. Dus we hebben al een-- want het is ook echt wel een, een belangrijk, uh, feit.
• 28:36
  Wat we wel zeker weten is, dit staat namelijk heel trots in de, uh, model card, dus dat is de pdf die Google dan ook publiceert met waar ze in een beetje vertellen, hè, de benchmarks, maar ook wat ze anders hebben gedaan.
• 28:48
  Niet te veel, want anders geven ze het weg aan de concurrentie dat ze zeggen: dit is een volledig nieuw model. Dit is niet Gemini 2.5 gefinetuned.
• 28:57
  Dit is niet een oude Gemini doorge-- we zijn helemaal opnieuw begonnen met alles wat we nu wisten en dat is wat Gemini 3 is. Best wel een gok ook, maar het is goed gekomen. En ook op hun eigen chips, hè. Ja, ook.
• 29:09
  Op Google Chips. Even een klein, klein detail ernaast. Goed dat je dit aanhaalt. Er is geen gebruik gemaakt van Nvidia-hardware. Ik ben, dus we weten, dat staat namelijk heel trots in die pdf.
• 29:20
  De volledige training run van dit model, dus het bakken van het brood, heeft plaatsgevonden op TPU's van Google zelf. Daar komt geen Nvidia-chip aan te pas.
• 29:29
  Dus als je je afvraagt waarom sommige mensen hun aandelen weer hebben verkocht, wie weet zat het hierin. Geen idee, hè. Pure, uh, uh. En wat betekent dit, dat Google dit kan zonder Nvidia?
• 29:38
  Uhm, nou, ik ben net gaan zoeken. Dat kon ik niet goed verifiëren. Hebben ze hem alleen gebakken op hun TPU's of draait hij nu ook op hun TPU's?
• 29:45
  Nou, wat ik er publiek over kan vinden is: hij draait ook op TPU's van Google, dus Nvidia is helemaal niet meer betrokken.
• 29:51
  Daar wordt wel bij gezegd: als iemand anders Gemini on premise draait of, uh, je doet Gemini bij Amazon bijvoorbeeld.
• 29:58
  Uh, slecht voorbeeld, maar je draait Gemini in een andere cloud, kan het, het kan draaien op Nvidia, maar het hoeft niet. Mhm. Wat betekent dit dan?
• 30:05
  Dat Google eigenlijk binnen hun eigen ecosysteem de hardware onder controle heeft en kan bouwen die capabel genoeg is om een model op een snelheid met intelligentie te kunnen leveren zonder nog afhankelijk te zijn van de chips van Nvidia.
• 30:20
  Ja. Dat is, ja. Dat is een groot ding. Ik denk dat je wel snapt wat dat betekent. Ja. Dat is flink. Ja. Ja, dat is echt flink.
• 30:26
  Hé, en je zei, je zei net: het is eigenlijk een beetje gissen naar wat ze nou precies gedaan hebben, want het is opnieuw gebakken from the ground up.
• 30:33
  En er, uh, ze zeggen wel wat dingen in die model card over hoe dit nou zo is gekomen, maar veel is ook geheim.Ehm, maar we weten dat het model, uh, tientallen zoekopdrachten achter elkaar doet en dan resultaten combineert uit verschillende bronnen en zo analyses maakt zonder de draad kwijt te raken.
• 30:53
  En waar eerdere modellen dus verdwenen in die langere redeneringen kan Gemini 3 focus, uh, houden. Heb je een idee hoe het kan dat ze, dat dit is gelukt, dat langer focus houden?
• 31:04
  Of blijft dat dan onderdeel van de soort van secret sauce?
• 31:08
  Nou, ik denk dat, uhm, kijk, het was zo: we hadden de GPT's van deze wereld, hè, dus OpenAI's modellen waar we, waar toen eigenlijk mensen gingen uitvinden van: joh, als je die GPT nou gewoon iedere keer om een nieuw antwoord vraagt en je rijgt al die antwoorden aan elkaar, krijg je dan niet een soort agents?
• 31:25
  Hè, dus er zijn allerlei, uhm, nieuwe, interessante, creatieve, uh, ideeën gekomen over hoe je taalmodellen kan inzetten. Die creatieve ideeën zijn inmiddels meegetraind in het model, hè, waar we het net over hadden.
• 31:37
  Oftewel: als we weten dat ze gebruikt gaan worden op zo'n manier, kunnen we ze misschien alvast een beetje voorbereiden op die taak. Mhmm. Daar zijn allerlei wetenschappelijke papers over.
• 31:47
  Hoe zorg je nou dat een model niet in een deathloop komt bijvoorbeeld, hè, dus dat het in een cirkel blijft hangen. Dat het langer aan één stuk door kan werken. Ja.
• 31:54
  Want dat is een, een- Heel belangrijk...voorwaarde om taken van ons over te nemen. Zeker, zeker, de oud, eigenlijk de lange autonomie van zo'n model, hè. Dus dat is die meter benchmark waar het vaak over gaat, hè.
• 32:05
  Hoe lang kan zo'n model een menselijke taak doen zonder dat wij hoeven in te grijpen? En is het resultaat ervan goed? Allebei belangrijk. Dat wordt nu meegetraind in de modellen.
• 32:14
  Hoe zij het voor mekaar hebben gekregen, wat hier de magic sauce van is, is een goeie. Ik weet dat niet.
• 32:19
  Ik weet wel dat dit ook de trots was van de modellen van Anthropic, uh, namelijk dat het hun, e-, dat die agentic behavior zo goed was geworden in bijvoorbeeld Claude Code was overduidelijk voor programmeurs.
• 32:32
  Wauw, waar die vroeger helemaal wegliep of vastliep, kan die nu door. Ja, langer werken zonder af te dwalen.
• 32:38
  En ik denk dat een deel van die magic is wetenschap, hè, want er wordt publiek tussen onderzoekers, tussen die labs gepubliceerd over: check hoe wij onze agents lang kunnen laten draaien. En een deel is secret sauce.
• 32:49
  Dit is een beetje abstract. Agents, uh, voor een programmeur is het heel praktisch dit, uh, want Gemini 3 programmeert ook weer beter. Dus ja, god, dat is- Wel interessant dat je dit zegt. Van alle benchmarks
• 33:02
  scoort Gemini het minst spectaculair op SWE, de software benchmark. Oké.
• 33:06
  Dus waar Anthropic helemaal gekozen heeft om do-door te optimaliseren op software, heeft Google daar niet per se op door, uh, ge, uh, gan-, uh, hoe zeg je dat, geoptimaliseerd?
• 33:16
  Het is wel zo, maar daar gaan we het straks nog heel even over hebben, dat hun AntiGravity Scaffold, dus dat is een soort Claude Code van Google, een stuk software om Gemini heen, dat als je dat stuk software, dat hebben ze tegelijk uitgebracht met Gemini.
• 33:28
  Dus ze hebben een model uitgebracht en een laag om het model heen. Dat heet AntiGravity. En dat AntiGravity, een soort Cursor, een soort Windsurf. D-t is een concurrent eigenlijk voor die tools. Ja.
• 33:40
  En de cursor van Google, dus AntiGravity in combinatie met Gemini scoort wel heel goed op die software benchmark. Oké, dus wacht, er is een— dus wat is AntiGravity?
• 33:51
  Het is misschien toch goed om even, want ik moet het niet introduceren als ik het niet uitleg. De, nu is het zo dat veel softwareontwikkelaars werken bijvoorbeeld in Visual Studio Code. Dat is een IDE.
• 34:00
  Daar staat je, daar staat je code in. Daar typ je normaal, daar typte je. [lacht] Ja, ja. Steeds minder. We lachen erom. Ja, je typte je code. Toen mensen nog typten. En daar hebben mensen dan Copilot in.
• 34:09
  Dat is niet de Copilot die de meeste luisteraars kennen, maar de GitHub Copilot. En die doet mee in jouw softwareproces. Ja. Dat woord- Dus de WordPerfect voor, uh, voor programmeurs die, uh. Daar zit ook een Copilot in.
• 34:19
  Daar zit ook een Copilot in. Copilot in WordPerfect. Aha. Fantastische metafoor. Ja.
• 34:23
  Dat, die combinatie van die Copilot en WordPerfect wordt ook als een pakketje geleverd door bijvoorbeeld partijen als Cursor of Windsurf. Dan installeer je WordPerfect, zit die Copilot er meteen in.
• 34:34
  Het is een prettige metafoor om op door te bouwen. Google heeft daarin nu gezegd: wij forken ook. Uh, dat betekent dat je eigenlijk een kopietje maakt van WordPerfect, want dat is open source in dit geval.
• 34:45
  En, uh, we brengen een eigen ding uit. Dus er is nu een cursor vanuit, uh, Google en die heet AntiGravity. Een eigen programmeeromgeving. Absoluut. Ja.
• 34:54
  Hè, alle tools, de hele riem met alle hamers en zagen eraan voor de ontwikkelaar. Die programmeurs nodig hebben. Ja, de toolkit. Wat is er speciaal aan AntiGravity? Twee dingen.
• 35:03
  Ten eerste is het specifiek gebruik, gebouwd om te praten met Gemini. Dus Gemini weet van AntiGravity en AntiGravity weet van Gemini. Ja. Hè, dat zijn de beste maatjes. Ja.
• 35:13
  Hè, dus het blijkt ook als je die combineert, dat duo, dat ze krachtiger zijn dan dat het model was. Juist. Hè, dus dan scoren ze ineens ook beter op die benchmark.
• 35:20
  Maar de benchmark ging nou eenmaal over het naakte model, hè. Dus waren allemaal mensen- Dus valsspelen als je daar een app op bouwt, op dat model. Precies. Mensen waren allemaal verbaasd.
• 35:28
  Ontwikkelaars van: huh, hoe kan Google nou niet geoptimaliseerd hebben op dat? Nee, je moet eigenlijk die combo gebruiken, de duo, en dan krijg je pas, uh, spectaculaire, uh, zaken.
• 35:36
  Wat is er nog meer spectaculair aan AntiGravity? Dit hadden we al wel in experimenten gezien, maar nog nooit zo diep geïntegreerd als Google het heeft gedaan.
• 35:44
  Stel jij gaat een website maken waar je kan chatten met een karakter uit Harry Potter in een soort Harry Potter chat.
• 35:51
  Dan, uh, typ jij in: ik wil een Harry Potter chat hebben en dan gaat dat ding rondjes draaien en op een gegeven moment zegt ie: nou, klik hier maar, dan kan je naar jouw Harry Potter website.
• 35:58
  Daar ga je dan heen en dan denk je: oh, dat ding is gaaf. Jij bekijkt hem als mens. Dit is de oude situatie. Jij bekijkt die Harry Potter chat als mens en zegt dan: ik vind hem eigenlijk niet zo mooi.
• 36:08
  Kun je nog wat leuke gezelligheid toevoegen? En die knop, ik kan hem amper in, aanklikken, man. Wat een klein knopje. Dat moest jij dan doen.
• 36:15
  Dus jij was de human in the loop die het visuele resultaat kreeg van wat die chat had gemaakt, die AI. En dan moest je aan die AI gaan vertellen wat er niet aan klopte. Wat hebben ze in AntiGravity gedaan?
• 36:25
  Gemini kijkt mee in de browser.
• 36:27
  Dus Gemini, die ziet in die agentic loop, hè, dus voor de duidelijkheid: jij maakt die chat en dan zegt ie voordat jij de chat hebt bekeken, zegt ie: oh, het knopje is een beetje klein, die maak even groter.
• 36:36
  Nou, je zegt chat, een beetje verwarrend, maar je zegt dus je bent een website aan het maken. Van een chat. Ja, is een beetje een slecht voorbeeld. Laten we het gewoon een website.
• 36:43
  Dus je bent een Harry Potter website aan het maken met dat ding. Harry Potter soundboard met knoppies. En normaal gesprokenUhm, zeg je dan: het is lelijk, maak het mooier.
• 36:52
  Dan genereert dat ding code, dan druk je op apply en dan kun je dat in de browser zien. Ja, en dan hopen dat het lukt, want jij bent degene die het te zien krijgt. Ja, precies.
• 37:01
  En nu zeg je eigenlijk: er is een soort van feedbackloop toegevoegd waardoor hij naar die website gaat kijken. Dat deed hij niet hiervoor, maar hij gaat naar de website kijken en daarop- En klikken.
• 37:12
  En klikken door de website? [lacht] Ja. O, echt? Ja. En dan? Ja, dit was, dit is wat ze dan noemen full circle agentic development, oftewel het testen van de applicatie die gemaakt wordt, zowel visueel als interactief.
• 37:24
  Doen alle knopjes het? Ja, en ziet het er een beetje prettig uit, is nu ook toegevoegd aan de cirkel. Ja, ja.
• 37:30
  En dus kan je eigenlijk zeggen: in jouw initiële prompt kan je een Harry Potter soundboard voor me maken dat er esthetisch prettig uitziet en dat goed te gebruiken is door mensen die het minder makkelijk vinden om te tappen op hun iPad bijvoorbeeld.
• 37:43
  Ja. En dan gaat hij, dan zie je dus ook in die thinking trace: oh, ik heb, de knoppen wel klein zijn, want ik had de opdracht eigenlijk om ze groot, ik ga ze groter maken. Hé, ik zie dat ze groter worden. Juist.
• 37:53
  Hè, dus het, dus het visuele resultaat. En dit werd al door andere ontwikkelaars, zoals het gaat, zelf aan elkaar geknoopt, hè, die cirkel. Maar Google zegt nu eigenlijk: dit zit standaard in, uh, Anti-Gravity.
• 38:03
  Ja, waardoor de eerste versie wat je opgeleverd krijgt alweer beter is dan wat je standaard in Lovable of zo krijgt.
• 38:08
  Ja, en dat is ook een beetje in de, in de, in de trend van, uh, wat je nu bijvoorbeeld, e-even terugkomend op de pelikaan.
• 38:14
  Een van de dingen die mensen met die pelikaan op die fiets gingen doen is tegen, uh, AI-modellen zeggen: hier, kijk nou eens naar die pelikaan man. Ja. Hè, dus een screenshot van de pelikaan erin. Ja.
• 38:25
  En als je nu ziet wat jij gemaakt hebt, wat je dus niet wist. Ja. Wat zou je dan nog veranderen? Ja, wat denk je er zelf van?
• 38:30
  Ja, en dan zag je dus dat die pelikaan 5 tot 10% beter werd als eigenlijk het model niet meer blind is, hè. Dat is pretty much hoe het is, browserblind als het ware. Ja.
