S08E90 - Materialenontwikkeling met AI: hoe CuspAI nieuwe stoffen ontwerpt

Max Welling, hoogleraar machine learning aan de Universiteit van Amsterdam en CTO van CuspAI, bouwt een zoekmachine voor materialen die nog niet bestaan. Het probleem: nieuwe materialen ontwikkelen kost traditioneel jaren, terwijl Artificial Intelligence dat proces drastisch kan versnellen. Welling laat zien hoe generatieve modellen miljoenen materiaalkandidaten voorstellen, waarna andere modellen die filteren op stabiliteit en bruikbaarheid.

Perovskite zonnecellen gaan dankzij deze aanpak al richting de 30% efficiëntie, met een lab dat de meetresultaten terugvoert in het systeem voor de volgende ronde. Morgen kun je in kaart brengen welke data in je team verloren gaat, want zonder geordende data heeft geen enkel AI-model iets om van te leren.

Onderwerpen

• CuspAI's platform Namira: een zoekmachine voor niet-bestaande materialen die met AI miljoenen kandidaten genereert, filtert op stabiliteit en valideert in het lab
• Probleemgestuurd werken: begin met concrete uitdagingen zoals CO2-opvang of batterijopslag, niet met de vraag welke AI-technologie beschikbaar is
• Data-infrastructuur als voorwaarde: organiseer alle data inclusief mislukte experimenten en metadata voordat je AI-modellen inzet
• Vertrouwen door verificatie: toets AI-output op meetbare criteria in plaats van elke tussenstap te willen doorgronden
• Wetgeving en organisatieprocessen als bottleneck: trage besluitvorming en vergunningsprocedures remmen AI-implementatie meer dan technische beperkingen

Links

• Organisatie: CuspAI | AI-powered materials discovery
• Persoon: Geoffrey Hinton - grondlegger moderne neurale netwerken, Nobelprijswinnaar
• Evenement: World Summit AI: krijg 20% korting met code AITODAY20
• Podcast: AIToday Live podcast
• Kaartspel: AI Game Changer - Generative AI editie

Genoemde entiteiten: CuspAI - Universiteit van Amsterdam - AMOLF - Zoom - Google Hangout

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

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

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

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

Transcript

Copy Transcript Copied

1
00:00:00,000 --> 00:00:04,519
Max Welling is hoogleraar machine learning aan de universiteit van Amsterdam.

2
00:00:04,519 --> 00:00:09,359
Hij is ook chief technology officer en medeoprichter van CuspAI.

3
00:00:09,359 --> 00:00:14,519
Hij werkt er ooit samen met Geoffrey Hinton, de grondlegger van moderne neurale netwerken.

4
00:00:14,519 --> 00:00:20,519
Bij CuspAI ontwerpt Max met AI nieuwe materialen, van zonnecellen tot stikstofopslag.

5
00:00:20,519 --> 00:00:26,519
Zijn platform genereert miljoenen materialen in een computer en test ze razend snel op eigenschappen.

6
00:00:26,519 --> 00:00:30,000
Maar hoe bouw je een zoekmachine voor materie die nog niet bestaat.

7
00:00:32,159 --> 00:00:35,440
Joop: Hoi, leuk dat je weer luistert naar een nieuwe aflevering van AIToday Live.

8
00:00:35,440 --> 00:00:37,759
Joop: Mijn naam Joop Snijder, Head of AI bij Info Support.

9
00:00:37,759 --> 00:00:40,640
Niels: Mijn naam Niels Naglé, Area Lead Data & AI bij Info Support.

10
00:00:40,640 --> 00:00:48,959
Joop: En ja, we zijn heel blij, want we zitten in het gebouw van Lab42 uitgenodigd om een gesprek te hebben met professor Max Welling.

11
00:00:48,960 --> 00:00:52,239
Joop: Max, zou je jezelf eerst willen voorstellen aan de luisteraars.

12
00:00:52,960 --> 00:00:54,320
Max: Ik ben Max Welling.

13
00:00:54,320 --> 00:00:58,719
Max: Ik ben hoogleraar machine learning hier aan de universiteit van Amsterdam.

14
00:00:58,719 --> 00:01:00,800
Max: Dat is nog één dag per week.

15
00:01:01,120 --> 00:01:09,840
Max: Maar ik ben op dit moment CTO en co-founder van het bedrijf CuspAI in materials ontwikkeling, daar zullen we het over hebben gaan vandaag.

16
00:01:09,840 --> 00:01:10,480
Joop: Zeker.

17
00:01:10,480 --> 00:01:14,800
Max: Ik ben gepromoveerd in de theoretische natuurkunde bij professor Gerard het Hoofd.

18
00:01:14,960 --> 00:01:19,520
Max: Heb toen eigenlijk een carrière gedaan in Amerika in California.

19
00:01:19,920 --> 00:01:22,800
Max: Caltech en University of California.

20
00:01:23,679 --> 00:01:31,280
Max: En heb ook nog gewerkt voor Jeff Hinton in Londen, UCL, en toen nog in Toronto.

21
00:01:32,000 --> 00:01:33,520
Joop: Niet iedereen kent Jeff Hinton.

22
00:01:33,520 --> 00:01:36,879
Joop: Misschien moet je dat even uitleggen, want dat is best wel bijzonder.

23
00:01:36,879 --> 00:01:45,679
Max: Ja, Jeff Hinton is eigenlijk de grondlegger van de moderne neuronale netwerkversie van AI.

24
00:01:46,079 --> 00:01:53,439
Max: Zogenaamde connectionist heet dat, waarbij je dus eigenlijk probeert machine learning te maken zoals het brein opereert.

25
00:01:54,079 --> 00:01:56,239
Max: Daar heel lang geleden mee begonnen.

26
00:01:56,239 --> 00:02:01,599
Max: En recent heeft hij de Nobelprijs gewonnen voor dat werk, voor zijn hele levenswerk.

27
00:02:01,600 --> 00:02:05,119
Joop: Dat gebeurde nadat ik daar weg was, jammer genoeg.

28
00:02:07,359 --> 00:02:10,239
Max: Hij is echt de grondlegger van het vakgebied, zou ik zeggen.

29
00:02:10,240 --> 00:02:15,200
Max: Wat de deep learning en de AI die nu waar we nu door een revolutie heen aan het gaan zijn.

30
00:02:15,359 --> 00:02:22,879
Joop: Wel veel mensen die associëren nu AI met wat we zien met ChatGPT, maar het is heel veel meer dan dat.

31
00:02:23,040 --> 00:02:25,599
Joop: En daarom zijn we ook zo blij dat we met jou spreken.

32
00:02:25,600 --> 00:02:30,319
Joop: Want jij past het in een heel ander gebied toe dan de meeste mensen.

33
00:02:32,480 --> 00:02:38,719
Max: Wij zijn vooral op zoek naar toepassingen van AI die ook een positieve impact in de maatschappij hebben.

34
00:02:39,360 --> 00:02:49,280
Max: En wij denken dat materialen eigenlijk aan de grondslag liggen, aan de wortel liggen van een hoop maatschappelijke problemen die we moeten oplossen met elkaar.

35
00:02:49,280 --> 00:02:58,080
Max: Waaronder climate change is een grote, denk ik, maar ook de energietransitie en environmental issues.

36
00:02:58,080 --> 00:03:02,719
Max: Dus bijvoorbeeld het verwijderen van PFAS uit drinkwater is een andere grote.

37
00:03:02,719 --> 00:03:08,159
Max: En AI kan heel erg helpen met ontwikkeling en het ontwerp van die nieuwe materialen.

38
00:03:08,159 --> 00:03:12,320
Max: En toen dachten wij van, is dat niet een mooie toepassing van AI.

39
00:03:12,319 --> 00:03:14,560
Max: En toen heb ik CuspAI opgericht.

40
00:03:14,560 --> 00:03:21,760
Joop: Ja, en ik moet eerlijk zeggen, toen ik je voordat ik in dit gesprek aan het verdiepen was, dacht ik iedere keer.

41
00:03:21,759 --> 00:03:24,880
Joop: Ja, AI is oplossing voor klimaatprobleem.

42
00:03:24,879 --> 00:03:26,960
Joop: Volgens mij draagt het alleen maar bij.

43
00:03:27,599 --> 00:03:30,319
Joop: Maar toen zag ik wat jullie aan het doen zijn.

44
00:03:30,640 --> 00:03:32,879
Joop: Daar werd ik wel heel nieuwsgierig naar.

45
00:03:33,039 --> 00:03:36,639
Joop: Kan je vertellen hoe je AI met de materialen inzet.

46
00:03:36,640 --> 00:03:43,039
Joop: Om eventueel de belofte is, dat je iets van CO2 opslag kan.

47
00:03:44,560 --> 00:03:52,240
Max: Ik geef toe dat AI op dit moment ook bijdraagt aan CO2-vervuiling vanwege de enorme datacenters die gebouwd worden.

48
00:03:52,240 --> 00:03:56,000
Max: Er zijn eigenlijk twee manieren waarop je kan proberen dat te reduceren.

49
00:03:56,000 --> 00:04:01,680
Max: De eerste is chips te maken die energie-efficiënter werken.

50
00:04:01,840 --> 00:04:03,120
Max: Dat zou één manier zijn.

51
00:04:03,120 --> 00:04:08,159
Max: Maar je hebt het over het verwijderen van CO2 uit de atmosfeer.

52
00:04:09,520 --> 00:04:16,560
Max: Toen ik daarover nadacht, toen zag ik eigenlijk dat ten eerste moet ik zeggen, je kan het beter niet uitstoten.

53
00:04:16,560 --> 00:04:22,400
Max: Dus je kan beter stoppen met uitstoten en proberen duurzame energie op te wekken.

54
00:04:22,719 --> 00:04:32,560
Max: Daarna kan je het beter direct uit de zogenaamde smokestack halen, dus uit de uit de rook die uit een schoorsteen komt, dan is het veel efficiënter.

55
00:04:32,560 --> 00:04:38,720
Max: Het is verreweg het minst efficiënt om het uit de atmosfeer te halen, want dan is het al helemaal verdund.

56
00:04:39,039 --> 00:04:46,639
Max: Maar uiteindelijk is het zo dat als we in 2050 hopelijk energie of CO2 neutraal worden.

57
00:04:46,879 --> 00:04:49,519
Max: Dan moeten we het toch uit de atmosfeer gaan halen op dat moment.

58
00:04:49,519 --> 00:04:56,719
Max: Want dan moeten we vervolgens nog zeker 50 jaar twee gigaton per jaar uit de atmosfeer halen.

59
00:04:57,040 --> 00:05:00,560
Max: En dat is een enorme opgave en die technologie is er helemaal niet.