• 38:39
  Dit model heeft ogen gekregen om naar de browser te kijken en neemt dat mee. En dat- Hij was gewoon blind aan het programmeren. Dat is misschien ook wel, uh, iets wonderlijks, dat het eigenlijk- Wij waren zijn ogen.
• 38:49
  Wij waren zijn ogen. Het is toch eigenlijk heel knap hoe ver het lieve, lieve computertje is gekomen zonder- Dit is de juiste conclusie. Ja. Uh, er is daarnaast ook Gemini Agent gelanceerd.
• 38:59
  Dat rolt deze week uit voor Ultra abone-, u-Ultra gebruikers, dus dat zijn mensen die €200 per maand betalen, denk ik. Goede vraag, zoiets, ja. In ieder geval hoog bedrag en alleen in de Verenigde Staten.
• 39:09
  Maar ik wil het toch even erover hebben, want dit is een agent-achtige interface die bijvoorbeeld je dingen kan-- het ziet eruit als Gemini gewoon. Het is gewoon die chatinterface, maar die kan agent-achtige taken doen.
• 39:21
  En het voorbeeld wat Google geeft is: organiseer mijn e-mail, je Gmail dus. En dan checkt ie je inbox en dan gaat ie antwoorden voorstellen bij al je e-mails, drafts maken. Nee, je draftfolder loopt eigenlijk vol.
• 39:33
  Je draft loopt wel vol. De, hij gaat e-mails organiseren, dus labels geven.
• 39:37
  Hij gaat, als er taken zitten in die e-mail, dus je baas heeft je een opdracht gegeven of twee opdrachten gegeven, gaat ie dat ophakken in subtaken. Zeggen: klopt dit allemaal zo? En vervolgens dan acties voorstellen.
• 39:48
  En dan kan jij met een soort van, uh, duimpje omhoog of duimpje naar benee-beneden constateren of de stappen die dat ding voorstelt, of je het daarmee eens bent. En dan gaat hij het allemaal processen.
• 40:00
  Ja, en dit is eigenlijk iets wat we in eerste instantie voor het eerst te zien kregen in OpenAI's Deep Research Agent. Die heette toen nog geen agent, maar gewoon Deep Research Mode.
• 40:11
  Oftewel: ga maar zelf een beetje het internet op, op zoek naar bronnen en maak een mooie synthese. Desk Research Agent was dat eigenlijk. Die research voor je doen, ja.
• 40:19
  Ja, en dat was de eerste agent en ik denk ook de makkelijkste agent, met aanhalingstekens, voor OpenAI om te bouwen. Gewoon een, een beetje research doen.
• 40:29
  Toen had je aan de andere kant van het spectrum, spectrum de computer use agent. Oftewel: ga maar een beetje rondklikken op mijn computer.
• 40:37
  Dat is tot nu toe allemaal een beetje testen, bèta en loopt vaak een beetje in de soep. We hebben nu eigenlijk een tussenvorm dat die bedrijven aan het zeggen zijn: wacht even,
• 40:46
  kunnen we niet een soort specialized agents maken die we standaard meeleveren in onze tooling? Bijvoorbeeld een Gmail agent, hè. Dus die is goed op de hoogte van hoe Gmail werkt en hoe je Gmail aanstuurt.
• 40:57
  Dat weet Google goed, want het is vanuit Google natuurlijk. En dan zeggen: oké, wij durven eigenlijk, we gaan niet dat ding laten rondklikken in jouw Gmail. Dat is een beetje te grof, hè, op pixeldata.
• 41:06
  We laten hem met Gmail praten en we geven hem een goede omschrijving van Gmail en dan kan hij eigenlijk best wel gave taken oplossen.
• 41:13
  En je zou kunnen zeggen dat wat nu in, uh, de Google Maps app, hè, met Gemini in Google Maps en Gemini in G-Gemini Home.
• 41:20
  Dat je nu steeds meer gaat zien agentic scaffolds, zoals we dat zo mooi noemen, die gespecialiseerd zijn op specifieke taken en software.
• 41:28
  En dit kan best wel krachtig zijn omdat, en dit is een beetje ook de droom van heel veel mensen, van: kan je mijn mailbox even opruimen? Ja, natuurlijk.
• 41:35
  Dat is naast de vaatwasser in ramen, denk ik, de, vraag nummer één wat we hebben aan de AI-overlords. Kun je mijn e-mail op-oplossen? Ja, los het op, alsjeblieft.
• 41:44
  Het is zo grappig, want wij praten al jaren over OpenAI en Google in de context van eigenlijk, het is heel knap wat OpenAI doet, maar als het stoomschip wat Google is, wat gewoon heel traag op gang komt, al jaren.
• 41:56
  Als ze dan eenmaal op gang zijn, dan moeten we er wel een hoop van verwachten. Want niet alleen hebben ze hun eigen hardware, ze hebben hun eigen cloudinfrastructuur.
• 42:03
  Ze kunnen direct in Search proppen, in YouTube, in Gmail, in Workspace. Miljoenen mensen krijgen het eigenlijk voor hun neus geschoven zonder dat ze een app hoeven te downloaden.
• 42:11
  Dat is alleen, denk alleen al aan Chrome, waar, uh, uh, OpenAI een alternatieve browser voor moet lanceren om dan iets met die browser te kunnen doen.
• 42:19
  Google heeft dit allemaal al in de hele stack, zoals dat dan zo gaaf heet, uhm, nou ja, bezitten ze eigenlijk alles. Ze hebben tijd, ze hebben geld.
• 42:30
  Ja, wat, uh, wat is je, wat, wat is je gevoel nog bij, uh, OpenAI's alleenheerschappij, zoals dat toch nog wel eventjes voelde een paar maanden geleden? Openen de aflevering met: OpenAI is opgezet uit angst voor Google.
• 42:43
  Ja. En, uh, en dat die angst misschien een beetje waar bleek. Wat we nu zien gebeuren, in ieder geval wat, wat ik denk dat er gebeurd isIk pak even de metafoor van, van de zelfrijdende auto.
• 42:54
  Zelfrijdende auto's zijn vooralsnog bestaande auto's van Jaguar. Dus Google, uh, Waymo koopt een auto bij Jaguar en daar plakken ze dan allerlei AI op, hè. Dus er wordt een soort skibox op het dak gezet.
• 43:05
  Aan de zijkant ducttapen ze er nog even een paar lidar sensors en het stuur blijft er ook gewoon in zitten.
• 43:10
  Het is overduidelijk een oud paradigma auto uitgebreid met nieuwe spulletjes en AI is er tegenaan geplakt als het ware.
• 43:17
  Wat je bij andere zelfrijdende autobedrijven ziet, hè, en Google zal het zelf met Waymo ook gaan doen, is dat het een soort, uh, driving pods worden, hè, een soort kleine busjes waar je tegenover elkaar zit, waar geen stuur meer in zit, waar de voor- en de achterkant hetzelfde zijn.
• 43:31
  Noem het allemaal maar op omdat je eigenlijk zegt: ja, als we een auto opnieuw zouden ontwerpen, wetende wat we met AI kunnen, dan zit daar op zijn minst geen stuur meer in.
• 43:39
  Wat we nu een beetje meemaken, denk ik, is we hadden Google met AI erop geplakt, ja, de laatste twee, tweeënhalf jaar. Dus wat toen nog Bard was en later Gemini werd, werd steeds krachtiger.
• 43:51
  Maar de synergie tussen alle verschillende diensten en zo was er overduidelijk niet, hè. Wij hebben daar ook veel grapjes over gemaakt samen de laatste jaren. Hoe kut het allemaal was.
• 43:58
  Ja, en nu, om maar een voorbeeld te geven, uh, Google had al heel lang dus die TPU's, hè, dus eigen gespecialiseerde chips, specifiek bedoeld om, uh, uh, machine learning op te doen.
• 44:11
  Waar we dus nu GPU's van Nvidia voor gebruikten, wat eigenlijk gaming, uh, chips waren, had Google al TPU's liggen, maar de slag maken om die TPU's ook in te zetten voor taalmodellen et cetera was nog niet zover.
• 44:23
  Nu zeggen ze eigenlijk: o, Gemini is klaar en by the way, het draait ook op onze eigen hardware, dus de hele hardware divisie is in sync, zou je kunnen zeggen, met het Gemini-plan. Dan zeggen ze: in Google Search
• 44:34
  heb je de AI-modus, of ik weet niet hoe dat ding heet. AI Mode. AI Mode. Dat was een overduidelijk ingehackte Gemini en het moest ook nog eens het Gemini 2.5 Flash Lite model zijn.
• 44:45
  Dus Flash betekent al kleiner en Lite nog kleiner, uh, die over het algemeen dus ook nog eens weinig kennis had. Dus het slechtste model wat je zou inzetten in een search engine waar mensen op zoek zijn naar feiten.
• 44:56
  Voor de meeste mensen. Ja, voor de meeste mensen. Maar goed, waarom doe je zo'n klein model? Omdat je niet aan al je x miljard Google gebruikers die zware gave modellen kan geven. Kost te veel geld. Veel te veel geld.
• 45:06
  En die resources hadden ze gewoon niet. Wat wordt er nu gezegd? Nou, we zetten gewoon Gemini 3 in, uh, AI Mode, hè. Dat, het verhaal is nu dat het merendeel van de AI Mode antwoorden ineens Gemini 3 zijn.
• 45:17
  De, de full monty, zeg maar. Het hele ding. En blijkbaar is het dus ook gelukt, dus omdat het eigen TPU's zijn, e-en een efficiënter model getraind om te zeggen: we gaan een zwaardere Gemini in Google zetten.
• 45:29
  Dus dat destijds was een beetje paniekvoetbal, vind ik, hè, want straks gaat iedereen alleen nog maar naar ChatGPT voor antwoorden. Dus hack alvast maar wat AI in Google.
• 45:38
  En nu eigenlijk wordt de kwaliteit van het model erachter ook hoger.
• 45:42
  En zo zie ik dan een beetje voor me hoe langzamerhand al die kartonnen, uh, plak-plakband oplossingen van, van de pre, uh, Google era nu langzaam naar een professioneel niveau gaan waarop dingen echt goed met elkaar gaan samenwerken.
• 45:58
  Ja. En ik zeg, ik moet er wel even bij zeggen hopelijk, want zo makkelijk is dat niet. Deze Gemini release was wel iets meer dan alleen maar een model release, namelijk ook de integratie op allerlei vlakken in Google.
• 46:09
  Nou, zelfs in Google Search dus.
• 46:11
  Want de, ja, god, dit is, uh, wij praten graag over allerlei niche dingen, maar dit is natuurlijk de, de, f-, het feit dat het in Google Search, uh, zit gelijk, de, dit grote model, dat is wel.
• 46:22
  En ze hebben ook de interface aangepast. Het kan nu zo zijn dat als, als, jij typt het in in de search box, maar het systeem heeft door: dit is eigenlijk een overduidelijke ChatGPT-achtige vraag.
• 46:32
  Als in een feitenvraag of uitleg over iets in plaats van dat mensen op zoek zijn naar de website van Coolblue. Precies. Uh, dan verandert de interface in een soort ChatGPT-achtige interface. Ja, dat is die AI Mode.
• 46:44
  Die kiest ie nu zelf uit, bedoel je? Ja, ik bedoel te zeggen dat, de AI Mode was een beetje een wonky iets. Ja.
• 46:49
  En nu is die, zit er ook intelligentie van Gemini achter om te bepalen: volgens mij wil jij meer een soort AI Mode dan een, uh, klassieke search mode.
• 46:57
  Wat twee kanten op natuurlijk prettig is, hè, want soms wil je gewoon klassieke search mode. Ja. Het is best wel een groot, groot ding, dus. Ik, ik, ik, ik, uh, hang aan je lippen, Wytse.
• 47:06
  Uh, dat Anti-Gravity hebben we deze week trouwens in AI Report getest. Uh, we hebben g-, voor de grap ge-gekeken hoe ver Gemini komt als je hem bijvoorbeeld een website laat nabouwen.
• 47:15
  En dan zie je dus letterlijk Gemini browsen, zoals jij zegt, schermafbeeldingen maken, zijn eigen werk beoordelen en die code dan aanpassen.
• 47:22
  En onze redacteur Jean kon dat resultaat in real time volgen en die, dat eindresultaat was best oké, maar ze is ook kritisch.
• 47:28
  Dat ding, uhm, kreeg veel errors, wat misschien te maken heeft, maar, met de drukte, maar wat misschien ook zegt dat het allemaal nog in testfase zit en dat was erg frustrerend voor d'r.
• 47:38
  Maar ze had ook door dat dat ding, uh, dat ding had door wanneer het errors tegenkwam en pakte na crashes ook de draad weer op.
• 47:45
  Nou, hoe dat allemaal ging lees je in de nieuwsbrief van deze week en een, een review van Canvas, Gemini's interactieve interfaces builder.
• 47:54
  Waar het heel goed in is en waar het minder goed in is en hoe je het maximale uit die tools haalt. Als je naar AI Report punt email gaat, kun je dat krijgen. En dan nu iets heel anders.
• 48:05
  We praten vandaag met Pim de Witte en Pim, die is een 30-jarige Nijmegenaar, oprichter van Meddl TV en dat is een van 's werelds grootste platformen voor het delen van video's uit computergames.
• 48:21
  En dan denk je: waar hebben we het over? Maar dit is wezenlijk en dat zal zo dadelijk duidelijk worden.
• 48:26
  Meddl is dus een, ja, een bedrijf wat, uh, wat al, uh, heel lang heel populair is, maar onder een hele specifieke groep mensen, namelijk gamers die er leuk- Wij kenden het allebei niet, toch? Nee. Nee. Zeker niet.
• 48:38
  Maar ik maak uit de omzetten van dit bedrijf op dat- Het gaat goed. Dat het goed gaat met dat bedrijf. Uh, al, al heel lang.
• 48:45
  En dat dus wat gamers willen is als zij, uh, een spelletje spelen, dat ze dan de videobeelden uit die games kunnen delen. Clipjes delen.
• 48:52
  Clipjes delen.Ehm, dat doet hij al jaren en stiekem is hij, uh, doorgestoten naar 's werelds grootste plek om beelden uit games te kunnen clippen om met anderen te kunnen delen.
• 49:03
  En al die videobeelden, die heeft Pim opgeslagen. Ja, die hebben ze bewaard, die clipjes. Die clipjes, die hebben ze bewaard. En even nog toch nog aan te geven hoor, in de orde van grootte. En dit verbaast mij dus enorm.
• 49:14
  Dit is, uhm, het aantal gameclips in minuten aan beeld geüpload naar Medal is hoger dan naar YouTube. Juist, het is een vrij grote database van mensen die spelletjes spelen. Specifiek gamebeelden zeg ik dan maar, hè.