60
00:05:01,360 --> 00:05:09,280
Max: En dus wat we dus moeten doen, is nieuwe materialen ontwerpen die die CO2 binden.

61
00:05:09,519 --> 00:05:14,079
Max: En dan vervolgens uit de atmosfeer halen en dan onder de grond stoppen.

62
00:05:14,720 --> 00:05:17,680
Niels: En dan ben je dus aan het weghalen.

63
00:05:18,000 --> 00:05:19,680
Niels: Hoe kan je het voorkomen?

64
00:05:19,920 --> 00:05:22,000
Niels: Bij de rook zijn er ook al initiatieven voor.

65
00:05:22,160 --> 00:05:28,720
Max: Ja, er zijn ook zeker initiatieven om het uit de rook stek te halen, uit er ook pluim te halen, zou maar zeggen.

66
00:05:28,720 --> 00:05:33,000
Max: Er zijn iets andere technieken, maar ook best wel overeenkomend.

67
00:05:30,000 --> 00:05:37,480
Max: Het is alleen veel efficiënter en makkelijker, omdat het daar veel hogere concentraties zijn.

68
00:05:39,160 --> 00:05:50,040
Max: En we werken daar werken we aan, maar we werken ook aan materialen of voor de energietransitie, bijvoorbeeld batterijen worden een hele belangrijk onderdeel bijvoorbeeld om zonne-energie goed te kunnen gebruiken.

69
00:05:50,040 --> 00:05:57,960
Max: Want op dit moment gebruiken we natuurlijk een hoop zonne-energie, maar dat moet weer terug het grid in en dan krijg je enorme fluctuaties op het energienetwerk.

70
00:05:58,199 --> 00:06:00,120
Max: Elektriciteitsnetwerk.

71
00:06:00,279 --> 00:06:05,560
Max: Dus wat je eigenlijk wil batterijen ertussen zetten, zodat je die zonnepanelen beter kan gebruiken.

72
00:06:05,560 --> 00:06:08,040
Max: Dus we werken ook aan dat soort technologie.

73
00:06:08,199 --> 00:06:11,240
Max: Nows en batterijen.

74
00:06:11,399 --> 00:06:12,759
Niels: En daar werken jullie aan.

75
00:06:12,759 --> 00:06:15,160
Niels: Hoe werken jullie eraan en hoe komt AI daarbij kijken?

76
00:06:15,160 --> 00:06:18,199
Max: Ja, misschien het beste voorbeeld is gewoon zonnecellen even te pakken.

77
00:06:18,199 --> 00:06:23,080
Max: Want we hebben een aantal projecten lopen in nieuwe materialen voor zonnecellen.

78
00:06:23,079 --> 00:06:27,240
Max: Dus wat doet de traditionele zonnecel is gebouwd op silicon.

79
00:06:27,480 --> 00:06:31,879
Max: En dat is dus licht schijnt erop.

80
00:06:31,879 --> 00:06:39,639
Max: En daar wordt een hele kleine bandbreedte van licht, wordt er eigenlijk gebruikt, het zichtbare licht wordt eigenlijk gebruikt.

81
00:06:39,879 --> 00:06:45,000
Max: Om elektronen, elektriciteit op te wekken in die materialen.

82
00:06:45,879 --> 00:06:47,479
Max: Maar daar kan veel efficiënter.

83
00:06:47,480 --> 00:06:52,439
Max: En daar hebben ze een nieuwe groep materialen ontwikkeld, dat heet zogenaamde Perovskite materialen.

84
00:06:52,680 --> 00:06:58,120
Max: Die kan je een laagjes bovenop leggen die dat hele spectrum van dat licht kunnen beslaan.

85
00:06:58,120 --> 00:07:02,120
Max: En daarmee kan je zonnecellen maken die veel efficiënter worden.

86
00:07:02,439 --> 00:07:07,000
Max: Er zijn nu al zonnecellen die tot bijna 30% efficiëntie hebben.

87
00:07:07,000 --> 00:07:09,160
Max: Dat is al veel meer dan de siliconcellen.

88
00:07:09,480 --> 00:07:16,600
Max: Maar daar kan volgens theoretische berekeningen nog veel, veel hoger, misschien zelfs wel tot 40 of 50%.

89
00:07:16,920 --> 00:07:19,639
Max: En wij ontwerpen dus met AI.

90
00:07:19,639 --> 00:07:26,600
Max: Daar kunnen we later nog verder over gaan hoe dat specifiek gaat, maar wij werken dus met AI om die materialen te optimaliseren.

91
00:07:26,600 --> 00:07:33,400
Max: Zodat ze precies de juiste eigenschappen hebben om dat licht te pakken wat binnenkomt op die specifieke golflengte van het licht.

92
00:07:33,720 --> 00:07:36,040
Joop: En waar helpt de AI dan bij?

93
00:07:36,279 --> 00:07:39,079
Max: Ja, dus ik denk dat ik dan een beetje ons platform moet uitleggen.

94
00:07:39,080 --> 00:07:44,040
Max: Want het is een vrij complex ding natuurlijk.

95
00:07:44,840 --> 00:07:49,879
Max: Je moet het eigenlijk zien, aan de buitenkant kan je het eigenlijk zien als een zoekmachine, min of meer.

96
00:07:49,879 --> 00:07:57,240
Max: Dus je typt in een letterlijk in een tekstbox je in het materiaal waar je naar op zoek bent.

97
00:07:57,240 --> 00:08:00,839
Max: En specificeer je precies de eigenschappen die je wil hebben.

98
00:08:01,159 --> 00:08:06,839
Max: En wat er dan gebeurt, is eigenlijk, net als bij een zoekmachine gebeurt er een heleboel onder de motorkap, wat je eigenlijk niet ziet.

99
00:08:06,840 --> 00:08:14,040
Max: En aan de andere kant komt er dan een rijtje materialen uit met die eigenschappen die in eerste instantie zijn berekend.

100
00:08:14,039 --> 00:08:16,840
Max: Daarna worden ze automatisch naar een lab gestuurd.

101
00:08:16,840 --> 00:08:18,519
Max: Bijvoorbeeld we werken hier met het AMOLF.

102
00:08:18,519 --> 00:08:23,960
Max: Dan kan je vanuit hier zien, Nederlands lab voor materiaalonderzoek.

103
00:08:23,960 --> 00:08:28,920
Max: Daar werken bijvoorbeeld aan die Perovskite materialen in een samenwerking.

104
00:08:29,800 --> 00:08:33,479
Max: Waarbij zij de materialen dan maken in een machine.

105
00:08:34,039 --> 00:08:35,078
Max: Dat heet spincoating.

106
00:08:35,080 --> 00:08:37,078
Max: En wij sturen dat aan als ware.

107
00:08:37,080 --> 00:08:40,039
Max: Je zeg maar deze parameters moet je zo zetten.

108
00:08:40,360 --> 00:08:45,400
Max: En dan worden die materialen daar gefabriceerd en doorgemeten en dan komen die data weer terug naar ons toe.

109
00:08:45,399 --> 00:08:46,439
Niels: En dat is de feedbackloop.

110
00:08:46,519 --> 00:08:47,720
Max: Ja, dat is een feedbackloop.

111
00:08:48,279 --> 00:08:52,199
Max: Dan is nog een enorm stuk wat daar binnen ons platform gebeurt.

112
00:08:52,200 --> 00:08:54,920
Max: De platform hebben de Namira gegeven.

113
00:08:55,159 --> 00:08:58,199
Max: En ik zal nou even doorlopen wat de verschillende stapjes zijn erin.

114
00:08:58,200 --> 00:09:04,360
Max: Dus de eerste stap is daar krijg je dus een agent, dus moderne LLM agents.

115
00:09:05,639 --> 00:09:11,960
Max: Die nemen die vraag binnen en die gaan daarmee zoeken in de databases die we hebben.

116
00:09:11,960 --> 00:09:15,800
Max: Dus we hebben een aantal databases en een aantal zijn er ook van exclusief voor ons.

117
00:09:15,799 --> 00:09:21,639
Max: Dan moet je denken aan wetenschappelijke papers die geschreven zijn door de vele jaren heen.

118
00:09:21,639 --> 00:09:26,600
Max: En die gaan zoeken naar materialen waarover gepubliceerd is met die specifieke eigenschappen.

119
00:09:26,600 --> 00:09:29,080
Max: En dan komen ze er al met een aantal.

120
00:09:29,399 --> 00:09:34,680
Max: En dan op dat moment zeggen van oké, nou gaan we proberen zelf hele nieuwe materialen te maken.

121
00:09:34,680 --> 00:09:37,159
Max: Dus nu heb je een, dat heet dan een generatief model.

122
00:09:37,399 --> 00:09:47,160
Max: En dan kan je eigenlijk daar zijn hetzelfde type model, wat ook gebruikt wordt om plaatjes te maken of filmpjes te maken, AI gegenereerde filmpjes.

123
00:09:47,160 --> 00:09:54,440
Max: Dus nu worden er uit het niks eigenlijk materialen voorgesteld met de eigenschappen die jij graag wilt hebben.

124
00:09:54,440 --> 00:10:01,800
Max: Dus dat is letterlijk hetzelfde proces waarbij je zeg maar die atomen ziet ontstaan in een soort materiaalconstructie.

125
00:10:02,360 --> 00:10:05,560
Max: En daar kun je ervan, ja, daar kan je daar velen van maken.

126
00:10:05,559 --> 00:10:09,240
Max: We doen honderdduizenden tot miljoenen creëren we er in onze computer.

127
00:10:09,240 --> 00:10:17,600
Max: En dan komen er allerlei andere AI-modellen die gaan dan testen of die materialen de juiste eigenschappen hebben en of ze wel goed genoeg zijn.

128
00:10:17,600 --> 00:10:18,319
Max: Dus dan komen.

129
00:10:14,920 --> 00:10:21,200
Max: Is het stabiel bijvoorbeeld valt het niet uit elkaar.

130
00:10:21,840 --> 00:10:24,559
Max: Als je het in water stopt, los dat dan op.

131
00:10:25,200 --> 00:10:27,920
Joop: En hoe zijn jullie dan aan die modellen gekomen?

132
00:10:27,919 --> 00:10:28,800
Max: Die hebben we ook allemaal.

133
00:10:28,879 --> 00:10:34,879
Max: Dat zijn gedeeltelijk zijn er modellen die eigenlijk binnen de natuurkunde en de chemie al zijn ontwikkeld.

134
00:10:34,879 --> 00:10:39,759
Max: Dat zijn nog zogenaamde fysische modellen, chemische modellen.

135
00:10:39,759 --> 00:10:45,280
Max: Die proberen echt te simuleren hoe de natuur werkt, bijvoorbeeld die simuleren kwantummechanica.

136
00:10:45,840 --> 00:10:52,080
Max: Maar wat de truc is dat je als je dat heel vaak gedaan hebt, dat is vaak heel duur natuurlijk, dat soort simulaties.

137
00:10:52,080 --> 00:10:57,919
Max: Als je dat heel vaak gedaan hebt, dan heb je op een gegeven moment een database opgebouwd van al die simulaties.

138
00:10:57,919 --> 00:11:08,720
Max: En dan kan je zeggen, kan ik nu aan een AI-model vragen om die voorspelling veel sneller te doen door te interpoleren tussen de al die data die het al gecreëerd heeft.

139
00:11:08,720 --> 00:11:10,240
Max: En dat is dan een machine learning model.

140
00:11:10,240 --> 00:11:14,080
Max: Dat is een van die modellen die Geoff Hinton zomaar zeggen, heeft gepionierd.

141
00:11:14,960 --> 00:11:18,879
Max: En dan kan je dus in een fractie van een seconde diezelfde voorspelling doen.

142
00:11:18,879 --> 00:11:25,120
Max: Bijvoorbeeld één één bekende voor Perovskite materialen voor die zonnecellen is de band cap.

143
00:11:25,120 --> 00:11:37,760
Max: Dat wil zeggen hoeveel wat is de de energiesprong die je moet maken tussen een elektron wat vastzit naar eentje, wat kan bewegen in dat materiaal.
144
00:11:38,080 --> 00:11:42,879
Max: En die voorspelling kunnen we nu heel efficiënt doen met een machine learning model.
 144
00:11:42,879 --> 00:11:47,360
Max: En daarmee kunnen we heel snel itereren door al die al die voorgestelde materialen.
 145
00:11:47,360 --> 00:11:52,000
Max: Dus als je er een miljoen genereert en je moet een miljoen keer een dure simulatie, dan duurt het veel te lang.
 146
00:11:52,000 --> 00:12:02,319
Max: Dus nu gaan we in een fractie van een seconde rekenen we ze allemaal door, en halen we elke keer al die materialen die niet aan de juiste eigenschappen voldoen zeven we eruit.
 147
00:12:02,320 --> 00:12:04,400
Max: En dan wordt dat een steeds kleinere groep.
 148
00:12:04,399 --> 00:12:08,080
Max: En met die kleinere groep gaan we dan naar een lab en daar maken we ze.
 149
00:12:08,480 --> 00:12:12,000
Niels: En die wordt weer terug, die komt weer terug, dan hebben we de werkelijke data weer.
 150
00:12:12,000 --> 00:12:15,919
Niels: Dus dan heb je weer de uitbreiding van die dataset, en zo kan die telkens qua kwaliteit groeien.
 151
00:12:15,920 --> 00:12:19,760
Niels: Dus kan je van de afgeleide kan je gaan werken naar de daadwerkelijke uitkomst.
 152
00:12:19,840 --> 00:12:21,279
Max: Ja, dat is een heel goed punt.
 153
00:12:21,279 --> 00:12:24,800
Max: Want er is dus een continu feedback loop aan de hand.
 154
00:12:24,799 --> 00:12:30,160
Max: Dus ook elke berekening die je doet, levert data op die weer wordt in een database terechtkomt.
 155
00:12:30,159 --> 00:12:35,520
Max: Maar ook de experimenten leveren heel belangrijke data op, die ook weer in een database gaan.
 156
00:12:35,759 --> 00:12:38,879
Max: En die weer de basis vormen voor een nieuw model.
 157
00:12:38,879 --> 00:12:41,440
Max: We de volgende iteratie materialen voorstelt.
 158
00:12:41,440 --> 00:12:44,960
Max: En dat is een soort vliegwiel, wat steeds sneller gaat draaien.
 159
00:12:45,200 --> 00:12:54,960
Joop: Hebben jullie alles een materiaal gevonden waar je eigenlijk voor iets anders bezig was, en dat het een heel andere eigenschappen had, wat je niet verwacht had.
 160
00:12:55,039 --> 00:13:01,520
Joop: We hebben aspirine of zo, is een bijproduct van een heel ander experiment geweest.
 161
00:13:01,519 --> 00:13:03,680
Joop: Zijn jullie tegen zoiets aangelopen?
 162
00:13:03,759 --> 00:13:06,639
Max: Nee, dat is echt iets voor menselijke ontdekkingen.
 163
00:13:06,639 --> 00:13:14,160
Max: Ik denk dat als mensen bezig zijn, dan zijn ze aan het experimenteren in het lab en dan vinden ze ineens een eigenschap.
 164
00:13:14,159 --> 00:13:16,559
Max: Dus meer serendipiteit, maar zeggen.
 165
00:13:16,559 --> 00:13:19,360
Max: Maar wij zijn echt een zoekmachine.
 166
00:13:22,240 --> 00:13:24,960
Max: En dan ontstaat er echt een soort van funnel.
 167
00:13:24,960 --> 00:13:32,080
Max: waarbij we steeds minder betere kandidaten creëren totdat we degene hebben die we willen.
 168
00:13:32,080 --> 00:13:35,920
Max: Dus wij moeten echt zeggen wat we willen en dan gaan we daar naartoe itereren.
 169
00:13:35,920 --> 00:13:37,520
Niels: Hoe komen jullie erachter wat jullie willen?
 170
00:13:37,519 --> 00:13:40,240
Niels: Want er komt er best wel heel veel in de dynamiek omheen.
 171
00:13:40,240 --> 00:13:42,560
Niels: Kijken van waar wordt het toegepast.
 172
00:13:43,200 --> 00:13:44,480
Niels: Hoe komen jullie naartoe?
 173
00:13:44,480 --> 00:13:48,960
Max: Ja, dus dat is een doen we in samenspraak met onze klanten.
 174
00:13:49,279 --> 00:13:52,399
Max: Maar ook met onze eigen interne experts.
 175
00:13:52,399 --> 00:13:59,039
Max: Dus we hebben een aantal projecten intern lopen, die worden intern door onszelf gefinancierd, of eigenlijk door onze investeerders als je het zo wil zeggen.
 176
00:13:59,039 --> 00:14:01,600
Max: Bijvoorbeeld carbon capture is er één van.
 177
00:14:01,920 --> 00:14:07,440
Max: En ja, dan werken we samen met onze interne experts, maar ook bijvoorbeeld de experts in een lab.
 178
00:14:07,440 --> 00:14:11,840
Max: Dus we werken samen met A-Star, dat is een groot national lab in Singapore.
 179
00:14:12,159 --> 00:14:15,519
Max: En daar zitten een heleboel experts bijvoorbeeld op carbon capture.
 180
00:14:15,519 --> 00:14:21,200
Max: En met hen denken we na over wat de beste eigenschappen is die we willen hebben.
 181
00:14:21,200 --> 00:14:25,680
Max: Maar als we het op semiconductor, halfgeleiders doen, dan werken we met onze klanten.
 182
00:14:25,680 --> 00:14:28,639
Max: En dan zeggen we van, nou wat wil je precies hebben.
 183
00:14:28,639 --> 00:14:30,879
Max: En dan samen denken van oké.
 184
00:14:30,879 --> 00:14:34,080
Max: En dat de juiste eigenschappen kunnen we die goed simuleren.
 185
00:14:34,400 --> 00:14:41,040
Max: En dan gaan we naar materialen met die specifieke eigenschappen die die klant wil hebben.
 186
00:14:41,519 --> 00:14:42,800
Niels: Mooi.
 187
00:14:43,759 --> 00:14:46,639
Joop: Je zit al best wel heel lang in het vak.
 188
00:14:47,120 --> 00:14:50,399
Joop: Wat zijn nou de grote veranderingen die je hebt gezien?
 189
00:14:50,400 --> 00:14:55,920
Joop: En hoe komt het, zeg maar dat je dat je hierin bent geland in CuspAI?
 190
00:14:56,319 --> 00:15:03,480
Max: Er is heel veel veranderd, inderdaad, toen ik in 1998 aan afstudeerde in de theoretische fysica.
 191
00:14:59,920 --> 00:15:05,160
Max: Toen ging ik dus naar Caltech.
 192
00:15:05,399 --> 00:15:07,720
Max: Het was eigenlijk het vakgebied bestond nog nauwelijks.
 193
00:15:07,799 --> 00:15:12,919
Max: Het was echt een soort van het was een beetje hetzelfde als statistiek op dat moment.
 194
00:15:12,919 --> 00:15:15,960
Max: En je had het over modellen van 100 parameters of zo.
 195
00:15:15,960 --> 00:15:21,080
Max: Maar 100 knoppen waar je aan kon draaien en dan ging je dan helemaal uit analyseren dat model.
 196
00:15:21,879 --> 00:15:27,160
Max: Nu hebben we het over modellen die zeg maar 10 triljoen parameters hebben.
 197
00:15:27,159 --> 00:15:31,960
Max: Dan heb je dus over één idiote expansie natuurlijk.
 198
00:15:32,919 --> 00:15:40,519
Max: Maar in de statistiek mensen modellen bouwen die ze proberen helemaal te begrijpen en elke parameter helemaal proberen te begrijpen.
 199
00:15:40,840 --> 00:15:47,319
Max: Is in de machine learning in de moderne AI kun je niet 10 miljard parameters meer begrijpen of wat ze eigenlijk zelfs maar doen.
 200
00:15:48,360 --> 00:15:50,600
Max: Het is meer een schaling geworden.
 201
00:15:50,600 --> 00:15:52,120
Max: Dus het is meer engineering geworden.
 202
00:15:52,120 --> 00:15:55,640
Max: Dus meer data, meer computer tegenaan gooien.
 203
00:15:55,879 --> 00:15:59,960
Max: En dan hebben we zogenaamde schalingswetten, leercurves heet het in Nederland.
 204
00:15:59,960 --> 00:16:04,280
Max: Dat wil zeggen dat je kan voorspellen wat er gebeurt als je meer data verzamelt.
 205
00:16:04,279 --> 00:16:10,920
Max: Of dat je kan voorspellen wat de verbetering van het model wordt als je meer rekenkrachten tegenaan gooit.
 206
00:16:11,240 --> 00:16:17,000
Max: En die wetten hebben eigenlijk dit in de industrie gebracht, omdat het nu voorspelbaar werd.
 207
00:16:17,000 --> 00:16:22,519
Max: En leidt er nu toe dat mensen praten over in de ruimte schieten van rekencenters.
 208
00:16:24,039 --> 00:16:26,920
Max: Je kan door blijven gaan, het wordt maar beter en beter.
 209
00:16:27,480 --> 00:16:29,000
Max: Dus dat is echt een grote verandering.
 210
00:16:29,000 --> 00:16:35,240
Max: Het is gegaan van een wetenschap over modellen naar een engineering effort eigenlijk.
 211
00:16:37,639 --> 00:16:42,120
Joop: Er was een heel breed oppervlakte waar je je kennis kon inzetten.
 212
00:16:42,120 --> 00:16:44,280
Joop: Waarom heb je gekozen voor CuspAI?
 213
00:16:45,000 --> 00:16:55,160
Max: Om ik natuurlijk een achtergrond heb in fysica en ik ben uiteindelijk een natuurkundige in hart en ziel, ik vind het nog steeds een prachtig vak.
 214
00:16:55,159 --> 00:16:57,879
Max: En het is eigenlijk door mijn hele carrière ook teruggekomen.
 215
00:16:57,879 --> 00:17:02,760
Max: Dus ik heb ook gewerkt bijvoorbeeld met Taco Co en een student aan symmetrieën in modellen.
217
00:17:02,920 --> 00:17:07,480
Max: Dus die theorie van symmetrieën speelt een enorme rol in de natuurkunde.