• 49:31
  Juist. Ja. En wat blijkt nou? Dit is de missende schakel om world models te bouwen en dat is een term die je al vaker in deze podcast hebt gehoord. Het is iets, soort van volgende fase van taalmodellen.
• 49:45
  Waar taalmodellen tekst uitschrijven, zijn world models goed in het begrijpen van alle details van de wereld. Zeg ik dat goed? Jazeker. Ja.
• 49:55
  Waar je bijvoorbeeld, wat je bijvoorbeeld nodig zou hebben om een auto rond te laten rijden.
• 49:59
  Ja, dus een auto die zich moet navigeren door Amsterdam en er rolt een bal over straat en dat hij dan begrijpt: oh, er komt nu een bal aan, dus ik kan beter remmen, want er komt misschien een kind achteraan.
• 50:08
  Heb je weinig aan het lezen van Dostojevski. [lacht] Ja, jouw kennis over Dostojevski is daar, daar matig, uh, hulp, uh, relevant voor.
• 50:18
  Dus wat een world model doet, is getraind op videobeelden om te kunnen dromen over hoe de echte wereld eruit ziet.
• 50:28
  Om te kunnen voorspellen wat er allemaal kan gebeuren in een wereld zonder dat je daar eerst video van hebt gezien. Ja. En dat noemen we generaliseerbare technologie. Dingen kunnen voorspellen op basis van beelden.
• 50:41
  En al die AI-bedrijven zijn bezig met world models omdat ze allemaal de, v-, de vermoedens hebben dat dat nogal belangrijk gaat zijn voor autonomie van robots in de breedste zin.
• 50:52
  Want je hebt het over auto's, maar het gaat ook over drones. Het gaat ook over humanoids. We hebben het al in deze podcast hier heel vaak over gehad. En met taalmodellen komen we er niet.
• 50:59
  Met taalmodellen komen we er niet, want je kan wel beschrijven hoe die robot moet lopen in tekst en dat die robot dat dan gaat doen, maar het blijkt toch beter te werken als die robot kan dromen over de echte wereld en kan voorspellen hoe je je moet gedragen in onverwachte situaties.
• 51:11
  Ja, in, in, in eerdere afleveringen en in eerdere AI-report nieuwsbrief ging het over Butter Bot, namelijk een soort Roomba die een blokje boter moest rondbrengen door een kamer heen. Het was een test, ja.
• 51:22
  Ja, met, daar hebben ze toen taalmodellen in gestopt. Ja. En die taalmodellen kregen vooral een existentiële crisis, want het lukte allemaal niet. Ja.
• 51:29
  Maar dat botertje werd amper gebracht, dus dat liet ook zien: dit is niet genoeg.
• 51:33
  Nee, dus, uh, ChatGPT en taalmodellen, de, de revolutie die eraan ten grondslag ligt, zijn niet genoeg, constateren we, om robots autonoom voort te bewegen in de wereld.
• 51:43
  En dat is wel een droom die de mensheid heeft, zou je kunnen zeggen. Nu is daar dus Pim uit Nijmegen, hecht ik eraan om te zeggen, die toevallig- Heel veel clippies verzameld heeft.
• 51:56
  Heel veel clippies heeft verzameld van games. En waarom zijn games, gamebeelden wezenlijk of interessant voor het trainen van die world models? Omdat het heel voorspelbare data is.
• 52:08
  Ja, het is ook prettig, vaak vanuit hetzelfde perspectief opgenomen, namelijk vanuit de speler, hè, dus in de game. Ja. Heel stabiel camerashot.
• 52:15
  En, uhm, ja, die games zelf, die, hè, dat zijn redelijk gecontroleerde werelden, hè.
• 52:21
  Het zijn allemaal andere soort games, maar als je de gamenaam weet, weet je ook: binnen deze game, een racing game, is heel veel racedata aanwezig. Juist. En ziet er ook allemaal ongeveer een beetje hetzelfde uit.
• 52:31
  En je moet dus als, a-als mens moeten wij nu accepteren, dat is iets waar ik altijd moeite mee heb om een, to wrap my head around it, maar dat je dus video's van mensen die racespelletjes aan het spelen zijn, heel belangrijk blijken te zijn om straks zelfrijdende auto's beter te kunnen maken.
• 52:50
  Dat is, nou, het, het voelt als kinderspel, het voelt als soort van: oké, spelletjes, wat maakt het allemaal uit?
• 52:57
  Maar stiekem is langz-, is aan het duidelijk worden dat gamebeelden een superbelangrijke bron zijn voor het maken van die world models waar we hoge verwachtingen bij hebben.
• 53:07
  En Pim is niet alleen, hè, want Demis Hassabis, Demis Hassabis van DeepMind, die heeft zijn hele carrière gegokt en zijn hele wetenschappelijke carrière en zijn zakelijke carrière op het idee dat computergames de sleutel zijn tot een grotere vorm van, ja, ik wil het AGI misschien wel.
• 53:24
  Ja. Laat ik het dan even zo zeggen. Ja. Dus Pim is niet alleen. In, uh, in deze aanname dat dit belangrijk gaat zijn, bedoel je? Ja.
• 53:31
  Waar Pim wel alleen in is, is dat hij de enige is die zo'n grote database heeft van die gamebeelden.
• 53:38
  Beelden van echte mensen die spelletjes spelen, zich gedragen als echte mensen om dingen te doen in spelletjes die we stiekem in de echte wereld ook doen.
• 53:46
  Je hebt allerlei spelletjes waarbij mensen, uh, van racen, maar ook treinsimulatoren en weet ik veel allemaal dingen die wij in het echte leven doen, waar heel veel beelden van zijn uit spelletjes die we zouden kunnen gebruiken om banen te automatiseren waar we nu mensen voor gebruiken.
• 54:02
  Ja, en een belangrijke, dit had ik pas vrij laat door toen ik ging kijken naar wat Pim allemaal aan het doen is.
• 54:08
  Hij levert niet alleen maar de mogelijkheid om jouw clips te delen, hij levert ook de videorecorder, hè, dus je kunt, uh, hoe, het, het is leuk dat jij clipjes uploadt bij hun, maar die clipjes worden perfect geüpload zoals Medal wil, want je neemt het op met Medal.
• 54:22
  Ja, hij- Dat is een app die je installeert. Ja, hij heeft allemaal metadata rondom die clipjes, waardoor die op een soort van, nou ja, g-g-, uh, ja, uh. Gestandaardiseerd eigenlijk. Ja.
• 54:31
  Een hele, hele prettige manier, want het komt allemaal, het is allemaal, alle videobanden zijn opgenomen met de Medal videorecorder.
• 54:37
  Ja, wat het, wat het voorspelbaar maakt, gestandaardiseerd maakt en daarbij heel goed bruikbaar voor het trainen van die world models.
• 54:44
  Uhm, hij sloeg dit bedrijf, dus hij kon dus, ja, hij constateerde: ik zit op een soort van Groningse gasbel, want dat is wat er is gebeurd. Die komt dus uit Nijmegen, niet uit Groningen.
• 54:55
  En daarmee bedoelen we dus de, dat het niet explosief is, maar een grondstof. Een grondstof, ja. Op ons grondgebied. Op ons grondgebied, namelijkHet land Nederland. Wij hebben de clips. En wij hebben die clips.
• 55:06
  En, uh, toen kwam, uh, naar verluidt OpenAI die zei: uh, dit willen wij. Wij geven jou een half miljard. Dan geef jij ons jouw bedrijf. Toen zei Pim naar verluidt: uh, nein.
• 55:20
  En toen startte hij een nieuw bedrijf genaamd General Intuition, een, uh, AI-startup met tot nu toe € 130 miljoen aan investering, gebouwd op de gok dat die, dus die miljarden uren aan beelden uit games en niet enkel tekst uit boeken de sleutel zijn tot het bouwen van die world models die de fysieke wereld begrijpen.
• 55:38
  Wat nu volgt is een vrij complex gesprek, zeg ik erbij, lieve luisteraar, waar heel veel terminologie in voorkomt, waar het af en toe je zal duizelen. Maar geloof mij als ik zeg dat het je tijd toch waard is. Absoluut.
• 55:51
  Want het is denk ik uiteindelijk, uh, als het ding rond is wel te begrijpen.
• 55:56
  En dan begrijp je volgens mij ook wat de, het belang is, uh, van niet alleen world models, maar ook het feit dat dit een Nederlander is die tot nu toe vrij onder de radar heeft gevlogen en dat hier allemaal zit te vertellen.
• 56:09
  Ja, en ik denk dat Alexander en ik intuïtief aanvoelen, al vrij vroeg in het gesprek: dit is belangrijk, maar het kost ons even om Pim te temmen [lacht].
• 56:18
  Ik weet niet of het ons ooit gelukt is omdat hij zo diep in de materie zit. Hij zit er diep in.
• 56:23
  Dus blijf erbij, uh, doe je best, uh, concentreer je op wat er gezegd gaat worden en, uh, uh, laat je inspireren door Pim de Witte. Zet je auto soms gewoon even langs de weg joh. Precies, het is het waard.
• 56:35
  [muziek] Wat denk je dat de wereld straks kan met world models? Ja, uhm, world models.
• 56:42
  Ik denk dat de, de, de eerste use case is simuleren van dingen, uh, wat heel hoge kosten heeft voor, uhm, als je het in de echte wereld zou moeten simuleren.
• 56:52
  Dus bijvoorbeeld een, een, een, een crash met een auto, uhm, uh, een gevaarlijke, uh, manoeuvre in een boot of wat dan ook.
• 57:00
  Alle dingen die je, zeg maar, autonoom, uhm, uh, wilt controlen dan, uh, d-dat, dat, dat soort data bestaat niet, zeg maar. En ook om het, om het te bouwen is, is heel duur.
• 57:10
  Uhm, ook bijvoorbeeld, uhm, als je, uh, traditionele simulaties bouwt is het heel lastig om, uh, het heet stochasticity, om, zeg maar, onvoorspelbaarheid te simuleren. Om hoe mensen echt gaan reageren op dingen.
• 57:25
  Voor bijvoorbeeld een zelfrijdende auto. Is dat een goed voorbeeld? Ja, bijvoorbeeld als je bijvoorbeeld over, uhm, door een drukke stad rijdt. Mhmm.
• 57:32
  Om, om, om goed, zeg maar, mensen te simuleren die echt als mensen, uhm, zich voordoen is, is heel lastig, uh, uhm, en het kost heel veel compute.
• 57:42
  Uh, en, en, dus wat je wil doen is je wil eigenlijk gewoon een video model hebben of wat dan ook die dat, die dat dingen al gezien heeft
• 57:48
  en dan wil je daar een interactieve layer op gooien zodat je dan gewoon daarin kan duiken, zeg maar. Uhm, en dat, dat is, dat is een beetje het verschil. Ja. Uh, en, uhm,
• 57:59
  ja, dus, dus, dus, uh, en het is ook voor robots bijvoorbeeld. Het zijn gewoon zoveel dingen waar je gewoon geen goede video op het internet van hebt, wa-waar je ook niet goed van kan leren.
• 58:09
  Ja, wij, wij verwachten allemaal en daarna gaan we nerder, maar wij verwachten allemaal dat je, uh, dat we robots gaan krijgen.
• 58:18
  Of misschien voertuigen of alles wat daar tussenin zit, die gaan snappen hoe ze zich moeten voortbewegen in een onvoorspelbare echte wereld.
• 58:29
  En de hypothese die jij hebt met jouw bedrijf is: games zijn een uitstekende bron om te leren over de echte wereld.
• 58:38
  Mensen die spelletjes spelen zijn een hele goede bron om een systeem te laten dromen over de echte wereld. En daarmee wordt de echte wereld voorspelbaarder. En jij bent daar eigenlijk een sleutel in.
• 58:49
  Zo'n belangrijke sleutel dat blijkbaar OpenAI zegt: hier is een, hier is een, uh, een half miljard, uh, voor dit bedrijf. Waarom heb je daar nee tegen gezegd?
• 58:58
  Uh, officieel, uh, kan ik geen, kan ik geen comment geven op, op OpenAI. Uhm, ik kan je wel comments geven op, zeg maar, hoe we naar de markt kijken.
• 59:06
  Wij, wij, wij zijn erachter gekomen dat we zoveel van dit soort data hebben dat we gewoon world models eigenlijk als tweede kunnen doen.
• 59:14
  En we kunnen gewoon net zoals LLM's kunnen we eerst gewoon, zeg maar, de, de, het heet supervised learning wat ik net uitlegde met de masking en de predictions.
• 59:22
  Uhm, je kunt eerst gewoon een hele grote supervised learning pad nemen, uhm, en, uh, en, en dan, je kunt, zeg maar, tegelijkertijd die world models bouwen.
• 59:32
  En je kunt, en, en, dus voor ons, zeg maar, elke, elke Serious Lab, die moet nu twee, drie jaar lang moet die world models scalen, bouwen.
• 59:38
  Het kost superveel compute, want je zit- Als Google wil beginnen dan hebben zij heel wat meer, uh, in te halen eigenlijk, terwijl jij al een enorme database met videogamebeelden hebt liggen.
• 59:48
  Het is een beetje alsof ik, zeg maar, bij Medal dat we het internet hebben en niemand anders heeft internet, dus we moeten het internet gaan simuleren. Ja.
• 59:55
  Waarom is dit zo'n belangrijke, gaat dit zo'n belangrijke rol hebben voor, voor AI-agents? Ja, uhm,
• 1:00:02
  je, je kunt natuurlijk nu al zien met ChatGPT en dat soort dingen, uh, het is heel goed met, met, met dingen in tekst doen, maar a-met alle computer use agents en dat soort dingen zijn allemaal nog heel slecht.
• 1:00:13
  En de reden is omdat die, die, de, uhm, de data, de data scaling laws van tekst. Tekst is heel goed te vinden op internet, maar dat soort, zeg maar, interaction data niet.
• 1:00:24
  Uhm, en dus het is hoe je eerst naar betere computer use modellen gaat en dan- Heb je daar game, gamevideo voor nodig? Voor een, voor een taalmodel dat beter een toetsenbord en een muis kan bedienen.
• 1:00:34
  Ja, je kunt, uh, bijvoorbeeld er is een, uhm, een paper van ByteDance, dat heet UITars en dat, k-, uh, en daar gebruiken ze, uh, games om te pretrainen.
• 1:00:44
  En wat ze dan doen is, uhm, en de reden is omdat SaaS applications, dus gewoon maar software as a service, uhm, die lijken heel veel op elkaar en je wil, uh, uhm, je wil bij het trainen van die modellen wil je juist heel veel, het heet entropy per token, dus heel veel diversiteit hebben.
• 1:01:00
  En omdat die SaaS applications zoveel op elkaar lijken, krijg je meer, uh, learnings van hele diverse game interfaces.
• 1:01:08
  Denk, denk bijvoorbeeld aan Kerbal Space Program of wat dan ook, waar je letterlijk een raket in elkaar zet. Ja, dat is een spelletje waarbij je een heel ingewikkelde interface krijgt om een raket te bouwen.
• 1:01:17
  Precies.En en bij Medal zit ze zijn Daarmee kan een AI leren hoe die Slack moet gebruiken. Ja, dus. Echt. Maar het gaat. Maar wa-- oké, uhm, wat je hiervan moet begrijpen is een LLM. Niet alles zit in de pre-training.
• 1:01:29
  Een LLM is ook heel goed als je bijvoorbeeld dan later er heet expert chain, reasoning chains en dat soort dingen toevoegt. Dus het, het gaat om de om de transfer.
• 1:01:38
  Uhm, dus natuurlijk, als je alleen op game data traint dan zero shot je niet Slack. Maar wat het wel betekent is dan heb je 100 keer minder Slack data nodig om Slack te, te doen. Ja, ik ga dit even vertalen. Ja.
• 1:01:50
  Als je alleen maar, uh, kijkt naar hoe iemand, uh, Slack gebruikt, heb je niet genoeg om Slack helemaal te kunnen bedienen automatisch door een computer.
• 1:02:02
  Je hebt er meer aan door te kijken naar heel veel spelletjes die niks met Slack te maken hebben, maar die wel mensen zijn die spelletjes aan het gebruiken zijn om, om ingewikkelde dingen in elkaar te zetten.
• 1:02:13
  Ja, dat is een fascinerend idee. Ja, het gaat om de diversiteit, uh, van de interfaces. Ja. Gaming interfaces lijken minder op elkaar dan SaaS applicaties. En dat is goed voor een AI. Dat is goed voor een AI model.
• 1:02:24
  Want dan is hij generalistischer en kan hij verschillende dingen doen. Niet alleen Slack, maar ook Microsoft Word en ook Microsoft Excel et cetera. Precies.
• 1:02:31
  Oké, en je zegt eigenlijk zijn het is een tweestapraket, want je hebt dan eerst die kom-- eerst computer use zoals je dat noemt.
• 1:02:36
  Dus het, het een AI die, uh, eigenlijk, uh, ja programma's op je computer automatisch bedient en zo automatisch voor jou complexe taken uitvoert.
• 1:02:44
  Daar kun je game data bij gebruiken, dus die video's van jou zijn daar heel waardevol voor.
• 1:02:49
  En ten tweede krijg je die uitgebreidere world models die gebruikt gaan worden om robots door de, de wereld en, en daarin zeg jij: mijn bedrijf brengt daar versnelling aan voor grote bedrijven. Ja.
• 1:02:59
  En dat is de verklaring in algemene zin waarom AI bedrijven misschien half, een half miljard bieden voor een bedrijf zoals dat van jou.
• 1:03:06
  Ja, uh, ik denk dat door ons dat wat mensen dachten dat in de volgende vijf jaar kon, dat nu misschien de komende één tot twee jaar kan. Juist.
• 1:03:14
  Waar ik me over verbaas is, uh, Google heeft YouTube en ik heb, ben er eigenlijk altijd een beetje naïef van uitgegaan dat, uh, dat zij daarmee hun treasure trove wel hadden, hè.
• 1:03:22
  Dus dat wat jij, je had het net over Common Crawl als het gaat om tekstdata. Ja. Beschikbaar voor de meeste labs waardoor die modellen nu ook zo op elkaar lijken allemaal, hè, dus de taalgebaseerde modellen.
• 1:03:32
  Er is geen Common Crawl voor video, zeg maar geen video Common Crawl en YouTube is dat ook niet. Ja, uhm, hele goede vraag. D-, uhm, paar dingen. Eén: Medal heeft, uh, qua games meer uploads dan YouTube.
• 1:03:46
  We hebben 1 miljard uploads per jaar ongeveer. Uhm, YouTube heeft geloof ik vorig jaar ook zoiets like 900 miljoen of zo en dat is in alles.
• 1:03:55
  Ik, ik denk niet dat er Shorts in zit, maar ik denk dat de, de, de public uploads. Uhm, uhm, met YouTube data heb je drie problemen.
• 1:04:03
  Eén: uh, als het op een mobiele telefoon opgenomen is, zit je niet in, in de perceptie van de persoon die de acties neemt. Dat toestel zit niet aan iemands bril plakt. Zit je niet in de ogen. Op die hand. Precies.
• 1:04:15
  Dus dan moet je iets gebruiken dat heet pose estimation. Pose estimation is waar je, zeg maar, probeert vanuit een ander, uhm, uh, punt, zeg maar. Ander camerastandpunt bijna.
• 1:04:25
  Ja, ander te g-te genereren en dat doe je ook met AI. Probleem daarvoor is, is, nou ja, je gaat een heleboel dingen simuleren die out of distribution zijn, dus het is niet, het is zeg maar het generalize niet supergoed.
• 1:04:36
  Dus je kunt, zeg maar als je hele complexe dingen, uh, ziet, dan, dan werkt dat niet heel goed. Het feit dat mensen zelf de camera vasthouden maakt dat het eigenlijk hele rommelige data oplevert.
• 1:04:46
  Precies, want wij hebben gewoon ogen die, zeg maar, goed, zeg maar vastzitten. Uhm, en, en het tweede, uhm, uh, dus, dus. Daarom zijn point of view beelden die in games normaal zijn veel beter om op te trainen.
• 1:04:58
  En, en het tweede is omdat je, omdat je die, die supervised learning methode moet gebruiken die ik uitlegde. Moet je dan human labelers, zeg maar mensen die, die die videobeelden gaan labelen met de acties. Maar, uhm.
• 1:05:10
  Fysieke mensen die naar een video kijken en dan eigenlijk op het toetsenbord gaan nadoen dat als dit een game zou zijn, dan zou de camera zo bewegen bijvoorbeeld. Ja, maar, maar dat kunnen mensen helemaal niet.
• 1:05:19
  Dat zit dus echt. Niet op die YouTube beelden, want die zijn veels te vaag. Nee. Ja, ze zijn vaag en ook, uhm, uh, zeg maar, je moet het eigenlijk met milliseconde precisie dat soort dingen kunnen doen.
• 1:05:30
  En dat kan, dat, dat kunnen labelers, vooral als je, weet je, als het € 10 per uur hiermee verdient of wat dan ook, dan, ja, d-d-hoe g-hoe goed ga je dat zeg maar doen? Weet je, ik denk, uhm,
• 1:05:41
  uh, dus, uh, dus, dus, dus je, je hebt de acties niet. En de derde, en, en dit was denk ik de belangrijkste is: uhm, dus ook al heb je alle twee die dingen,
• 1:05:51
  de echte, uh, spatial temporal, zeg maar, beslissing, die, uh, is meestal een resultaat van, zeg maar, waar je ook je ogen naartoe beweegt.
• 1:06:00
  Dus de optical dynamics heet dat en, uhm, dat kun je zelfs met pose estimation, dat soort dingen kun je dat niet echt inschatten. Dus je, je, je hebt zeg maar drie information loss events: pose estimation, actions,
• 1:06:14
  optical dynamics en daardoor kun je die supervised bets niet goed nemen.
• 1:06:19
  Uhm, dus je kunt zeg maar, uh, weet je, uhm, ik, ik denk natuurlijk, weet je, ze, ze, ze proberen het en, m-maar ik denk, daarom denk ik dat we ook zeggen van: het gaat om vijf, gaat voor hun vijf jaar duren.
• 1:06:30
  Ze moeten al deze problemen oplossen met AI. Uhm. Ja, om eigenlijk hun bestaande dataset geschikt te maken. Ja. Want zou ik, zou ik je, zou ik, zou kunnen interpreteren. Je had het net over SaaS applicaties.
• 1:06:40
  Als je allemaal opnames van Slack maakt, dat is eigenlijk niet divers genoeg, hè. Dus die opnames van al die Slack rondklikken en, uh, uh, OneDrive, dat is niet genoeg. Dat is niet divers genoeg.
• 1:06:50
  Maar eigenlijk zijn die beelden die YouTube heeft te divers als ik je zo hoor. Uh. Een soort diversity slider. Nee, je, je wil diversiteit hebben, maar je wil ook wat heet ground truth hebben.
• 1:06:59
  Dus je wil, zeg maar, uhm.Je wil geen variatie hebben in de observations en de perception, maar je wil. Je wil. Je wil variatie hebben in wat je waarneemt.
• 1:07:12
  Ja, dus je standpunten moeten vast zijn en daar mag best diversiteit zijn met hetzelfde standpunt. En wat YouTube niet heeft is een vast standpunt. Om het even als voorbeeld te noemen.
• 1:07:20
  Precies vast standpunt en de acties en en en. Als resultaat en de optical dynamics. Als resultaat kun je die LLM bed gewoon niet nemen en, en als het nemen kijk je kunt een AI kun je heel veel met veel computer oplossen
• 1:07:34
  dus. Dus het gaat gewoon veel langer duren en het gaat veel duurder zijn. Ja, want jullie dataset is dus en divers en heeft die vaste standpunten. Om het even plat te slaan.
• 1:07:43
  En dat maakt het zo'n ontzettend waardevolle dataset. Ja, en en. En ook omdat die die optical dynamics, dat spatial reasoning is heel belangrijk. Want in games is alle informatie die die die tot een beslissing
• 1:07:56
  waar je op basis van waar je beslissing neemt is op het scherm. Dus je weet 100% zeker dat er geen information loss is tussen wat je ziet en wat je beslist.
• 1:08:07
  En zelfs daarnaast met de muis simuleer je die optical dynamics, want daarmee zeg maar zeg maar doe je je ogen simuleren een beetje, weet je wel. Dus gewoon links, rechts kijken, dat soort dingen.
• 1:08:20
  Dus dus je simuleert met je hand dat soort dingen en daardoor is het gewoon hele goede data op spatial reasoning. Het is dus de beste representation van spatial reasoning.
• 1:08:31
  Dus daarom zeggen we ook we doen General Agents for Environments die require diep spatial reasoning. Omdat we we. Wij willen een beetje zeg maar de anthropic code bad name is heel hard gefocust op code. Ja dus.
• 1:08:43
  Anthropic Cloud. Die zijn helemaal aan het specialiseren binnen die software niche omdat zij daar ook tokens verkopen. En dat gaat goed. En jij zegt wij gaan ook een niche kiezen.
• 1:08:51
  Wij verkopen vision tokens in action tokens uit. Heel simpel. Dit is de wereld. En als je die wereld wil manipuleren zoals jij dat zegt, zoals een auto die naar rechts moet rijden, dan is dit de
• 1:09:05
  actie die je moet ondernemen. Precies. Maar waarom vraag je het over je over je over YouTube ietsje? Nou, ik denk dat. Kijk, ik, ik ben wel nieuwsgierig, want medal.
• 1:09:15
  Dus voor de luisteraar er is een bestaand bedrijf medal. Dat is jouw bedrijf en een nieuw bedrijf waar we het zo over gaan hebben. Wat eigenlijk uit medal geboren is, toch? En Maar toen jij medal startte.
• 1:09:25
  Of toen je toen jullie medal startte, wist je dit al? Of is dit zeg maar nee. Nee. Dit is in alle eerlijkheid je bent het niet gestart met het idee met een soort soort Demis Hassabis achtige gaming AI visie.
• 1:09:36
  Nee, het is het is nog erger zelfs toen ik ik, ik. Ik werkte in 2000 vijf, 2016 op dezelfde etage als DeepMind bij Google. Ik werkte voor Arts zonder Grenzen, maar ik werkte toen aan Ebola. En en en.
• 1:09:53
  Google had had ons project overgenomen daar en ik had het met die Deep Minders over deze soort experimenten. Ik zeg dom, wat zijn jullie aan het doen met die games? Yo. Dus ik had, ik had.
• 1:10:04
  Ik had voorkennis en daarna ben ik medal gestart. Ik had zelfs toen nog geen idee en het was eigenlijk toen. Maar weet je, ik ben altijd. Wat vond je dom dan?
• 1:10:14
  Dat ze spelletjes aan het spelen waren, want zij gebruikten toen games om hun modellen te trainen. Ja, je kunt nooit. Je kunt er nooit genoeg data uit halen, zeg maar van individuele spelletjes en dat soort dingen.
• 1:10:24
  Weet je wel. En je. En het is ook niet echt. Je speelt niet tegen mensen, dat soort dingen, want dat kun je niet doen, want dan word je geband vanwege anti cheat en dat soort dingen.
• 1:10:31
  Dus ik had al die redenen waarom het niet zou werken en, en en toen. Toen ben ik medal gestart en ik heb er nooit aan gedacht. De link nooit aan gedacht. Ik heb.
• 1:10:43
  Ik heb wel zeg maar 2016 2017 met TensorFlow en dat soort dingen heb ik toen voice modellen gebouwd. Ik ben. Ik ben al mijn hele leven redelijk technisch, maar ik heb die link nooit gemaakt toen.
• 1:10:53
  Dat het bedrijf wat je gebouwd had stiekem een cruciale factor had kunnen zijn. Ja, ja. En En het is wel grappig, want DeepMind heeft toen ook die van papers gepublished over de over Creating the Episodic Memory
• 1:11:08
  om om modellen te trainen en, en, en. Ik had nooit. Wij legden medal altijd uit als zeg maar het episodische geheugen van mensen in simulatie. Want het zijn zeg maar de highlights.
• 1:11:19
  Weet je wel, de dingen die je die heel belangrijk zijn, die je wil onthouden. En we hebben zelfs toen die link nooit gemaakt. En het was het was na 2000. Het was na GPT-2 of GPT-3 waar ik had.
• 1:11:35
  Ik weet je, ik Ik begreep een beetje hoe die dingen getraind zijn. En toen uiteindelijk heeft DeepMind heeft Genie heeft de originele Genie paper en cinema paper toen gepublished.
• 1:11:45
  Dat is het basisidee over hoe je een world model kan bouwen, de echte wereld kan simuleren. En toen begonnen mensen ook een beetje te zien dat het dat het werkt, dat het kan. Ja, op die schaal inderdaad. En
• 1:11:58
  ja, en toen hebt u het eerste wat ik heb toen heb gedaan is heb ik eigenlijk Demis Hassabis een e-mail gestuurd. En en En ja, dat was een beetje het begin van van alles wat er daarna gebeurd is. Want misschien.