216
00:17:07,480 --> 00:17:11,400
Max: Bijvoorbeeld in het standaard model van de elementaire deeltjes.

217
00:17:11,878 --> 00:17:15,160
Max: Dat is natuurlijk hoge energiefysica waar ik eerst in zat.

218
00:17:15,240 --> 00:17:19,720
Max: Daar zit allerlei symmetrieën spelen daar een enorme belangrijke rol.

219
00:17:20,039 --> 00:17:24,280
Max: En die dachten we toen kunnen we die ook invoeren in neurale netwerken.

220
00:17:24,279 --> 00:17:33,560
Max: Want een neuraal netwerk moet eigenlijk kunnen begrijpen dat als ik een object heb, zoals een glas en ik draai het object rond, dat het dan nog steeds een glas is.

221
00:17:34,039 --> 00:17:36,119
Max: Het verandert niet omdat ik het ronddraait.

222
00:17:36,119 --> 00:17:38,840
Max: Maar gek genoeg begrijpen in een neuraal netwerk dat niet.

223
00:17:38,839 --> 00:17:42,440
Max: Dus als ik een glas ondersteboven houden, dan snap je niet meer dat het een glas is.

224
00:17:42,440 --> 00:17:44,680
Max: Maar dan kan je er wel in bouwen.

225
00:17:44,680 --> 00:17:46,600
Max: En dat hebben we toen gedaan.

226
00:17:46,920 --> 00:17:49,879
Max: En daar zie je al dat natuurkunde een enorme belangrijke rol speelde.

227
00:17:49,880 --> 00:17:51,000
Max: En dat is eigenlijk.

228
00:17:51,000 --> 00:18:03,480
Max: En toen kwam ik er in, nou ja, wat was het, 2020 misschien of zo achter dat AI en machine learning een steeds belangrijkere rol ging spelen binnen de natuurkunde en de chemie.

229
00:18:04,360 --> 00:18:06,360
Max: Een goed voorbeeld is natuurlijk AlphaFold.

230
00:18:06,360 --> 00:18:09,559
Max: Dat is natuurlijk binnen meer biologie wellicht, maar ook chemie.

231
00:18:09,559 --> 00:18:11,720
Joop: Voor degene die niet weet wat AlphaFold is.

232
00:18:11,799 --> 00:18:19,319
Max: Oké, de AlphaFold heeft ook de Nobelprijs gekregen, maar voor het eerst eigenlijk een AI onderzoeker heeft dat gekregen.

233
00:18:19,640 --> 00:18:26,599
Max: En dat wil zeggen dat als ik een eiwit, eiwit zijn de belangrijkste moleculen in ons lichaam.

234
00:18:27,559 --> 00:18:36,919
Max: Als je die bestaan uit zogenaamde aminozuren, dat zijn kleine blokjes met atomen die aan elkaar geknoopt worden in een soort ketting.

235
00:18:36,920 --> 00:18:46,200
Max: En als je die aminozuren weet, dan kan je eigenlijk voorspellen wat de driedimensionale structuur wordt als je dat oprolt.

236
00:18:46,360 --> 00:18:50,759
Max: Als dat in de wereld, zeg maar, als je die dingen loslaat, dan rollen ze zichzelf op.

237
00:18:50,759 --> 00:18:55,559
Max: En de functie van zo'n eiwit wordt bepaald door die driedimensionale structuur.

238
00:18:55,559 --> 00:18:57,960
Max: En men kon dat eigenlijk niet goed voorspellen.

239
00:18:57,960 --> 00:19:10,920
Max: En toen voor het eerst heeft Google DeepMind dat dus gedaan, dat is een model gemaakt, waarbij je dus die driedimensionale structuur gewoon in een computer kon voorspellen, aan de hand van die aminozuren sequence.

240
00:19:11,079 --> 00:19:12,600
Joop: Dat was een enorme doorbraak.

241
00:19:12,599 --> 00:19:25,960
Max: En er is een andere doorbraak bijvoorbeeld in de chemie, waarbij je als je een molecuul wil simuleren, al die atomen die wiebelen en die draaien en die vouwen ook, die vouwen ook in een structuur.

242
00:19:25,960 --> 00:19:28,759
Max: Als je dat wil simuleren in een computer.

243
00:19:29,079 --> 00:19:36,440
Max: Dan is het eigenlijk een enorm probleem omdat elk atoom, daar zit een soort van wolk van elektronen omheen.

244
00:19:36,440 --> 00:19:38,759
Max: Dat zijn de allerkleinste deeltjes.

245
00:19:39,000 --> 00:19:42,839
Max: Maar die kan je alleen maar beschrijven met kwantummechanica als je het goed wil doen.

246
00:19:42,840 --> 00:19:44,199
Max: En dat is enorm duur.

247
00:19:44,200 --> 00:19:48,000
Max: Dus dan kan je daar misschien 10 elektronen kan je aan, maar daarna wordt het hopeloos.

248
00:19:48,240 --> 00:19:52,879
Max: Er zitten natuurlijk duizenden of tienduizend of nog veel meer elektronen in een materiaal.

249
00:19:53,200 --> 00:20:02,960
Max: En toen is er eigenlijk eerst kreeg je een benadering dat heet DFT, density functional theory, dat is ook de Nobelprijs van uitgereikt aan de chemie, dat is al een chemische benadering.

250
00:20:03,200 --> 00:20:07,759
Max: En toen hebben mensen eigenlijk grote datasets gecreëerd met die benadering.

251
00:20:08,720 --> 00:20:16,480
Max: En toen zijn ze machine learning modellen gaan trainen om te voorspellen wat de kwantummechanische berekening zou opleveren.

252
00:20:16,480 --> 00:20:19,680
Max: Dus eigenlijk net is wat ik net vertelde over die eigenschappen bijvoorbeeld.

253
00:20:19,680 --> 00:20:26,880
Max: Dus als je maar voldoende data hebt gegenereerd, op een gegeven moment kan je een shortcut maken en dan kan je zeggen, nou laten we nou niet meer de dure berekening doen.

254
00:20:26,880 --> 00:20:30,400
Max: En dan gaan we de goedkope berekening via een neuraal netwerk doen.

255
00:20:30,559 --> 00:20:33,919
Max: En dat heeft geleid tot een revolutie binnen de chemie.

256
00:20:33,920 --> 00:20:40,559
Max: Dat heette machine learning interatomic potentials, of een ander woord is machine learning force fields.

257
00:20:40,799 --> 00:20:44,240
Max: En dat zijn voorspellers van de kwantummechanische berekening.

258
00:20:44,240 --> 00:20:50,160
Max: En nu kunnen we veel sneller en veel preciezer veel grotere materialen simuleren in een computer.

259
00:20:50,160 --> 00:20:52,400
Joop: Is dat ook de schouders waar jullie nu op staan?

260
00:20:52,400 --> 00:20:53,040
Max: Ja, zeker.

261
00:20:53,039 --> 00:20:54,480
Max: En die ontwikkelen we ook weer verder.

262
00:20:54,559 --> 00:20:57,200
Max: Dus dat soort dingen waar we ook weer op verder ontwikkelen.

263
00:20:59,680 --> 00:21:13,679
Max: Daar zie je een hele duidelijke interplay tussen machine learning en chemie, en dat heeft mij natuurlijk enorm aangetrokken, omdat ten eerste waren ook een aantal modellen die wij ontwikkeld hadden binnen mijn eigen academische lab, werden gebruikt in de chemie.

264
00:21:13,680 --> 00:21:14,879
Max: En in de natuurkunde.

265
00:21:14,880 --> 00:21:16,960
Joop: En toen dacht ik, van ja, dat kan ik beter zelf doen.

266
00:21:17,039 --> 00:21:18,879
Joop: Het is een prachtig vakgebied.

267
00:21:19,200 --> 00:21:24,639
Max: Plus, dat is natuurlijk de wetenschappelijke aantrekkingskracht van dit probleem.

268
00:21:24,640 --> 00:21:34,240
Max: Maar ik werd ook wel bezorgd over de maatschappelijke impact van de industrialisering om het zo maar te zeggen.

269
00:21:34,240 --> 00:21:37,519
Max: Het klimaatprobleem en de energietransitie waar we doorheen moeten.

270
00:21:37,519 --> 00:21:44,480
Max: En toen dacht ik van dit is dé kans om met AI dat proces van energietransitie en klimaatproblemen.

271
00:21:44,960 --> 00:21:46,639
Max: sneller op te gaan lossen.

272
00:21:46,720 --> 00:21:48,079
Niels: Ik was wel nieuwsgierig.

273
00:21:48,079 --> 00:21:51,759
Niels: Hoe ga je van van theorie naar praktijk, waar loop je dan tegenaan?

274
00:21:51,759 --> 00:21:54,559
Niels: Van onderzoek naar implementatie.

275
00:21:54,559 --> 00:21:59,519
Max: Ja, dat is wat je wat is prachtig natuurlijk wat in een bedrijf gebeurt.

276
00:21:59,839 --> 00:22:05,599
Max: Dus daarom wilde ik dit ook, want ik denk van ja, je kan natuurlijk papers schrijven, die hebben een soort van indirecte impact.

277
00:22:05,599 --> 00:22:10,240
Max: Dat is allemaal prima natuurlijk, ik ben echt voor onderzoek of gebonden onderzoek.

278
00:22:10,240 --> 00:22:16,079
Max: Maar als je echt iets impact wil maken, dan moet je het toch in een soort bedrijf naar de markt brengen.

279
00:22:16,640 --> 00:22:24,879
Max: Nou, ik moet wel zeggen dat wij twee jaar geleden begonnen en ik heb toen een technical roadmap geschreven, die ook al over agents praat en al dat soort dingen.

280
00:22:24,880 --> 00:22:28,080
Max: En eigenlijk zijn we dat pad nog steeds aan het bewandelen.
283
00:22:28,079 --> 00:22:33,439
Max: Dus het is in die zin, je kan echt wel voorspellen wat je moet doen.