• 1:12:10
  Kijk, jij begint dus eigenlijk medal met niet die intentie. Maar je Je zit hier nu met allerlei machine learning generatieve AI jargon.
• 1:12:18
  En waar Alexander en ik best wel ons best doen ook voor de luisteraar om ze een beetje te helpen, hè. Hoe, hoe?
• 1:12:23
  Hoe is dat dan zo gekomen dat je er nu eigenlijk wel zoveel van weet en zoveel mee bezig bent, terwijl het eigenlijk niet je achtergrond is toch? Ja, ik denk een paar dingen. Één. Ik Ik heb hele slimme co-founders die.
• 1:12:37
  En ik vraag heel veel vragen. En ik, ik. Ik heb ook van de zomer heb ik Deep Learning courses gedaan voor die announcement. Want ik ik. Ik heb toen een beetje. Deze zomer.
• 1:12:50
  Ja, ja, ik heb gewoon om om de basis te versterken. Weet je, ik had ik. Ik Ik heb. Ik heb toen tegen mijn co-founders gezegd van hey, als ik zeg maar heel, heel goed hierin moet zijn.
• 1:12:59
  Het zijn allemaal PhD's, weet je wel. Welke courses moet ik deze zomer doen om zeg maar op jullie niveau. En ik kan nooit op hun niveau komen.
• 1:13:06
  Natuurlijk met ze te kunnen praten.Ja, ja, maar kijk, mijn achtergrond is zeg maar infrastructure engineering en, en, en low level systems en ook GPU's.
• 1:13:14
  Ik heb, ik heb de hele transcoding video transcoding stack van Medal geschreven, dus een heleboel van de dingen waar ze mee bezig zijn was ik al redelijk goed in.
• 1:13:22
  Maar, uhm, uh, modellen bouwen zelf is, is, is één heel wiskundig, uh, zoals je weet, uhm, en, uhm, uh, en, en dit is, het is een hele, uh, zeg maar diepe specialiteit.
• 1:13:34
  Dus ik, ik, ik, ik, ik, ik zeg ook niet-- ik ben zelf geen expert in het bouwen van modellen. Ik, maar ik, ik begrijp wel hoe het alles werkt.
• 1:13:41
  Uhm, en, uh, ja, dus, uh, ja, dus ik, ik, ik heb toen ook een beetje, uh, de cultuur gezien beschr-, t-, in verschillende AI bedrijven en, uh, het verschil tussen bedrijven met, uh, waar ze, uh, goede AI kennis op de top hadden en niet.
• 1:13:59
  En zeg maar Demis natuurlijk, die kan dit allemaal heel goed.
• 1:14:02
  Uhm, en dus ik dacht van ja, ik moet voordat die announcement doe moet ik heel goed studeren en zou me echt het begrijpen, want op het moment dat ik die announcement doe, dan gaat het heel hard en dan heb je daar geen tijd meer voor.
• 1:14:12
  Het is inderdaad ongelooflijk hoe recent dit allemaal is. Deze zomer heb je een, nog een aantal cursussen gedaan. Het geld ophalen is ook deze. Ja, ja, ja. Is ook maar een paar maanden geleden. Ja, ja.
• 1:14:23
  Dat is insane eigenlijk, want daarvoor was jouw wereld was, was echt, het is een heel, heel vet bedrijf wat je had gebouwd. Maar het was geen AI bedrijf. Ja. En dit is allemaal gewoon het afgelopen half jaar gebeurd. Ja.
• 1:14:35
  Los van het feit dat het ook een best wel een bizarre turn is, hè, want iemand komt eigenlijk aan jouw deur en zegt: wat jij, wat jullie in handen hebben, wat jullie hebben opgebouwd met elkaar.
• 1:14:43
  Als wij dat zouden hebben, dat zullen meerdere partijen zijn geweest, dan kunnen wij daar heel mooi op doorbouwen. En jij zegt: nee, maar ik word gewoon zoals jullie dan. Ik, ik ga doen wat jullie doen.
• 1:14:52
  Of zie ik dat verkeerd? Zeg maar. Ik doe het zelf wel in ieder geval. Deze guys die werken al vijf jaar lang aan world models voor, voor dat het cool was. Uh. Welke guys bedoel je dan? Vincent, Alois en Adam.
• 1:15:03
  Die bij jou in je team zitten. Mijn cofounders. Ja, die werken, die werken al, die hebben ook, die hebben zelf, die hebben zelfs de, die papers geschreven waar, waar, uh, Genie deels ge-, op gebaseerd was.
• 1:15:13
  Dus, dus die zijn-- kijk, uhm, het, het, uh, ik zou, hoe zou ik het kunnen uitleggen? Uhm, uh, ik ben een beetje een achttienjarige die in de auto stapt. Weet je, ik heb net mijn rijbewijs gehaald.
• 1:15:24
  Ik weet hoe het een beetje werkt, maar ik hoef ook niet, ik, ik hoef niet zeg maar alles te weten. Ik, we moeten ook een bedrijf natuurlijk operaten. En zij zijn de sh-, de Formule 1 drivers [lacht].
• 1:15:34
  Ja, maar je hebt ze, je hebt hun erbij, maar je hebt hun erbij gehaald toch? Ik bedoel recent. Ja, tuurlijk. Omdat je dacht ik wil het zelf doen. Want toch nog even terugkomen op die vraag, hè.
• 1:15:43
  Ik bedoel, je had ook kunnen zeggen en dit doen volgens mij de meesten, schat ik zo in. Ik verkoop het. Wat een mooie exit voor Medal! Ja.
• 1:15:50
  Ik ga lekker, uh, d-, Demis Hassabis videootjes en boeken lezen in mijn eigen tijd en ik begin helemaal niet een, een nieuw bedrijf. Ik vind dat gewoon een interessante keuze van je. Ik, ja, ik ben, ik, ik ben dertig.
• 1:16:02
  Ik heb, ik, ik, ik, ik-- alle AI leaders zijn allemaal veel ouder.
• 1:16:07
  Zeg maar mijn generatie is denk ik een van de meest, zeg maar affected bij dit soort dingen en, en ik dacht van: ja, weet je, als we de kans hebben en het is ook in Europa is er niet veel AI.
• 1:16:17
  Zeg maar wat, zeg maar kijken naar andere bedrijven gaat niet heel goed. Uhm, en dus ik dacht van: ja, als we de kans hebben moeten we het gewoon doen. En i-ik wist natuurlijk niet 100% zeker dat die kans er echt was.
• 1:16:27
  Het duurde echt, weet je. En, en het, ik, het, het is meer anderhalf jaar zou ik zeggen, want we, we hebben natuurlijk, uhm, uh, uhm, ja, de, mid 2024 is zeg maar echt allemaal heel hard gegaan. Uhm, en, uhm, uh,
• 1:16:43
  ja, uh, en toen, ja, we geloofden het zelf eerst ook niet. Uh, het wa-, het was echt toen ik de, toen ik die researchers gerecruited had dat we het echt allemaal doorgenomen zijn en van: ja, oké.
• 1:16:55
  Je bedoelt, je geloofde niet dat mensen op dat niveau geïnteresseerd zouden zijn? Nee, nee, ge-, dat, dat we, dat we, dat we zo belangrijk zijn voor AI. Juist. Weet je, het, het is, het is, uhm.
• 1:17:04
  Ja, er zijn echt een paar rare dingen hier bij elkaar gekomen, namelijk jouw enorme dataset. Het feit dat je mensen kent die al heel lang met die world models bezig zijn.
• 1:17:13
  Het zijn allemaal pu-- en dat dan vervolgens dat een missend puzzelstukje blijkt te zijn voor de grootste techbedrijven ter wereld op dit moment.
• 1:17:19
  Dat al die dingen tegelijkertijd samenvallen verklaart-- hé, en als je dan, dit pitch jij dus bij investeerders waarschijnlijk de hele tijd.
• 1:17:27
  Wat is, als je, als je nu jouw bedrijf pitcht bij investeerders, dat is forward looking. Dat is dan kijk je in de toekomst. Wat, wat pitch je ze dan? Ja, uhm,
• 1:17:37
  je ziet hoe goed het is gegaan bij Anthropic om gewoon te focussen op code.
• 1:17:40
  En daar hebben ze, ze hebben dus eerst code heel goed gedaan met die LLM's en toen hebben ze dat gebruikt om meer dingen binnen het bedrijf op te lossen.
• 1:17:46
  En wij doen gewoon precies dat, maar voor, uh, spatial temporal agents, dus alle, uh, workloads, zo, zeg maar, uhm, uh, mensen simuleren in, uh, self-driving car simulations. Uh, bots voor video games.
• 1:17:58
  We werken met de gro-- we werken al met de grootste game developers voor bots, uh, binnen de spellen die meer als mensen spelen. Uhm,
• 1:18:05
  en, uh, dus wij, wij willen gewoon heel erg gefocust zijn op, op, zeg maar deze use case. En we denken dat je dan als je dat goed doet, dan kun je binnen die bedrijven veel meer doen.
• 1:18:15
  Uh, want, a-a-a-, hoe, hoe langer een, een, een, een workload is, zeg maar, uh, uh, hoe meer spatial temporal het wordt. Snap je? Dus, uh. Wat bedoel je dan met meer doen? Veel meer doen?
• 1:18:26
  Uh, ja, dan kun je natuurlijk dingen zoals computer use en dat soort dingen gaan doen. We willen nu heel erg gefocust zijn op 3D en heel erg gefocust op, uh, op simulatie.
• 1:18:34
  En dan zeg maar uitbreiden naar computer use en robotics en dat soort dingen. Als jij zegt: ik ga en, we gaan, uh, die specialiteit in, zeg maar.
• 1:18:41
  Want toch nog we-weer even een stapje terug, want wij hebben het er nu-- Alexander stuurde mij, uh, Medal door, uh, een aantal weken geleden van: joh, Wietse, kijk even mee, wat gebeurt hier allemaal?
• 1:18:52
  En ik, ik dacht op een gegeven moment: Alexander en ik maken hier wekelijks grapjes over Mistral [lacht], onze Europese trots als het gaat om het trainen van taalmodellen grotendeels, hè.
• 1:19:01
  En, uh, maar wereldmodellen zijn de volgende stap na taalmodellen, hè. Er zijn heel veel experts het met je eens. Ook Jan LeCun is weggegaan bij Meta omdat hij zei: dat hele LLM paradigma heb ik wel een beetje gehad.
• 1:19:11
  Het gaat naar wereldmodellen toe, hè. Bij DeepMind wordt er enorm geïnvesteerd, et cetera.
• 1:19:15
  Dus die validatie dat wereldmodellen een volgende stap zijn, is er.Zitten wij hier dan nu te praten met een de wereldmodellen Mistral van, van Europa? Je zit te knikken. Ja, ik denk dat we.
• 1:19:25
  Ik denk dat we de beste kans hebben, ook zelfs tegen Google en tegen Yann LeCun. Ik denk dat we ze echt met drie jaar kunnen inhalen, anders had ik het niet gedaan. Anders had ik het verkocht.
• 1:19:34
  [lacht] weet je, uh, het is zo. Ja, uhm, het wat het ziet. Uh. Één ding wat je ook even moet beseffen is dat elke robot van de wereld heeft een game controller. Elke arm robotic arm heeft een game controller.
• 1:19:49
  Ja, zelfs in een in een autofabriek of zelfs in zelfs een robotstofzuiger kun je allemaal bedienen met een PlayStation controller.
• 1:19:57
  Precies, dus dat is dat is ook het grote inzicht wat we nog niet over nog niet over gehad hebben. Je hoeft. Je hoeft niet, zeg maar een bet te maken of een gok te maken op, uhm, op dat je input space transfer hebt.
• 1:20:08
  Zeg maar dat je dat het van in. Dat je van input space naar andere input space naar zeg maar robotic hand of wat dan ook. Weet je wel. Maar uhm.
• 1:20:16
  Maar je hoeft alleen de observatie, de de observation, de environment, zeg maar de uhm. Iemand komt met video erin en jij stuurt de game controller acties terug. Precies, jullie moet je dan doen.
• 1:20:26
  Jullie hebben de modellen al gezien waar je zeg maar de de labels gewoon kunt genereren op de video. Die mensen die die naar ons sturen. Ja. En als je nou dit voor computer use wil gebruiken, wat is dan de.
• 1:20:38
  Laten we hier eens op inzoomen, want je hebt eigenlijk uit elkaar gezet. Dit zijn de twee, uh, grofweg gezien de twee use cases computer use. Wat is nu de stand van zaken van computer use?
• 1:20:48
  Wat zie jij nu als cutting edge? Wat is een, een toepassing of een voorbeeld? Of een demo die je zelf hebt gezien waar je van onder de indruk bent? Ja, uh, het model dat ik jullie ook, uh, even liet zien was ook.
• 1:21:01
  Voor de uitzending heb je ons kort wat video laten zien. Ja, was was letterlijk een. Wat was een computer use model met computer use input? Uhm, uhm en uhm. Ja. Dus kijk alles wat je alles wat je in tekst kunt oplossen.
• 1:21:15
  Heel goed. Dat kun je met LMS goed doen. Uhm. Maar uh, alles wat je zeg maar uhm, uh, bijvoorbeeld een Excel spreadsheet. Dat is heel lastig, weet je wel.
• 1:21:27
  Uh, of uhm, uh, of meerdere applicaties zeg maar bij elkaar gebruiken om, om iets om iets te produceren. Heel lastig uhm, als je iets uhm, uh.
• 1:21:41
  Kijk, je, je wilt ook niet constant voor elke taak integratie met LM moeten doen.
• 1:21:46
  Weet je, je, je wil gewoon dat je dat, dat je letterlijk gewoon tegen een, een computer model zegt van oké, uhm, uh, vind voor mij de, uh, weet je, uhm, uh, goedkoopste tickets naar, uh, weet ik wat steden? Ja, Helsinki.
• 1:22:03
  Ja. Uhm, en, uh, ik, ik wil het alleen, uh, als er deze, uhm, stoelen beschikbaar zijn. Ja. Weet je. En, en dus, uhm, je kijkt er gewoon op een andere manier naar.
• 1:22:17
  Je, je kunt alle interfaces van de websites en dat soort dingen zien wat je gewoon in tekst allemaal niet kunt doen. En dan hoef je niet al die systemen die voor LMS te bouwen.
• 1:22:26
  Dan kun je gewoon hoe het internet nu al is gebouwd gebruiken. En specialiseer je nu ook hierin? Of is het meer toekomstmuziek dat je Excel kan gaan bedienen? Wij focussen nu op 3D. Uhm, en, en de reden is dat 3D robots.