281
00:22:33,759 --> 00:22:36,399
Max: Maar ja, dan vervolgens kom je in de praktijk moet je het gaan bouwen.

282
00:22:36,559 --> 00:22:38,480
Max: We hebben een waanzinnig team.

283
00:22:38,960 --> 00:22:45,519
Max: En daar zijn we ook heel trots op, hebben gebouwd wie dit allemaal aan het bouwen is, dat is de machine learning kant.

284
00:22:45,519 --> 00:22:50,480
Max: We hebben ook een geweldig team aan de chemiekant en de materiaalkant.

285
00:22:50,799 --> 00:22:52,079
Max: En we hebben onze klanten.

286
00:22:52,079 --> 00:22:53,599
Max: Dus wat gebeurt er.

287
00:22:55,279 --> 00:23:04,720
Max: We hebben een platform ontwikkeld en dan hebben we ons toegepaste materiaalteam, wat dan met dat platform aan de gang gaat en een klant aan de gang gaat.

288
00:23:04,720 --> 00:23:08,480
Max: En dan gaan we kijken hoe we die materialen kunnen ontwikkelen.

289
00:23:08,480 --> 00:23:14,720
Max: En die interactie tussen klant en ons platform, is waar het echt praktisch wordt om het zo maar te zeggen.

290
00:23:14,880 --> 00:23:17,440
Max: En dan is er nog een stap daarna.

291
00:23:17,440 --> 00:23:23,120
Max: En dat eigenlijk duurt nog wat langer, als je één keer de materiaal ontwikkeld hebt, dan moet je ook de echte wereld in.

292
00:23:23,119 --> 00:23:33,279
Max: En dat is vaak nog extra werk, dat moeten we echt met klanten doen, want het moeten misschien apparaat worden aangepast of fabriek worden aangepast, of het materiaal moet op grote schaal worden geproduceerd.

293
00:23:33,680 --> 00:23:36,799
Max: Dat is nog een stap die we wel door moeten.

294
00:23:36,799 --> 00:23:40,879
Joop: Ik kan me zo voorstellen dat het best een heel duur traject is.

295
00:23:41,519 --> 00:23:44,319
Joop: Hoe ben je aan de investeringen gekomen?

296
00:23:44,400 --> 00:23:50,240
Max: Ja, nou, daar heeft mijn co-founder Chad Edwards een hele belangrijke rol gespeeld.

297
00:23:50,400 --> 00:23:59,359
Max: Die kwam al van een bedrijf van Titanium op dat moment waar die al een rol had gespeeld in het opschalen van dat bedrijf.

298
00:24:00,000 --> 00:24:01,920
Max: En die kende al een aantal investeerders.

299
00:24:02,000 --> 00:24:06,319
Max: Dus we hebben eigenlijk vrij vroeg een check gekregen.

300
00:24:06,319 --> 00:24:09,839
Max: Die ons aan het werk kon zetten.

301
00:24:09,840 --> 00:24:11,840
Max: En een eerste team konden gaan inhuren.

302
00:24:11,840 --> 00:24:17,119
Max: En als je één keer op zo'n op een goede curve zit, een groeicurve zit.

303
00:24:17,599 --> 00:24:19,839
Max: En je resultaten kan laten zien.

304
00:24:20,160 --> 00:24:23,359
Max: En in een relevant vakgebied.

305
00:24:23,360 --> 00:24:28,720
Max: Want physical AI, in iets algemenere term, is nu enorm in opkomst.

306
00:24:28,720 --> 00:24:34,679
Max: Dus we hebben digital AI, het bouwen van AGI zeggen ze dan.

307
00:24:34,920 --> 00:24:38,600
Max: Artificial General Intelligence is nu enorm groot.

308
00:24:38,599 --> 00:24:41,079
Max: Maar de stap die erna gaat komen is physical AI.

309
00:24:41,079 --> 00:24:47,480
Max: Dat wil zeggen die AI ook in de echte wereld laten opereren via robots en machines en experimenten enzovoort.

310
00:24:48,440 --> 00:24:53,880
Max: Dus ja, als je dan je zit in een heel veelbelovend vakgebied, je hebt een fantastisch team.

311
00:24:53,880 --> 00:24:55,880
Max: Je laat eerst de resultaten zien.

312
00:24:56,119 --> 00:25:01,319
Max: En je kan laten zien dat als dit succesvol is, dan kan dat een enorme impact hebben op de wereld.

313
00:25:01,960 --> 00:25:04,359
Max: Dat levert dan investeringen op.

314
00:25:06,039 --> 00:25:08,919
Joop: Hoe ziet die samenwerkingen op dit moment uit?

315
00:25:11,160 --> 00:25:13,319
Joop: Je had een foundry nu.

316
00:25:14,039 --> 00:25:15,159
Joop: Hoe ziet dat eruit?

317
00:25:15,640 --> 00:25:22,519
Max: We hebben recent, eigenlijk maandag hebben we de AI Materials Foundry gelanceerd.

318
00:25:22,680 --> 00:25:28,279
Max: Dit is een vijftal bedrijven die bij elkaar komen.

319
00:25:30,119 --> 00:25:34,039
Max: Van verschillende hoeken naar probleem kijken.

320
00:25:34,039 --> 00:25:38,039
Max: Wij kijken natuurlijk vanuit het AI-hoek, de digitale hoek.

321
00:25:38,039 --> 00:25:43,079
Max: We hebben een heel aantal labs in die foundry zitten die de experimenten kunnen doen.

322
00:25:43,079 --> 00:25:46,599
Max: We hebben computerpartners, zoals Nvidia Meta.

323
00:25:46,599 --> 00:25:50,200
Max: En we hebben de klanten die de problemen aanleveren.

324
00:25:50,359 --> 00:25:56,360
Max: En het belangrijkste is dat het vakgebied is eigenlijk vrij traditioneel.

325
00:25:56,599 --> 00:26:05,240
Max: In de zin van de normale manier van doen, is dat je papers leest, je hebt een team van slimme wetenschappers die lezen papers.

326
00:26:05,319 --> 00:26:13,960
Max: En dan denk je, maken ze een hypothese over hoe het volgende materiaal eruit zou moeten zien en dan ontwerpen ze een experiment en dan kijken ze naar de data en dan itereren ze dat.

327
00:26:13,960 --> 00:26:16,200
Max: Maar wordt eigenlijk geen AI gebruikt.

328
00:26:16,200 --> 00:26:26,599
Max: Dus wij denken dat die bedrijven die stap moeten gaan maken naar een nieuw paradigma waarin AI alles met AI gedaan wordt, een heel groot deel met AI aangedreven wordt.

329
00:26:26,599 --> 00:26:31,639
Max: En dat proberen we in die foundry voor elkaar te krijgen door al die partijen bij elkaar te brengen.

330
00:26:31,799 --> 00:26:33,960
Max: En daar successen te laten zien.

331
00:26:33,960 --> 00:26:38,039
Max: Dus laten ze een aantal materialen met elkaar gaan maken en laten we zien dat dat succesvol is.

332
00:26:38,039 --> 00:26:39,480
Max: En dan gaat iedereen die stap maken.

333
00:26:39,720 --> 00:26:45,720
Joop: Ik kan me voorstellen dat er vanuit de wetenschap best ook wel wat weerstand is tegen deze manier van kijken.

334
00:26:47,079 --> 00:26:51,000
Max: Wat je heel vaak ziet is, ik denk dat ten eerste dat er een heleboel enthousiasme is hoor.

335
00:26:51,160 --> 00:26:57,879
Max: Ik denk dat er een heleboel wetenschappers echt wel zien dat dit een hele belangrijke ontwikkeling is voor hen.

336
00:26:58,440 --> 00:27:03,320
Max: Maar je kan wat je wel ziet, is dat wetenschappers natuurlijk heel graag willen begrijpen.

337
00:27:03,319 --> 00:27:11,960
Max: En op het je dus met een triljoen parameter of model iets voorspelt, dan raak je los van dat begrijpen.

338
00:27:11,960 --> 00:27:15,960
Max: En ik denk, daar worden mensen, wetenschappers wat zenuwachtig van.

339
00:27:15,960 --> 00:27:21,799
Max: Dus wat het niet gewoon één grote machine waar ik geen idee meer heb wat er gebeurt, en is dat dan nog wel wetenschap.

340
00:27:22,039 --> 00:27:24,039
Max: En ik denk dat er een rol is voor alle twee dingen.

341
00:27:24,119 --> 00:27:26,120
Max: Ik denk dat het heel belangrijk is dat we blijven begrijpen.

342
00:27:26,119 --> 00:27:30,359
Max: En ook dit soort modellen kun je vragen stellen natuurlijk om beter te begrijpen.

343
00:27:30,360 --> 00:27:35,639
Max: Maar ik denk ook wel dat er dingen fundamenteel moeilijk zijn te begrijpen voor mensen.

344
00:27:36,599 --> 00:27:42,279
Max: En dat je dus betere voorspellingen kan maken en betere materialen kan ontwikkelen als je dat loslaat.

345
00:27:42,279 --> 00:27:48,119
Max: Dus met andere woorden, als ik zeg maar met er een materiaal aankomt, maar iemand specificeert wat hij wil hebben.

346
00:27:48,360 --> 00:27:59,240
Max: En ik kom in een zwarte doos ontwikkel ik dat materiaal en ik geef het terug, dan kan die persoon wel checken of het materiaal die eigenschappen heeft, ook al begrijpt die wellicht niet hoe het tot stand is gekomen.
350
00:27:59,240 --> 00:28:02,680
Max: En ik denk dat we die stap wel moeten gaan maken bij elkaar.

347
00:28:02,920 --> 00:28:10,679
Max: Maar ik denk dat ik zie dat er een soort van evenwicht is, waarbij ook wetenschappers dat dan weer gaan gebruiken om beter te begrijpen wat er eigenlijk gebeurd is.

348
00:28:10,680 --> 00:28:25,559
Niels: Ja, dus resultaat gedreven, maar de resultaten weer input voor het begrijpen van hoe zijn we daartoe gekomen, eigenlijk ook wat je net al in het platform ook een beetje toelicht, is dat je allemaal verschillende lagen hebt gemaakt om op voor te bouwen en efficiëntie toe te kunnen passen.

349
00:28:25,640 --> 00:28:34,759
Max: Misschien het een goed voorbeeld is, zeg maar, AlphaGo of een schaakcomputer die tegenwoordig zo goed is dat die elk mens verslaat.

350
00:28:34,920 --> 00:28:37,559
Max: Dat is natuurlijk voor een schaker ook heel vervelend.

351
00:28:37,559 --> 00:28:39,319
Max: Want dan denk je van ja, maar wat gebeurt daar nou?