• 1:22:39
  De de echte wereld. Dat is eigenlijk een moeilijkere toepassing. Dus de, de. Dan Excel. De focus op het moment is in engine, uhm, simulation dus zeg maar uhm bots voor videogames.
• 1:22:51
  En bijvoorbeeld als je in uh als je Nvidia bent en je en je bent van die uhm
• 1:22:57
  simulaties aan het doen van fabrieken, uh, dan moet je simuleren hoe mensen zich gedragen binnen, uhm, uh, binnen fabrieken en dan zet je ons model stream je de vision en dan predict je de actions en dan heb je zeg maar uh onvoorspelbaar gedrag van mensen die je gewoon met tekst kunt, uhm, uh, sturen.
• 1:23:14
  En dus het is uh op het moment, want daar zit het meeste geld op het moment. Dus het is gewoon een commerciële beslissing om op die twee dingen in te zoomen.
• 1:23:21
  Dus aan de ene kant lever je aan gamemakers het idee dat je NPC's kan leveren. Dus van die karakters in spellen die zich mensachtig gedragen en veel beter gaan worden door jouw technologie.
• 1:23:31
  En aan de andere kant in fabrieken, uh, waar Nvidia robotisering technologie levert. Of in ieder geval op de achtergrond. Uh, ja, waardoor die robot beter kunnen werken, dat zijn nu de twee.
• 1:23:44
  Ja, daar, daar zijn we het meest gefocust. Uhm, en de manier waarop je daar moet kijken is je hebt zeg maar uh, die, die, die game engines of simulatie engines.
• 1:23:53
  Dat zijn allemaal gewoon 3D environments en daar kun je gewoon gewoon poppetje in zetten, camera opzetten en dat streamt dan naar onze systemen. Zeg maar die frames en wij predicten dan gewoon die actions. Snap je?
• 1:24:05
  Dus je kunt tussen elke engine welke engine je ook gebruikt, kun je onze systemen gebruiken om, uh, gedrag te simuleren. En wat bedoel je dan?
• 1:24:13
  Dat je dan dat je dan kijkt naar iemand die in een keuken staat en een pan oppakt.
• 1:24:17
  En dat je dat jij dan kan simuleren dat als je datzelfde ding als een humanoid zou neerzetten en die humanoid zou te bedienen zijn met een PlayStation controller om die pan op te pakken, dat jij eigenlijk van die beelden van die kok die die pan oppakt
• 1:24:32
  de vertaling kan maken naar de signalen voor die PlayStation controller waardoor die humanoid die pan kan pakken. Dat is wat jij doet. Dat is de video, uh, manier.
• 1:24:42
  Maar je kunt ook, zeg maar als je gewoon een, uh, simulatie hebt van een keuken met die met die pan oppakken, uhm, dan kun je dat gewoon.
• 1:24:52
  Ook al heb je er geen video van, kun je het gewoon in de simulatie zelf proberen in 3D. Weet je wel, want dan ben je gewoon het model van die robot en dan kun je het gewoon.Uitproberen dus.
• 1:25:01
  Uhm, uh, is daarom focus ook een simulatie? Je hebt met simulatie heb je ook heb je geen gevaar dat. Weet je kijken wat er bijvoorbeeld bij bij Cruise in San Francisco is gebeurd. De zelfrijdende auto auto's.
• 1:25:13
  Ja, en er is toen zelfrijdende auto's toen iemand doodgegaan. Uhm en uh. En dat was het einde van het bedrijf. Dus je je hebt. Met fysieke situaties heb je gewoon zero tolerance voor error. Weet je wel.
• 1:25:26
  Dus daarom focussen we nu heel erg op simulatie. Uhm uh. En dan kun je al die systemen bouwen en scalen en dan ga je naar de fysieke wereld toe. Ja, want misschien wat de luisteraar misschien ook zou kunnen helpen.
• 1:25:36
  En mij ook trouwens, is dat Alexander en ik hebben het hier een beetje gekscherend gehad over Neo, de robot van X1 Labs. De robot met een soort grijs pak aan wat door je huis heen gaat.
• 1:25:44
  En toen bleek uit de demo bij Joanna Stern dat het eigenlijk een tele operated robot is.
• 1:25:49
  Dus een robot die is in jouw huis, maar eigenlijk is er iemand anders met een VR headset op op afstand bezig om jouw vaatwasser uit te ruimen. Met een PlayStation controller.
• 1:25:56
  Met een controller in de hand en de en de bril op. En daar zegt het bedrijf van we moeten wel, want we hebben niet genoeg video data om onze robot al die vaatwassers leeg te laten ruimen. En wat jij nu eigenlijk zegt is
• 1:26:09
  als zij dat beeld naar ons toe zouden streamen, dan zouden wij die vaatwasser mogelijk wel kunnen uitruimen.
• 1:26:14
  Maar we beginnen nog even dat die robot niet bij iemand thuis is, maar in een simulatie is omdat we niet in een huis kopjes op de grond willen gaan gooien, et cetera.
• 1:26:22
  Dus jouw stappenplan voor jullie bedrijf is eerst in simulatie, daar de juiste actions naar de simulator sturen en vervolgens de stap gaan maken naar de fysieke wereld. Uiteindelijk wel toch? Ja, ja.
• 1:26:33
  En dat is wel voor ons. Ik denk dat de focus is niet echt op huishouden, robots en dat soort dingen. Het is meer fabrieken en dat soort dingen. Want er zijn zoveel bedrijven gefocust op de use cases dat dat het.
• 1:26:47
  En dat soort dingen zijn in games niet heel goed, zeg maar. Zie niet heel vaak voorkomen. Simulator bedoel je? Je hebt Power Wash simulator. Dat is heel leuk. Heel leuk. En uh uhm.
• 1:27:01
  Maar maar inderdaad, je je wil een beetje bijvoorbeeld navigatie. Je wil dingen hebben die die redelijk uhm general zijn. Begin uh uhm en uh ja keuken en dat soort dingen. Die dingen komen later.
• 1:27:15
  Ik denk dat het begint met robotic arms en. Gevaarlijk werk als ik het goed begrijp in een in. Ja, bijvoorbeeld. Uhm. Ja. Uhm. Uh ja. Ook drones en dat soort dingen.
• 1:27:27
  Bijvoorbeeld voor uhm, voor delivery services en dat soort dingen. Uh, dat dat soort dingen worden de eerste use cases. En onze modellen zijn zo klein dat je die ook gewoon op de drone kunt.
• 1:27:38
  Ja, want dat dat zeg je nu leuk, daar was ik wel nieuwsgierig naar van wat verkopen jullie dan uiteindelijk? Want je zei net heel mooi een aantal minuten geleden video tokens in, actie tokens uit. Wij doen.
• 1:27:48
  Wij doen de vertaling naar wat je wat, wat je ziet op je drone of in je simulatie en wij komen wat hoe je je moet bewegen daarna. Maar betekent dat. Ik dacht meteen dat is dan een service in een cloud ergens wat draait.
• 1:27:57
  Maar je zegt eigenlijk ook nee, onze modellen zijn te licensiëren of in ieder geval aan te schaffen om in jouw hardware te stoppen als hardware bouwer. Ja dus je weet, je weet dat.
• 1:28:06
  Kijk, je moet bijvoorbeeld met dat soort. Je moet dat soort dingen heel. Uhm. Uh, moet je niet veel doen, want je je hebt dan weights exposure. Snap je? Dan kunnen mensen die weight exposure. Ja.
• 1:28:17
  Dus je wil je wil eigenlijk uhm. Uh, zeg maar kleinere versies van de base model. Uh heet distille. Uhm. En uhm. En dan kun je een en die heeft dan mindere acties, minder acties dan.
• 1:28:30
  Specifiek voor die klant, voor de context van de klant. Base model heeft honderdduizenden combinaties van acties en dan heeft die heeft er misschien, weet ik veel vijftig, honderd of wat dan ook. Uhm.
• 1:28:41
  En dan kun je niet, zeg maar een competitief product bouwen uh op uh op op op de weights. Als ik nu game developer ben voor mijn specifieke game, zouden jullie dan een model distille wat in mijn. En die die.
• 1:28:54
  Dat model wordt dan meegeleverd met die game. Omdat die NPC draait. Dan zit het dan inderdaad. Ja, want anders heb je een constante cloudconnectie nodig naar jullie centrum.
• 1:29:03
  Maar ook de meeste games werken op dat op die manier. Ik denk dat het voor drones en dat soort dingen belangrijker is dat je dat je ze lokaal kunt runnen. Bijvoorbeeld moeten heel snel dingen reageren bijvoorbeeld.
• 1:29:14
  Wat vind je zelf vetter eigenlijk als het zeg maar de rol? Want je bent een game, je bent een gamer in in hart zo te horen. Dus is het vind je het.
• 1:29:21
  Vind je het heel vet om naar een punt toe te werken dat games exponentieel veel vetter zijn over vijf jaar? Of denk je aan die drones die rondvliegen en die robots die rondlopen? Voor mij meer de drones dan de robots.
• 1:29:34
  Ik denk de games. Het is heel belangrijk omdat de data natuurlijk ook uit games komt dat je heel veel doet met de game developers. The machine that feeds unto itself.
• 1:29:42
  Je hebt een belang ook bij om games beter te maken, want het maakt de echte wereld beter. Precies. En het is het is ook. We weten dat dat die modellen in games heel goed zijn, want waar de data vandaan komt snap je dus.
• 1:29:52
  Dus we weten gewoon dat in games, dat moeten we gewoon voor 100% goed kunnen doen. Ja. Uhm. Dus uh. Maar ja, daar is niet waar de meeste omzet. Maar robots dus. Ja, ja. En wat?
• 1:30:07
  Wat, waar, waar, waar denk je dan aan? Wat? Wat vind je zelf een vet idee? Waar hoop je op? Ja, waar hoop je op? We zijn. We zijn bijvoorbeeld bezig met uhm. Uh in in uhm warehouses. Dus zeg maar waar je drones hebt.
• 1:30:23
  En dat warehouses waar je drones hebt. Oké, ja. En ja, dat dat, dat bestaat in Amerika. Waarom? Vraag ik me niet. Dus vooral als je als je lichte pakketjes hebt. Is heel, heel snel. En dan kun je vertical bouwen. Ja.
• 1:30:37
  Ja, het bestaat. Oké, dus dat zijn dat zijn dan distributiecentra voor pakketten. Ik zag Roomba Roomba robots op de grond vormen waar drones in datacenters.
• 1:30:45
  Dan heb je one dimension, zeg maar two dimensional plain heb je alleen de grond, maar als je drones hebt, dan heb je. Die pakt dan gewoon een pakketje en die vliegt dan door die door die pakkethal.
• 1:30:53
  Maar het probleem is dat ze heel veel tegen elkaar aan botsen bijvoorbeeld.
• 1:30:57
  Ja, en je hebt in games heb je heel veel data van zeg maar drones die tegen elkaar in gaan en dat soort dingen en dan kun je daar negative event protection op doen. Dus daar zijn we bijvoorbeeld heel goed in.
• 1:31:07
  Uhm, en dan kan dat. Die hebben één actie, dat is stop.En dan pauze. Is een pauze en dan niet botsen. Precies dat. Dat is één één voorbeeld bijvoorbeeld. En elke drone heeft gewoon een game controller, weet je wel.
• 1:31:18
  Dan kun je gewoon met game controller en ook de physical transfer. Dus zeg maar de ehm, hoe leg je het uit? De de manier waarop je van de actie naar zeg maar de motor controls gaat. Dat is natuurlijk.
• 1:31:32
  Ja, je gaat natuurlijk van move left x. Zo'n drone heeft vier motoren en die moet je op een bepaalde manier combineren in hun snelheid waardoor ze gaan bewegen.
• 1:31:41
  Ja, precies, maar dat is een hele andere prediction dan de high level, snap je? Dus dan moet je heel specifiek torque en dat soort dingen gaan uh gaan gaan produceren.
• 1:31:51
  Maar maar omdat de de game omdat ze met game omdat ze game controllers hebben hoef je dat dus niet te doen.
• 1:31:56
  En omdat ze een flight controller hebben hebben ze al auto stabilization en dat soort dingen, dus dan kun je gewoon met de game controller kun je gewoon boem stop. Weet je wat ik best verwarrend vind aan dit allemaal?
• 1:32:06
  Dat we dus naar dit soort voorbeelden aan het zoeken zijn. Naar ja, wat wil je dan met drones? En wat wil je dan met zelfrijdende auto's? En
• 1:32:14
  omdat het voor mij eerlijk gezegd best lastig is om deze generaliseerbaarheid van technologie, het feit dat je ehm, dat je heel veel videobeeld van heel veel verschillende soorten games
• 1:32:30
  in een zwarte doos kan gooien en dat kan gebruiken om Excel te bedienen en om een robot in een warehouse dat ik net voor het eerst heb geleerd kan kan bedienen zodat ze niet op elkaar botsen. Het is.
• 1:32:44
  Het maakt het gewoon zo lastig om te bevatten als mens. Heb jij dit ooit? Ja, ja. Dat is ook de reden dat we die modellen gebouwd hebben die ik je liet zien. Waar je gewoon ook gewoon van video naar controls kan.
• 1:32:54
  Want wij pre-trainen niet alleen met game data, want je kunt ook gewoon dat soort video's in je pre-training gooien. Het gaat meer om dat je één input space. Ik bedoel meer het bevatten wat dit voor impact gaat hebben.
• 1:33:06
  Ja, maar dat wisten we. Het is zo onwaarschijnlijk breed. Ja, maar beduizelt je dat wel eens? Of denk je ja god, dit is gewoon wat ik doe en ik zit op een soort abstracte laag.
• 1:33:16
  En wat mensen daar dan vervolgens mee moeten gaan doen, moeten ze lekker zelf weten. Ja, soms word ik wakker en ik denk echt van how did I get here, weet je wel? En wat denk je dan? Wat of wat?
• 1:33:25
  Wat noopt je tot die gedachte? Ehm, ja, het is als ik met mijn team praat. Waar we bangst voor zijn is wat er gaat gebeuren met de wereld als alles goed gaat. Snap je? Zeg maar hoe snel dingen gaan veranderen.
• 1:33:40
  Die zin is wel een bijzondere zin die je nu uitspreekt. Wat bedoel je daarmee? Bang voor de wereld waar alles goed gaat. Als alles goed gaat. Ja. Wat bedoel je dan?
• 1:33:47
  Nou zeg maar als je, als je spatial and poor reasoning unlocked dan. Kijk, je hebt LLM's. Die hebben natuurlijk al een hele grote impact gehad op mensen.