352
00:28:39,319 --> 00:28:41,240
Max: Ik begrijp niet meer wat die aan het doen is.

353
00:28:41,240 --> 00:28:49,640
Max: Aan de andere kant, in eerste instantie was dat ongemakkelijk, aan de andere kant spelen mensen nu met die schaakcomputers om hun eigen spel weer te verbeteren.

354
00:28:49,639 --> 00:28:53,319
Max: Dus het wordt een soort nieuw evenwicht tussen de schaker en de computer.

355
00:28:53,319 --> 00:28:55,319
Max: En zo gaat dat ook tussen de wetenschappers en de computers.

356
00:28:55,400 --> 00:28:56,920
Joop: Ja, mooi, mooie vergelijking.

357
00:28:56,920 --> 00:28:58,279
Joop: Ik was wel even benieuwd.

358
00:28:58,599 --> 00:29:00,839
Joop: Je zei net van physical AI.

359
00:29:00,840 --> 00:29:04,680
Joop: Misschien moet je ze direct nog heel even uitleggen wat je daarmee bedoelt.

360
00:29:04,680 --> 00:29:07,480
Joop: Maar je zegt dat komt na AGI.

361
00:29:09,079 --> 00:29:12,439
Joop: Vind jij ook echt dat dat de volgorde is?

362
00:29:12,440 --> 00:29:23,039
Max: Ja, en dat heeft ermee te maken dat de echte wereld, de fysische wereld, is gewoon ingewikkelder, langzamer, meer frictie dan de digitale wereld.

363
00:29:23,119 --> 00:29:30,240
Max: In de digitale wereld, een LLM of de moderne chatbots, daar voeren ze ongelooflijk veel data in.

364
00:29:30,720 --> 00:29:33,599
Max: Het hele internet en nog veel meer gaat daarin.

365
00:29:34,160 --> 00:29:40,559
Max: En dan ontstaat er een soort intelligentie, puur digitale intelligentie waarmee je kan converseren.

366
00:29:40,559 --> 00:29:42,800
Max: Maar die kan nog niks in de echte wereld doen.

367
00:29:43,759 --> 00:29:45,840
Max: Een zelfrijdende auto is misschien een goed voorbeeld.

368
00:29:45,839 --> 00:29:54,800
Max: Dat was eigenlijk de eerste stappen voor physical AI, of misschien de robots die in fabrieken staan te werken, een zelfrijdende auto is ontzettend ingewikkeld.

369
00:29:54,799 --> 00:29:55,600
Joop: Ja, dat blijkt.

370
00:29:56,079 --> 00:29:58,480
Max: Dat duurt duidelijk langer om dat voor elkaar te gaan.

371
00:29:58,480 --> 00:30:01,759
Max: En dat heeft ermee te maken dat het veilig moet zijn, altijd veilig moet zijn.

372
00:30:01,759 --> 00:30:10,160
Max: En er is altijd een hele lange staart van uitzonderingen die moeten worden behandeld om ervoor zorgen dat er niets fout gaat.

373
00:30:10,160 --> 00:30:15,919
Max: En dat is nog een relatief simpel probleem als je erover nadenken, want die auto moet op de weg en de regels zijn heel duidelijk.

374
00:30:16,400 --> 00:30:17,679
Joop: Het zijn letterlijk vangrails.

375
00:30:17,759 --> 00:30:19,679
Joop: Ja, er zijn net vangrails.

376
00:30:19,680 --> 00:30:23,519
Max: Maar als je nou een robot, een humanoid robot loslaat in de wereld.

377
00:30:24,000 --> 00:30:26,559
Max: Dat is nog een veel ingewikkelder probleem.

378
00:30:26,559 --> 00:30:29,600
Max: Maar we zien dat bijvoorbeeld ook bij het experimenteren van dingen.

379
00:30:29,599 --> 00:30:35,599
Max: Dus op het moment dat wij in een computer kunnen we een heleboel berekeningen doen en dan komen we met een voorstel.

380
00:30:35,839 --> 00:30:37,839
Max: En dan vervolgens moet er een experiment gedaan worden.

381
00:30:37,839 --> 00:30:41,359
Max: Dan loop je ineens tegen dingen aan als oh, mijn apparaat is kapot.

382
00:30:41,359 --> 00:30:47,839
Max: Oh, ik moet nog een of andere chemisch stofje bestellen, maar dat is op bij de leverancier.

383
00:30:49,039 --> 00:30:53,199
Max: Allemaal van dat soort dingen, ook juridische dingen loop je tegenaan.

384
00:30:53,200 --> 00:30:58,880
Max: Dus alles vertraagt enorm wanneer het in contact komt met de fysische wereld.

385
00:30:58,880 --> 00:31:01,359
Max: Maar dat is nu wel wat de volgende stappen zijn.

386
00:31:01,680 --> 00:31:12,319
Max: Je ziet een heleboel bedrijven, zoals ook Prometheus is ook een voorbeeld van zo'n bedrijf, die echt proberen de AI naar de fysische wereld toe toe te brengen.

387
00:31:12,319 --> 00:31:18,960
Niels: Is de world models waar nu aan gewerkt wordt, is dat zo'n stap om te beschrijven wat gebeuren in de visie en begrijpen we dat?

388
00:31:19,599 --> 00:31:21,439
Max: En wat bedoel je met world models?

389
00:31:21,759 --> 00:31:26,480
Joop: Voor mijn beeld, ik weet ik ben er ook geen expert in, maar voor mij wil je de world models, de world models.

390
00:31:28,559 --> 00:31:39,680
Max: Ja, world models, zijn modellen die proberen te beschrijven te simuleren nog steeds digitaal.

391
00:31:40,640 --> 00:31:44,480
Max: Hoe je kan plannen in een echte wereld.

392
00:31:44,480 --> 00:31:48,000
Max: Dus met andere woorden, de moderne LLM's doen dat niet.

393
00:31:48,319 --> 00:31:54,400
Max: Die pakken gewoon informatie en die proberen zinnen af te maken om het zomaar te zeggen, waar ze toch wel heel intelligent van worden.

394
00:31:54,400 --> 00:31:59,839
Max: Maar de world models die zeggen eigenlijk het moet eigenlijk meer zo zijn zoals mensen denken.

395
00:31:59,839 --> 00:32:07,519
Max: Dus als ik jou vraag van wat gebeurt er als je met een fiets tegen een boom aan rijdt, dan zie je waarschijnlijk in je hoofd al dat gebeuren.

396
00:32:08,079 --> 00:32:09,680
Max: En dan denk ik van moet ik niet doen.

397
00:32:10,400 --> 00:32:11,680
Max: Hoofdpijn van.

398
00:32:12,000 --> 00:32:15,440
Max: En dat is eigenlijk zoals world models werken.

399
00:32:15,440 --> 00:32:23,599
Max: Dus je probeert niet op het niveau van individuele pixels, een video te maken, maar je probeert het eerst te abstraheren naar concepten.

400
00:32:23,599 --> 00:32:29,519
Max: Dat wil zeggen een mens en een fiets en een boom, en dan zie je iets vaags gebeuren en denk je van oké, dat is niet goed.

401
00:32:29,519 --> 00:32:38,799
Max: En dat is een world model, dus abstraheren naar concepten, in die concepten de wereld te simuleren, de fysica te simuleren, of misschien zelfs de psychologie van mensen te simuleren.

402
00:32:38,799 --> 00:32:42,879
Max: En dan tot een conclusie te komen van wat moet ik wel en wat moet ik niet doen.

403
00:32:43,279 --> 00:32:45,920
Joop: Denk dat dat echt gaat komen ook?

404
00:32:45,920 --> 00:32:46,799
Joop: Ja, zeker.

405
00:32:48,160 --> 00:32:50,640
Joop: Waarom waarom zulke zekerheid?

406
00:32:50,880 --> 00:32:54,559
Max: Die world models, dat is echt een relatief kleine stap.

407
00:32:54,559 --> 00:32:56,480
Max: Dat doen een heleboel mensen al dit.

408
00:32:56,480 --> 00:32:57,920
Max: Dit is al realiteit.

409
00:32:57,920 --> 00:33:03,519
Max: Dus eigenlijk is het wat er eigenlijk al gebeurt, is dat modellen die bouwen al abstracties.

410
00:33:04,880 --> 00:33:10,240
Max: Dat heet dan een latent variable of een code of een embedding soms.

411
00:33:10,240 --> 00:33:13,519
Max: Dat zijn dus representaties van de wereld.

412
00:33:13,519 --> 00:33:15,359
Max: Die heel abstract zijn.

413
00:33:15,360 --> 00:33:20,000
Max: En die eigenlijk de concepten, de grote concepten beschrijven in deze wereld.

414
00:33:20,000 --> 00:33:22,160
Max: En daar redeneert men over.

415
00:33:22,160 --> 00:33:24,159
Max: Dus dat is eigenlijk gebeurt al zo.

416
00:33:24,160 --> 00:33:27,679
Max: Maar world models is een soort van meer expliciete vorm daarvan.

417
00:33:27,680 --> 00:33:29,759
Max: Dus dat zijn niet grote stappen.

418
00:33:29,759 --> 00:33:35,439
Max: Ik denk de grotere stappen zijn werkelijk robots aan sturen in de wereld.

419
00:33:35,440 --> 00:33:37,839
Max: Maar ook zodanig dat het allemaal veilig is.

420
00:33:37,840 --> 00:33:40,399
Max: Dat er geen rare dingen gebeuren, natuurlijk.

421
00:33:41,200 --> 00:33:45,759
Joop: Wat zijn ontwikkelingen die jij nu ziet?

422
00:33:46,079 --> 00:33:51,920
Joop: Waar denk ik, zeg maar de gemiddelde kenniswerker, die heeft daar geen idee van.

423
00:33:51,920 --> 00:33:53,759
Joop: Wat komt er over drie jaar?

424
00:33:54,079 --> 00:33:56,440
Joop: waar wetenschappers nu mee bezig zijn?

425
00:33:56,759 --> 00:33:58,839
Joop: Wat de meeste mensen nog niet zien.

426
00:33:59,480 --> 00:34:01,879
Max: Drie jaar is werkelijk een enorme tijd.

427
00:33:58,480 --> 00:34:04,919
Max: Zoals zo snel alles nu gaat.

428
00:34:05,880 --> 00:34:09,399
Max: Ja, ik denk voor mij.

429
00:34:09,400 --> 00:34:12,840
Max: Ik denk dat er een grote ontwikkeling komt in hardware, dat is sowieso.

430
00:34:14,920 --> 00:34:16,759
Max: AI licht hardware.

431
00:34:17,079 --> 00:34:21,879
Max: En onder hardware ligt ook weer AI.

432
00:34:22,759 --> 00:34:27,719
Max: Om nieuwe hardware en halfgeleider materialen te ontwikkelen, moet je ook weer AI gebruiken.

433
00:34:28,199 --> 00:34:33,559
Max: Op dit moment is de huidige hardware nog ontzettend energie-inefficiënt.

434
00:34:34,518 --> 00:34:45,320
Max: En dat heeft er eigenlijk mee te maken dat in het huidige paradigma van rekenen, dat heet het van Neumann paradigma, waarbij je met transistors werkt die aan- en uit moeten, die moet je schakelen.

435
00:34:45,320 --> 00:34:53,639
Max: En je moet een extern geheugen waar data steeds heen en weer moet worden bewogen, dat is eigenlijk allemaal heel energie-inefficiënt.

436
00:34:53,639 --> 00:34:56,920
Max: Dus als je kijkt naar het menselijk brein.

437
00:34:57,239 --> 00:35:03,000
Max: Dat is een miljard keer meer energie-efficiënt dan onze huidige hardware.

438
00:35:03,159 --> 00:35:08,840
Max: En ik denk dat we in de industrie zijn mensen natuurlijk heel blij met die schalingswetten, maar uiteindelijk loopt dat tegen een dak aan.

439
00:35:08,840 --> 00:35:18,759
Max: Op een gegeven moment is het, als je een nucleair reactor moet bouwen om je datacenter aan te gaan krijgen, dan moet je misschien gaan denken, misschien hebben we het einde van deze schalingswet bereikt.

440
00:35:18,760 --> 00:35:20,599
Max: Maar dan kan je natuurlijk nog wel gaan innoveren.

441
00:35:20,599 --> 00:35:24,599
Max: Dan kan je wel gaan denken van oké, maar hebben we dat eigenlijk wel nodig, deze vorm van hardware?

442
00:35:24,599 --> 00:35:29,960
Max: Moeten we niet meer zoals het brein proberen intelligentie te creëren?

443
00:35:29,960 --> 00:35:35,719
Max: En ik denk dat er dan een impuls ontstaat, of een prikkel ontstaat om meer van dat soort dingen te gaan doen.

444
00:35:35,719 --> 00:35:39,160
Max: Dus ik zie de hardware nog echt wel heel erg ontwikkelen.

445
00:35:39,800 --> 00:35:41,239
Max: En dus die visie AI.

446
00:35:41,239 --> 00:35:50,519
Max: Dus ik denk dat de volgende stap echt gaat worden om de interface tussen AI en de echte wereld, daar gaan mensen zich nu op concentreren.

447
00:35:50,519 --> 00:35:53,160
Joop: En betekent dat dan ook dat je dan zegt.

448
00:35:53,800 --> 00:35:56,760
Joop: Misschien zijn we dan weer terug bij CuspAI.

449
00:35:56,760 --> 00:36:01,160
Joop: Dat er dus nieuwe materialen ook nodig zijn met andere eigenschappen.

450
00:36:01,960 --> 00:36:04,519
Joop: Die dit gaan helpen, dat je de hardware.

451
00:36:05,480 --> 00:36:06,759
Max: Zeker aan de hardware kant.

452
00:36:06,760 --> 00:36:09,960
Max: Dus zij zitten heel erg in de halfgeleidersindustrie.

453
00:36:09,960 --> 00:36:17,480
Max: Dus als je kijkt naar de bedrijven die in onze foundry zitten, dan zie je ook het meeste zijn halfgeleider bedrijven.

454
00:36:18,920 --> 00:36:21,400
Max: Daar gaat een enorme ontwikkeling plaatsvinden.

455
00:36:22,039 --> 00:36:26,519
Max: Iets technischer, wat er dus gebeurt, is nu dat normaal proberen we.

456
00:36:26,519 --> 00:36:35,799
Max: En daar speelt ASML een enorme rol en natuurlijk de schaal van de structuren die we op die chips proberen te krijgen, die wordt steeds kleiner.

457
00:36:35,800 --> 00:36:40,439
Max: En daar heb je dus die EUV-machines van ASML voor nodig.

458
00:36:40,440 --> 00:36:42,519
Max: Maar dit is over het algemeen nog tweedimensionaal.

459
00:36:42,519 --> 00:36:46,439
Joop: Dus je pak een vlak en je maakt die structuurtjes die maak je kleiner en kleiner.

460
00:36:46,440 --> 00:36:51,000
Max: Maar op een gegeven moment zit je op het niveau van atomen en dan kan je niet kleiner, want dat is het.

461
00:36:51,480 --> 00:36:52,519
Max: En dan zijn ze.

462
00:36:53,159 --> 00:36:57,480
Max: Ze kunnen nog even wat kleiner, maar dan is dat echt een stopt het.

463
00:36:57,480 --> 00:36:59,400
Max: En dan gaan ze in drie dimensies.

464
00:36:59,719 --> 00:37:05,399
Max: Maar als je in drie dimensies gaat stekken, dus een hoop van die dingen bovenop elkaar gaat zetten, dan heb je een warmteprobleem.

465
00:37:05,400 --> 00:37:11,879
Max: Want er wordt zoveel energie verbruikt dat er heel veel warmte ontstaat, en dat moet uit die chip.

466
00:37:11,880 --> 00:37:13,639
Max: Want anders wordt het veel te heet.

467
00:37:13,880 --> 00:37:17,319
Max: En daar heb je weer allerlei nieuwe materialen bijvoorbeeld voor nodig.

468
00:37:17,320 --> 00:37:20,519
Max: En daar kan onze platform goed bij helpen.

469
00:37:23,000 --> 00:37:27,799
Joop: Je hebt best wel een advisory board, is het geloof, noem je het.

470
00:37:27,960 --> 00:37:35,240
Joop: Advisable waar interessante mensen in zitten die helpen, dus ASML zit daar onder andere ook in.

471
00:37:35,880 --> 00:37:40,760
Joop: Wat voegen die toe aan de ontwikkeling van CuspAI.

472
00:37:41,159 --> 00:37:49,719
Joop: ASML zit er niet in, maar Martin van der Brink en Maarten van de Brink ondertussen met pensioen, maar hij was de vorige CTO en president van ASML.

473
00:37:49,719 --> 00:37:52,839
Max: Natuurlijk een enorme eer om hem in die board te hebben.

474
00:37:52,840 --> 00:37:55,399
Max: Ik vind het ook heel leuk om met hem te sparren over dingen.

475
00:37:55,400 --> 00:37:58,759
Max: Dus de verschillende mensen hebben verschillende rollen in die board.

476
00:37:58,760 --> 00:38:03,400
Max: Dus sommigen die helpen met het openen van deuren.

477
00:38:03,400 --> 00:38:07,719
Max: Dus die sturen een e-mailtje en die zeggen, je moet eens met CuspAI praten en dat helpt enorm.

478
00:38:08,119 --> 00:38:18,119
Max: Anderen zijn meer hands-on en die hebben echt van praat ik regelmatig mee om te vragen van hoe kan ik nou het beste in die semiconductorindustrie binnenkomen met dit.

479
00:38:18,119 --> 00:38:23,559
Max: Hoe krijg ik mensen nu enthousiast voor dit soort nieuwe technologie.

480
00:38:23,960 --> 00:38:30,680
Max: En ja, op die manier helpen deze mensen ons CuspAI verder uit te bouwen.

481
00:38:31,400 --> 00:38:33,240
Niels: Ik was nog wel nieuwsgierig.

482
00:38:33,320 --> 00:38:39,720
Niels: Niet iedereen gaat, en iedereen weiniger zitten in het creëren van nieuwe materialen gaat, maar we kennen wel deze technologie gaat.

483
00:38:39,720 --> 00:38:42,599
Niels: Wat voor tips zou je die kunnen geven?

484
00:38:42,920 --> 00:38:48,559
Niels: Die misschien nog niet genoeg AI inzetten in hun werkzaamheden met de lessen die je geleerd hebt over de afgelopen jaren.