• 1:33:56
  En en ik denk dat studenten bijvoorbeeld hebben is wel lastiger op dit moment om banen te vinden en dat soort dingen. En
• 1:34:03
  ik denk dat als je als je zeg maar de spatial poor reasoning unlock hebt, dat is dat is ook denk ik zo'n zo'n wave weet je wel waar waar heel veel mensen ehm niet op de goede kant uitkomen.
• 1:34:15
  Ik denk dat aan de andere kant natuurlijk. Kijk, er worden ook heel veel banen gecreëerd, maar niemand weet zeg maar weet echt hoeveel dat is, weet je wel. Ehm. En ehm ja dus. Dus ik denk eh ja, net als een LLM je je.
• 1:34:30
  Je wist niet waar je allemaal die chat GPT uiteindelijk voor ging gebruiken. We weten er een paar. Games bijvoorbeeld. Daar hebben we al hele grote klanten. Maar ehm, ja, het is inderdaad zo breed. En het het is.
• 1:34:44
  Het is zo toepasselijk voor verschillende dingen dat het dat heel moeilijk voorspellen is precies wat er allemaal gebeurt als alles goed loopt.
• 1:34:51
  En goed betekent dat het lukt om een soort chat GPT moment te hebben in de tijd en ruimte, oftewel in 3D, oftewel uiteindelijk in de fysieke wereld waarin wat mensen nu voelen als ze een rapport laten samenvatten door de laatste Gemini dat ze denken jeetje meneer, wat een goede samenvatting.
• 1:35:08
  En dat jij zegt wacht maar tot dingen zich gaan bewegen in de wereld op een manier dat je datzelfde gaat voelen. En wat jij nu aan het bouwen bent eigenlijk, is dat in potentie. Ja, en ik denk de de de reden. De.
• 1:35:20
  De naam General Intuition komt van Demis van Alpha Fold en dat is ook de originele inspiratie. Die hebben wat ze noemen gebouwd.
• 1:35:27
  Ze hebben een AI gebouwd proberen om folded te spelen om die zeg maar om die proteïne structures in in 3D te te kunnen voorspellen. En daar hebben ze dat.
• 1:35:37
  Mensen hebben gewoon folded gespeeld, die hebben toen data gegenereerd. Folded is een spelletje. Folded was een computerspelletje en die heeft data gegenereerd om uiteindelijk Alpha Fold te doen.
• 1:35:45
  En daar heb je natuurlijk een hele grote biologische medische doorbraak. En dus dat was ons. Dat was onze originele inspiratie.
• 1:35:52
  Demis heeft een quote waar hij zegt Wouldn't it be amazing if you could mimic the intuition of these gamers who are by the way only amateur biologists. En LLM's zijn op dit moment al, zeg maar amateur biologists.
• 1:36:04
  Weet je wel, dus als je zeg maar spatial poor reasoning en dat soort krachten samen kunt doen, dan kun je denk ik ooit in vijf jaar Alpha Fold voor X doen. Waar je gewoon heel.
• 1:36:12
  Waar je gewoon een drie en en een probleem in drie dimensional space uitlegt met data. En dan heb je zo'n spatial poor agent die daar oplossingen voor gaat genereren.
• 1:36:21
  Dus ik denk dat aan de ene kant inderdaad is het heel lastig wat er allemaal gaat gebeuren.
• 1:36:25
  Aan de andere kant is het ook heel belangrijk voor medische doorbraken en dat soort dingen en zeg maar de wat er wat er allemaal tussen zit is, is wordt gewoon heel moeilijk navigeren denk ik.
• 1:36:34
  Maar maar weet je het, het komt eraan. Soms lees ik wel van die dingetjes als een ja en dan over een paar jaar, dan hebben we natuurlijk meer, meer compute nodig, dus dan hebben we meer datacentra nodig.
• 1:36:44
  Maar tegen die tijd dan bouwen de robots hun eigen datacentra. En dan denk ik altijd ja, ja, ja. Nee, ik denk dat. Ik denk dat we inderdaad kijk de de de long horizon zeg maar
• 1:36:59
  hoe hoe langer de taak, hoe moeilijker is om het te doen. Snap je? Dus een datacenter bouwen? Ja, een jaar, weet je. Ik denk dat we ehm, ik ik denk dat het misschien meerdere jaren voor mensen, weet je.
• 1:37:13
  Ik Ik denk echt dat dat
• 1:37:15
  eh.Ja, daar, daar, dat duurt nog wel even Je kunt die, je kunt die kortere subtaken doen, maar die, het orkestreren van al die subtaken bij elkaar in een soort zwerm, daar zit dan nog, nu nog mensen En het goed doen, dat is het probleem, want het zijn generative models, die zijn prediction machines, weet je wel.
• 1:37:32
  Ze, ze maken fouten en, uh, en dus het is, ik denk eerlijk gezegd, ik denk dat het, het zijn weer de eerste use cases worden gewoon navigatie, zeg maar simpel Voor auto's Uhm, uh, drones, auto's, uh, robot, ja, humanoids met game controllers, uhm, en, uhm, uh, search and rescue bijvoorbeeld, uh, bij Arts zonder Grenzen.
• 1:37:55
  Want van, uh, uh, zeg maar, uhm, drones om gewoon mensen op te sporen en dat soort dingen voor Mensen die op zee vermist zijn om ze op te zoeken geautomatiseerd Of na een natuurramp of wat dan ook.
• 1:38:05
  Ja, een heleboel mensen op het team hebben ook, zeg maar, humanitaire achtergrond. Dat was ook, dat is een van onze eerste use cases met drones.
• 1:38:12
  Uhm, en, uhm, eerst ga je heel veel in simulatie zien en in simula-- wat er in simulatie kan wordt een beetje de benchmark van wat er dan daarna in de echte wereld kan.
• 1:38:22
  Zo, dan kun je Waar we filmpjes van kunnen kijken, dat gaat de eerste stap zijn. Ja, dus op het moment dat je, zeg maar, uhm, maar waar je naar moet kijken is of die robots dezelfde input hebben als mensen.
• 1:38:34
  Dus dat ze, zeg maar, alleen kunnen zien en aanraken en dat ze niet, zeg maar Een beetje Elon Musk verhaal, hè, dat ie zegt: als een mens een auto kan rijden met twee camera's, namelijk je twee ogen, dan vind ik eigenlijk, of George Hotz, hè, met Comma AI.
• 1:38:45
  Ik vind eigenlijk dat we met twee camerasensors achter het stuur een auto zouden moeten kunnen besturen en niet lidars en andere radars en weet ik veel. Ja, valsspelen.
• 1:38:54
  Ja, dus, uh, je moet, je moet kijken wat kunnen AI-modellen in simulatie zonder vals te spelen. En hoe lang kunnen ze dat soort dingen doen? Ja, daar moeten we op letten, bedoel je. Daar moet je op letten.
• 1:39:04
  En hoe onvoorspelbaar zijn de, uh, omgevingen waarin ze dat doen? En dat wordt een beetje voorspellend van hoe snel dingen gaan. Uhm.
• 1:39:13
  Ja, dus de benchmark is dan een, jouw, een van jouw modellen rijdt 80 uur lang in Truck Simulator zonder crash. Of wint Le Mans of zo. Ja, ja. Dat soort.
• 1:39:23
  Maar allemaal in simulatie nog toch, hè, Le Mans in the game, toch? Ja. En dan op een gegeven moment zeg jij: als, als we die allemaal gaan maxen, zeg maar, dus al die benchmarks gaan we beaten.
• 1:39:32
  800 uur Le Mans, whatever. Ja. Dan ga je zeggen: kan, dan kunnen we een transfer doen. Zoals dat woord dat jij gebruikte en een overgang naar Le Mans. Het daadwerkelijke circuit.
• 1:39:42
  Ja, nou, de, de transfer itself is ook heel lastig natuurlijk, maar in principe qua intelligentie, ja. Uhm, maar je moet het, uh, met een voorbeeld valsspelen hier is bijvoorbeeld dat je, uh.
• 1:39:53
  Kijk, je kunt natuurlijk met een, uh, met een AI-model kun je, kun je precies de motor, uh, bij, bij, uh, zeg maar elk wiel kun je, zeg maar, de, al-alle dingen precies aansturen als je een perfecte bocht neemt.
• 1:40:03
  Een mens heeft alleen een stuur, weet je wel. Uhm, dus valsspelen is echt dat je alleen vision en het stuur hebt. Snap je? Mooi voorbeeld. Uhm, uh, dus daar, daar moet je op letten. Dat is, dat is dus first priority.
• 1:40:17
  Hé, je zei: ik word soms wel eens, dit vul ik nu in, maar badend van het zweet wakker als ik nadenk over wat de implicaties hiervan zijn.
• 1:40:24
  Maar er, er is ook een andere kant van de medaille waarschijnlijk, waarin je heel optimistisch bent over wat dit kan veroorzaken. Het is niet zweet. Kijk, ik, het is, het is voor mij, uhm, dit komt eraan.
• 1:40:36
  Die, die, het is, weet je, we wonen in een kapitalistische, uh, wereld en, en, en het komt eraan.
• 1:40:43
  Uhm, het probleem is dat, uh, op dit moment lijkt het eraan dat het, dat er, dat het eraan komt door, weet je, miljardenbedrijven die, uh, ja, die, die misschien minder open zijn.
• 1:40:58
  Bijvoorbeeld qua, uhm, qua hoeveel ze met game developers werken en dat soort dingen. En dat, v-, weet je, en dat is voor ons heel belangrijk is ook waar ik in opgegroeid ben.
• 1:41:07
  Uhm, maar ik denk: [zucht] ja, v-voor mij is het echt de, de science waar, zeg maar, mijn, mijn long term goal is, is om dat te doen. Maar, maar ook kijk, kijk naar mijn vrienden bijvoorbeeld.
• 1:41:18
  Ik ben 30, weet je, ik heb gewoon vrienden die geen banen kunnen vinden vanwege AI, weet je.
• 1:41:22
  Dus, dus het is, je moet, je moet er gewoon ook heel eerlijk naar kijken van: ja, dit is gewoon een, uh, iets wat veel dingen verandert. En, maar, dus er zijn, beide zijn waar. Het komt eraan en veel dingen veranderen.
• 1:41:33
  En wat bedoel je met ik ben, uit, ik doe het voor de science? Wat bedoel je daarmee?
• 1:41:37
  Ja, mij-mijn, uhm, mijn doel is om, uh, om, om, weet je, echt over vijf jaar zoiets van Alpha Fold voor X, een generalized approach naar scientific problems in 3D en dan switch naar agents aan de andere kant.
• 1:41:48
  Dus even, je zegt het heel snel, maar het is het eigenlijk de wetenschappelijke uitdagingen die er nu liggen die wij als mens tot nu toe niet opgelost hebben. Bijvoorbeeld omdat we protein folding doen om ALS te genezen.
• 1:41:59
  Ik roep even wat dingen nu heel makkelijk en dat jij zegt: wat wij aan het bouwen zijn om, is, omdat het zo, uh, general is, is ook kan de general intuition van onze modellen zeggen, maar is zo general dat we mogelijk zelfs iets rondom wetenschap en mogelijk gezondheid kunnen gaan doen.
• 1:42:15
  Ja, maar wat je daar ook mee moet beseffen is, het is niet alleen onze modellen, je hebt ook gewoon die LLM's die hier heel goed in worden.
• 1:42:19
  En, en, dus je, maar, maar die LLM's, die kunnen niet dat soort programma's besturen die de three dimensional predictions doen. Dat is het verschil. Dus je moet niet alleen kijken naar wat wij doen.
• 1:42:27
  Je moet ook kijken naar, zeg maar, de reasoning capabilities in tekst van LLM's. Want je kunt die dingen samen trainen. Snap je?
• 1:42:33
  Je kunt gewoon een, uh, een chain of thought loop, zeg maar, bootstrapen op basis van die acties.
• 1:42:38
  Ja, want dat is misschien ook nog wel een belangrijke vraag, hè, want je zegt nu, uh, we hebben het een beetje gehad over LLM's en dat Yann LeCun bij Meta weg is en dat je mogelijk de world model Mistral van Europa aan het bouwen bent hier, et cetera.
• 1:42:50
  Maar is het dan de bedoeling om met jullie modellen in een ensemble met andere modellen samen te gaan werken?
• 1:42:55
  Hè, dus dat jouw, dat jullie model aangeroepen wordt door een LLM van een Google en dat die eigenlijk daar zijn, uh, spatial reasoning uithaalt?
• 1:43:04
  Of is en, en/of is het ook het idee dat jullie wereldmodel uiteindelijk de taak kan overnemen van een LLM?
• 1:43:10
  Ja, het is, het is meer dat gewoon net zoals wij een van onze acties die wij als mens kunnen nemen is praten of schrijven. Dat wordt hetzelfde.
• 1:43:16
  Dus een van de acties die voorspeld gaat worden is gewoon language generation. Oh echt? Ja.
• 1:43:22
  Dus daar krijg je Schrijven in een-- het is bijna alsof jeKijk naar iemand die een brief aan het schrijven is en we kijken wel even wat hij wat het wat het world model ge-ge-getypt heeft. Ja, dan, dan, dan.
• 1:43:34
  Dit is op dit moment is het een is het een, een action model. Je hebt zeg maar je hebt twee verschillende modellen. Je hebt de world model, dat is waar je waar je waar, uhm, waar je van acties naar frames gaat.
• 1:43:43
  Dus je hebt zeg maar een initial frame. Weet je wel, deze kamer en dan druk je op, op, op S of wat dan ook en dan gaat hij een beetje naar links of je muis gaat een beetje naar rechts.
• 1:43:52
  En die frames, die worden gegenereerd door de world model. Ja. Uhm, maar inderdaad, daar kun je dat dan in de wereld, uh, schrijven.
• 1:44:00
  Maar de, de action policy, dat is zeg maar de andere kant en dan heb je frames en dan genereer je acties. Snap je? Dus dat zijn twee kanten, maar je kunt,
• 1:44:09
  maar die, die actiemodellen, daar worden gewoon, uhm, uh, internal world models gebouwd door die modellen. Dus het is, het is heel, de modellen zijn heel similar.
• 1:44:18
  Er zijn, er zit niet heel veel verschil tussen qua techniek. Uhm, uh, maar het probleem is, uh, world models hebben een hele grote, uhm, uh, zeg maar output degree of freedom. Hoe leg ik dit uit?
• 1:44:31
  Je hebt heel veel pixels die kunnen voorspeld worden waar je, uh, waar er heel veel fout kan gaan. Met acties is veel minder. Snap je? Kunnen we een paar dingen doen.
• 1:44:41
  Dus het is, het is, het is een beter- Het is ook weer een vorm van compressie eigenlijk, hè. Ja, het is een beter probleem en, en, en, uh, en je kunt acties kun je controleren.
• 1:44:48
  Pi-pixels zijn heel moeilijk en heel duur om te controleren. Maar we gaan dus naar, uh, één model toe wat ook tekst gaat genereren. Wat wij nu uit, uit chat trekken. Praten is gewoon dan één van de acties.
• 1:44:58
  En hoe verhoudt zich dit dan tot, tot het idee van, van een soort van generalist, gegeneraliseerde intelligentie?
• 1:45:07
  Ja, ik, ik vind, uh, AGI en dat soort dingen een-- ik vind het, ik vind het een beetje een moeilijk woord, want het is heel lastig om zeg maar een definition. Geef je er, geef je eigen definitie eraan.
• 1:45:21
  Ja, ik vind het, ik vind het heel lastig om er-- i-i-ik kijk, ik kijk waar het voor gebruikt wordt en ik denk, uhm,
• 1:45:30
  i-i-ik, ja, dus, dus, want dan krijg je ook van die predictions when what ik, i-i-ik moet eerst, ja, ik wil eerst zien wat er uit deze, kijk, wat er uit de modellen komt.
• 1:45:40
  Uhm, en we hebben natuurlijk een heleboel hebben we bewezen op het moment, maar weet je, de tekst is voor ons nog niet bewezen dat we, dat we, dat we tekst als actie genereren.
• 1:45:47
  Weet je, dus voor-voordat ik, uh, een definition als er op gooi wil ik eerst zien hoe het gaat. En misschien kan ik, want je zegt heel vaak in het gesprek vandaag, uh, Demis, uh, alsof het je buurman is, hè.
• 1:45:57
  Demis Hassabis van DeepMind van Google, die, uh, recent in een interview gezegd heeft met Hard Fork: ik zit nog steeds op vijf tot tien jaar met AGI, hè. Gemini 3 is net uit.
• 1:46:08
  Iedereen: wow, zie je nou wel, daar gaan we weer. En hij zegt: oh nee hoor, ik ben nog steeds heel cool. Vijf tot tien jaar. Zit je dan een beetje in het Demis Hassabis-kamp misschien? Ja. Ja. Ja.
• 1:46:16
  Want hij is redelijk conservatief, hè, als je kijkt naar de stemmen die er zijn in de, in de, in de scene. Ik ben misschien Demis en dan min één, twee jaar omdat, omdat we dit denk, dit kan. We weten dat dit kan.
• 1:46:27
  Uhm, maar, uhm, ja. Ik wil nog, ik wil nog, ik ben nog benieuwd en dan gaan we een beetje afronden van
• 1:46:35
  jij, jij hebt bij Arts zonder Grenzen gewerkt en je zegt ook: de mensen die in mijn team zijn aangesloten hebben iets met humanitaire, uh, doelen. Dat, dat werd net gezegd.
• 1:46:44
  Betekent dat ook dat er iets verankerd zit binnen jouw bedrijf dat het niet overal voor gebruikt mag worden? Ja, we zijn ook een PBC, net zoals Anthropic. Wat betekent dat? Public Benefit Corporation.
• 1:46:53
  Dus dat, dat je zeg maar de, uhm, uh, de, de, de, de, de, de, de, de social mission van de company en wat het waar voor gebruikt kan worden zit zeg maar in de, uhm, ja, hoe druk je dat goed uit? Uhm.
• 1:47:06
  En misschien, maar ik kan een heel concrete vraag stellen. Dit is allemaal heel erg geschikt voor militaire doeleinden natuurlijk wat je aan het maken bent. Zit daar een soort muur tussen?
• 1:47:14
  Is daar een soort iets verankerd? Ja, de manier waarop ik daarnaar kijk is, uh, ik wil die dingen gewoon general, uh, we willen een compute platform zijn voor intelligentie, weet je.
• 1:47:23
  En a-, en als het ooit heel fout gaat in Europa, dan denk ik dat het heel goed is dat we een Europees bedrijf zijn. Nederlands bedrijf zelfs, toch? Nederlands bedrijf, ja. Ja. Ja.
• 1:47:31
  Ja, dus eigenlijk is het bijna meta-meta humanitair dat je zegt: ja, onze modellen zouden daar potentieel voor gebruikt kunnen worden, maar het is dan wel een Europees bedrijf.
• 1:47:40
  Het is een vorm van deterrence als ik het goed begrijp. Ja, zo zou ik er inderdaad naar kijken. Maar, uhm, w-wij bouwen voor, uh, general compute.
• 1:47:49
  We hebben geen, zeg maar, specifieke offensive of, of dat, dat doen we gewoon niet in de modellen. Uhm, uh, in simulatie met bots kan natuurlijk wel.
• 1:47:57
  Dat maakt niet uit, maar voor, voor physical deployments gaat er niet in. Uhm, en omdat we die acties gelabeld hebben, kunnen we dat bewijzen. Snap je? Dat, dat, dat er acties er ook echt niet in zitten. Uhm,
• 1:48:08
  uhm, maar, maar, maar, maar weet je, als, als het dan ooit een keer heel fout gaat, weet je, dan kunnen we hopelijk heel snel met die transfer kunnen we dan systemen bouwen om, om defensie en dat soort dingen.
• 1:48:18
  Er zit een soort potentie in wanneer nodig. Maar, maar als je de research goed doet, dan, dan kan dat. Dan hoef je daar niet nu op te focussen, zeg maar.
• 1:48:25
  Als het dan ooit heel fout gaat, dan hopelijk dat, dan kunnen we het binnen weken of maanden kunnen we het omzetten om dat soort dingen te kunnen doen.
• 1:48:30
  Als het, uh, ja, als, uh, Poetin een keer, uh, op onze tre- op onze tenen trapt. Ja. [lacht] Ontzettend, uhm, bedankt voor je tijd. Ik vond dit een, uh, zeer wonderlijk gesprek en dat is misschien ook omdat, uh,
• 1:48:46
  ja, je, je, je schetst ongelooflijk, uh, verre lijnen met heel veel impact in de echte wereld potentieel. En ik had nog nooit van jou gehoord.
• 1:48:57
  Terwijl dit is een bv en, uh, zeg maar, om, om- Nou Alexander en ik heb, heb ons hardop zitten verbazen van: gaan we deze jongen nou uitnodigen?
• 1:49:07
  Want het is zo bizar wat hij allemaal doet en ik ben interviews van jou gaan kijken en ik zei tegen Alexander: ja, ik denk dat we hem gewoon gaan uitnodigen, want dit, dit is, dit is gewoon helemaal echt.
• 1:49:15
  En die jongens en meiden die hij om zich heen verzameld heeft, die zijn ook allemaal echt.
• 1:49:18
  Ja, maar misschien is het ook soort van: moet jij niet af en toe lachen over hoe wij in Nederland praten over, of in Europa eigenlijk praten over hoe wij, nou om het even heel plat te zeggen, AI doen in Europa.
• 1:49:29
  En we hebben de neiging om onszelf de put in te praten.Ik denk dat Europa Je bent er gewoon helemaal niet mee bezig. Ik denk dat Europa heeft het voor world modeling heeft Europa het beste talent.
• 1:49:37
  Echt, mijn hele world modeling team zijn Europese mensen. Dat is ik denk echt dat, uh, ik denk echt dat, dat, dat, uh, dat dat de andere kant op gaat in de komende paar jaar. Waarom denk je?
• 1:49:47
  Waarom ben je hier zo verzekerd over? Uhm, ja, ik, uh, we proberen mensen in Amerika aan te nemen voor dit soort dingen. Alle goede mensen zitten in Europa [Niels lacht] en, ja. Hoe kan dit?
• 1:49:58
  Uh, universiteiten in, in, in Frankrijk bijvoorbeeld heeft hele goede opleidingen voor dit soort dingen. Geneva, uh, een heleboel van Geneva. Uhm, uhm, uh, het is ook veel wiskundiger dan LLM.
• 1:50:11
  Uh, en je moet ook heel veel meer physics en dat soort dingen, uhm. Maar wordt Europa dan een beetje wakker nu?
• 1:50:17
  In een soort poë-poëtische, uh, zin bedoel ik, hè, van een soort: het, het is er wel, maar het moest even, even bij elkaar gehaald worden allemaal.
• 1:50:25
  Ja, en ik denk ook dat je door LLM zoveel meer kan doen met minder mensen. Dat het gewoon een equalizer is. Dat je gewoon veel meer impact kan hebben als je gewoon een paar experts hebt.
• 1:50:34
  Ook al is het een kleine groep genies in Europa. Een kleine groep genies plus AI is alsnog capabel genoeg om mee te kunnen doen in de wereld, in het wereldspel. Ja, ik denk het wel. Ja.
• 1:50:47
  Dank je wel dat je hier wilde zijn. Bedankt, man. [muziek] Jeetje, Wytse, wat een gesprek weer. Ik zit nog een beetje bij te komen, merk ik.
• 1:50:59
  Maar eigenlijk zegt hij: taalmodellen waren fase één, world models wordt fase twee. Europa heeft tering goeie mensen op het gebied van world models. Tering goeie data. Ja,
• 1:51:11
  en eigenlijk stiekem heeft hij onbedoeld de grondstof, een soort van ontdekt. Zou je kunnen zeggen. Ja, ja, als je dan kijkt naar een, een, een wereld waarin grondstoffen zo'n groot, hè, de daadwerkelijke grondstoffen.
• 1:51:26
  Je bedoelt in de echte wereld? Ja, olie, olievelden, lithium. Olievelden. Gaspellen onder Groningen, dat soort dingen. Ja. Daar is van alles om te doen.
• 1:51:33
  Ja, we hebben een nieuw gasveld onder Groningen ontdekt, maar deze kwam uit Nijmegen. Ja, en het is een- En dat zijn videogamebeelden.
• 1:51:40
  Ja, en die videogamebeelden, dat, dat, die zijn echt de grondstof om die, dat, die tweede stap te maken na taalmodellen. En het, dat is gebleken, want de, de biedingen vlogen hun om de oren blijkbaar. Ja, ja, ja.
• 1:51:53
  Het is gevalideerd dat, dat, dat ze de grondstof ook echt te pakken hebben. En er is ook maar één bedrijf die zo'n uitgebreide dataset heeft van videogamebeelden, wat blijkbaar dus zo belangrijk is.
• 1:52:04
  En dat bedrijf is Nederlands. Ja, want- Hoezo ik, ik, daarom mijn vraag op het einde. Het klinkt misschien wat arrogant. Hoezo heb ik niets van jou gehoord?
• 1:52:11
  Ik bedoel echt: hoe kan, hoe [lacht] kan, hoe kan ik- Omdat hij het zelf pas net doorheeft eigenlijk, zei hij tegen me. Ja, precies. Wij zeiden: wij, hoe kan het dat we niet van jou hebben gehoord?
• 1:52:20
  Toen zei hij bijna: ik heb ook pas net van mezelf gehoord [beiden lachen]. Ik heb deze zomer een cursus gedaan. Ja, ik, uh, ja, je bent, hij, ook hij is er eigenlijk ineens achter. Dat hij op, op goud gestuit is.
• 1:52:32
  Letterlijk. Maar dit voelt- Nee, niet letterlijk, maar je be-, op de grondstof gestuit is. Dat, dat deel is letterlijk. Dat is bizar.
• 1:52:38
  En wat ik wel, wat ik er interessant aan vind, is, want we hebben het natuurlijk over ASML gehad. Je hebt het bij Eva over ASML gehad. Nederlands trots. Ja. De diamant. Een sleutel in autonomie.
• 1:52:47
  Ja, en dan hebben we blijkbaar nog één. Ja, en dat, ja, ik heb, ja, ik had dit niet door. Ik heb het idee dat heel veel mensen dit niet doorhebben. Ja, ja.
• 1:52:55
  Dat er een Nederlands bedrijf is die blijkbaar een versnelling in deze, in deze hype, een versnelling van een aantal jaar veroorzaakt en dat daar een 30-jarige Nijmegenaar achter zit.
• 1:53:05
  Ja, ik, en ik, de luisteraar mag best weten: ik heb dit dus drie keer, vier keer, vijf keer getrippel, kwadrupel checkt. Het kan niet kloppen.
• 1:53:11
  Omdat ik eigenlijk niet helemaal kon geloven van: jeetje, dit, uh, uh, hoe kan dit nou weer een bv zijn [lacht] in Nederland waar die data in zit? Ja, ik word er ook wel een beetje vrolijk van, merk ik.
• 1:53:20
  Nee, jazeker, we hebben iets, we hebben iets heel positiefs ontdekt voor ons allemaal. Uh, ik zou zeggen: laten we dit beschermen.
• 1:53:27
  Ik weet niet wat we kunnen doen om hem te helpen, maar, uh, waarschijnlijk heeft hij meer computers nodig, zoals iedereen. Ja, en misschien ook nog wel meer talent. Ja.
• 1:53:35
  Dus wie weet, als je luistert en, uh, je zit in die, in die hoek. We hebben nu in, uh, in Europa en dus in Nederland een, uh, bedrijf waar, uh, genoeg mensen nodig zijn.
• 1:53:43
  Heb je nog stichtelijke woorden aan het eind van deze podcast, Wytse? [muziek] [lacht] Dit is jouw moment, jongen. Pak hem. Nu moet je.
• 1:53:52
  Nee, je kan ook zeggen: nee, dit is een prima moment in de tijd en dan gaan we gewoon door. Ik vind het heel gaaf dat wij, uh, dit interview hebben gedaan. Ja.
• 1:54:01
  En, uhm, ik heb een beetje het gevoel dat dit best wel een, uh, belangrijk interview was. Ja, ik ben er ook een beetje giddy over. Nou, over hem, hè, over
• 1:54:11
  dat, dat, het feit dat je in het Nederlands kan praten met iemand die zoiets belangrijks doet, is gewoon heel cool. Ja, mee eens. Goed. Wij danken Sam Hengeveld voor de edit. Dank daar voor de vormgeving.
• 1:54:20
  Als je een lezing wil van de heer Hagen of van mij over AI, dan kan dat. Mail ons op lezing@aireport.email.
• 1:54:26
  Als je op de hoogte wil blijven van het laatste AI-nieuws twee keer per week en die tips en tools kunt ontvangen, uh, dan, uh, kun je naar onze nieuwsbrief gaan op aireport.email.
• 1:54:34
  Wil je vandaag nog beginnen met AI binnen jouw bedrijf, dan ga je naar onze vrienden van Dept via deptagency.com/aireport. Tot volgende week! Volgende week.
• 1:54:43
  [afsluitend muziek]