485
00:38:44,840 --> 00:38:51,119
Max: Dit is misschien een bredere vraag.
490
00:38:51,360 --> 00:38:57,440
Max: Ik denk dat de introductie van AI in bedrijven zal tijd in beslag nemen.
 486
00:38:57,760 --> 00:39:00,559
Max: Ik denk wel dat het enorm belangrijk is.
 487
00:39:01,440 --> 00:39:05,839
Max: Het eerste wat je moet doen is je data op orde krijgen.
 488
00:39:06,239 --> 00:39:08,000
Max: Dus stap één wat ik al tegen iedereen zeg.
 489
00:39:08,480 --> 00:39:13,600
Max: De meeste mensen en bedrijven die met materialen zijn, gooien hun data weg.
 490
00:39:13,599 --> 00:39:16,959
Max: Of hebben nog handgeschreven notes of experimenten.
 491
00:39:17,199 --> 00:39:21,600
Max: Maar zeker alle experimenten die mislukt zijn, die worden gewoon weggegooid.
 492
00:39:21,760 --> 00:39:23,599
Max: En dat is enorm enorm waardevol.
 493
00:39:23,599 --> 00:39:26,639
Max: Maar dit is een bredere les die je kan leren.
 494
00:39:26,639 --> 00:39:32,239
Max: Dus elk bedrijf, stap één is, zorg dat je al je data op orde hebt.
 495
00:39:32,239 --> 00:39:34,559
Max: Want daarmee kan je je systemen.
 496
00:39:34,800 --> 00:39:37,519
Niels: En als je zegt data op orde, waar denk je dan aan?
 497
00:39:37,519 --> 00:39:44,319
Max: Nou, dat wil zeggen dat je eigenlijk begint met alles te bewaren, maar ook te organiseren in databases.
 498
00:39:44,320 --> 00:39:47,279
Max: Die je goed kan zeg maar cureren.
 499
00:39:47,280 --> 00:39:58,719
Max: En waarbij je bijvoorbeeld substukken van die data eruit kan halen met search queries om ervoor te zorgen dat je een dataset kan creëren om een bepaald model te trainen.
 500
00:39:58,880 --> 00:40:08,239
Max: Dus er zijn dit soort van database technologie is dat om dat netjes net allemaal binnen te halen, maar ook de metadata goed te hebben.
 501
00:40:08,239 --> 00:40:18,480
Max: Dat je dat je ook zegt van oké, dit experiment is gedaan of deze data is gecreëerd op deze manier, met deze parameters op deze tijd, door deze persoon.
 502
00:40:18,880 --> 00:40:21,760
Max: Dat helemaal keurig netjes op orde hebben.
 503
00:40:21,760 --> 00:40:24,239
Max: En daarna is het echt gaan experimenteren.
 504
00:40:24,239 --> 00:40:28,720
Max: Dus sluit is een van de grote chatbedrijven.
 505
00:40:29,119 --> 00:40:31,440
Max: Chatbots aan op je data.
 506
00:40:31,519 --> 00:40:34,719
Max: Zo of dat het natuurlijk netjes safe is enzovoort.
 507
00:40:34,719 --> 00:40:40,639
Max: Maar ga eens experimenteren, want die modellen die bewegen ongelooflijk snel, die kunnen ontzettend veel.
 508
00:40:40,800 --> 00:40:44,799
Max: En daarmee kan je echt je bedrijf ook efficiënter maken en beter maken.
 509
00:40:44,800 --> 00:40:48,159
Max: En ik denk dat degene die dit proces snel gaan doorlopen.
 510
00:40:48,159 --> 00:40:51,119
Max: Dus de eerste zijn die dat gaan doen en die gaan experimenteren.
 511
00:40:51,440 --> 00:40:54,799
Max: Die zullen een voordeel opbouwen in deze wereld.
 512
00:40:55,280 --> 00:40:57,679
Joop: Die data-analyse capaciteit zijn waanzinnig.
 513
00:40:58,719 --> 00:40:59,679
Max: Dat is ongelooflijk.
 514
00:40:59,840 --> 00:41:03,199
Max: Ik heb recent was er iemand in ons bedrijf.
 515
00:41:03,519 --> 00:41:08,400
Max: En die heeft gewoon alle data gepakt die bij ons bedrijf wordt verzameld.
 516
00:41:08,960 --> 00:41:18,799
Max: De e-mails en ook de transcripten van de van de gesprekken die we hebben via onze zoom-achtige omgeving.
 517
00:41:18,800 --> 00:41:20,719
Max: Het is Google Hangout omgeving.
 518
00:41:20,719 --> 00:41:22,799
Max: Die worden allemaal bij elkaar gebracht.
 519
00:41:23,119 --> 00:41:29,919
Max: En dan wordt geanalyseerd, hoe we hoe je beter het bedrijf kan draaien te krijgen.
 520
00:41:30,239 --> 00:41:34,079
Max: En welke welke materialen worden besproken.
 521
00:41:34,400 --> 00:41:37,360
Max: En welke technologieën worden besproken.
 522
00:41:37,360 --> 00:41:40,880
Max: En welke technologieën zouden we moeten ontwikkelen voor welke materialen en zo worden.
 523
00:41:40,880 --> 00:41:43,199
Max: Dus die hele analyse kan worden gedaan al.
 524
00:41:43,199 --> 00:41:44,719
Max: En dat wordt natuurlijk alleen maar beter.
 525
00:41:44,719 --> 00:41:46,079
Max: En dat geldt voor elk bedrijf.
 526
00:41:46,239 --> 00:41:51,599
Max: Elk bedrijf kan op die manier analyses doen van hoe het bedrijf functioneert.
 527
00:41:51,599 --> 00:41:54,240
Max: En daar optimalisatieslagen in maken.
 528
00:41:54,559 --> 00:42:00,719
Niels: Wat ik ook mooi vind, is omdat je weet wat er besproken is, kan je ook gaan nadenken over wat er niet besproken is.
 529
00:42:00,719 --> 00:42:06,000
Niels: En daar de tijd voor hebben om te gaan kijken, maar wat hebben we misschien nog niet bekeken of nog niet besproken.
 530
00:42:06,239 --> 00:42:09,199
Max: En dat kan je ook weer vragen aan zo'n chatbot.
 531
00:42:09,199 --> 00:42:12,880
Max: Die kan je vragen van missen we hier iets bijvoorbeeld en dan doet die een analyse.
 532
00:42:15,760 --> 00:42:20,240
Joop: Waar hoop jij dat deze technologie zich naartoe gaat ontwikkelen?
 533
00:42:20,400 --> 00:42:22,239
Max: Specifiek de technologie binnen CuspAI?
 534
00:42:22,480 --> 00:42:24,399
Joop: Nee, AI in het algemeen.
 535
00:42:24,400 --> 00:42:32,880
Max: Nou, ik denk dat we voor een grote uitdaging staan, want er zijn ook heel veel negatieve uitwassen van zo'n technologie.
 536
00:42:34,000 --> 00:42:46,719
Max: En dat heeft natuurlijk te maken met beïnvloeding van mensen het verslaafd maken aan dit soort technologie, maar ook phishing, security-achtige dingen.
 537
00:42:46,720 --> 00:42:48,399
Joop: Dus die technologie is natuurlijk heel krachtig.
 538
00:42:48,400 --> 00:42:52,719
Max: En het heeft zoals elke technologie er positieve en negatieve kanten aan.
 539
00:42:53,039 --> 00:42:56,400
Max: Het gaat allemaal heel snel en het wordt dus ook heel disruptief.
 540
00:42:56,720 --> 00:42:58,800
Max: Dat is één ding wat zeker is.
 541
00:42:58,800 --> 00:43:02,079
Max: En het gaat dus ook een grote impact hebben op de arbeidsmarkt.
 542
00:43:02,079 --> 00:43:10,080
Max: Dus sommige banen zullen heel drastisch veranderen of zelfs verdwijnen en er komen weer een heel rap tempo andere banen bij.
 543
00:43:10,079 --> 00:43:15,839
Max: Dus we moeten ons daar we staan voor de uitdaging om dat in goede banen te leiden.
 544
00:43:16,000 --> 00:43:30,119
Max: En ik denk soms wel eens dat de technologie gaat zo hard, maar het begrip daarvan, maar ook vooral de juridische kant daarvan, wellicht wetgeving om het in goede banen te leiden, gaat te langzaam.
 545
00:43:30,119 --> 00:43:32,039
Max: Relatief ten opzichte van de technologie.
 546
00:43:29,920 --> 00:43:36,359
Max: En ik denk als ik één ding zou aanraden, is om dat proces te versnellen.
 547
00:43:36,440 --> 00:43:40,840
Max: Dus het proces van monitoren wat er gebeurt.
 548
00:43:40,840 --> 00:43:47,079
Max: En het maken van wetgeving of regels om ervoor te zorgen dat het in goede banen geleid wordt.
 549
00:43:47,079 --> 00:43:49,079
Max: Dat proces moet efficiënter en sneller.
 550
00:43:49,320 --> 00:43:51,879
Joop: Je vind dat dat nu in Europa niet zo is?
 551
00:43:51,880 --> 00:43:52,759
Max: De hele wereld.
 552
00:43:54,119 --> 00:43:59,559
Max: Het is gewoon zo dat de juridische processen zijn inherent trager dan de technologie.
 553
00:44:00,920 --> 00:44:06,119
Joop: Hoe zou je dat dan loopt uiteindelijk altijd achter juridische processen?
 554
00:44:06,119 --> 00:44:10,759
Max: Ik denk dat we moeten nadenken over een innovatieslag binnen binnen de juridische wereld wellicht.
 555
00:44:10,760 --> 00:44:19,640
Max: Dus je kan je voorstellen al dat je een soort van groep mensen hebt, net zoals bij COVID, had je ook zo'n soort team.
 556
00:44:19,800 --> 00:44:22,759
Max: En wat eigenlijk continu monitort wat er gebeurt in de wereld.
 557
00:44:22,840 --> 00:44:31,239
Max: Je kan ook een soort rapid response team creëren voor AI, waarbij een aantal experts continu aan het monitoren zijn.
 558
00:44:31,639 --> 00:44:32,360
Max: Wat gebeurt er?
 559
00:44:32,360 --> 00:44:34,760
Max: Wat zijn de negatieve en positieve kanten?
 560
00:44:35,079 --> 00:44:42,519
Max: En dan als er iets dreigt wat negatief is, om daar dan heel snel wetgeving voor te creëren.
566
00:44:42,519 --> 00:44:46,119
Max: En dat moet op de een of andere manier misschien ook op een andere manier dan het nu gaat.

561
00:44:46,119 --> 00:44:50,759
Joop: En als we hem omdraaien, dat je ziet wat er wat heel positief is, zouden ook iets mee over inzetten.

562
00:44:52,039 --> 00:44:58,119
Max: Dat kan ook sneller, ja, want er zijn natuurlijk een heleboel ontwikkelingen die heel positief zijn.

563
00:44:58,119 --> 00:45:03,960
Max: En daar liggen kansen voor Nederland en het Nederlands bedrijfsleven om meteen op in te zetten.

564
00:45:03,960 --> 00:45:05,240
Max: Ja, absoluut zo.

565
00:45:05,800 --> 00:45:11,960
Joop: Welke kans wordt nu gemist, ja, dat is een goede vraag.

566
00:45:11,960 --> 00:45:20,519
Niels: Ik denk dat ik denk dat op dit moment een moeilijke vraag.

567
00:45:20,519 --> 00:45:24,280
Joop: Ik wil natuurlijk CuspAI zeggen naast kussen.

568
00:45:28,760 --> 00:45:29,960
Joop: Aan de ene kant.

569
00:45:30,760 --> 00:45:32,519
Joop: Ik ben het met je eens.

570
00:45:32,599 --> 00:45:38,359
Joop: Maar aan de andere kant, we hebben net over ASML, we hebben het over jouw bedrijf, er gebeuren ook hele mooie dingen in Nederland.

571
00:45:38,360 --> 00:45:45,320
Joop: En we zijn wel heel snel geneigd om te zeggen, er gebeurt niks in Europa loopt achter en we kijken alleen naar Amerika en China.

572
00:45:45,320 --> 00:45:47,399
Max: Ik heb hier wel een antwoord op.

573
00:45:48,039 --> 00:45:53,319
Max: Ik denk wat we in Nederland niet snel genoeg doen, bijvoorbeeld, we zijn niet wendbaar genoeg.

574
00:45:53,480 --> 00:45:57,639
Max: Bijvoorbeeld één ding is dat we veel sneller computerinfrastructuur moeten neerzetten.

575
00:45:57,800 --> 00:45:59,480
Max: Dat is in principe een gemiste kans.

576
00:45:59,480 --> 00:46:12,280
Max: Omdat op het moment dat we alleen maar afhankelijk zijn van de Amerikaanse datacenters of de Amerikaanse modellen, dan levert dat natuurlijk een enorme kwetsbaarheid op die we eigenlijk niet willen.

577
00:46:12,280 --> 00:46:21,000
Max: Het andere is denk ik dat we het weer met het juridische kant te maken, dat we de permits veel sneller moeten gaan uitgeven.

578
00:46:21,320 --> 00:46:25,319
Max: Om bedrijven de mogelijkheid te geven om veel sneller te gaan bewegen.

579
00:46:25,320 --> 00:46:37,719
Max: Dus ik denk dat als je de randvoorwaarden goed creëert, dit is eigenlijk in lijn met het Wending rapport ook, maar als je de randvoorwaarden in Nederland goed creëert, dan moet je eigenlijk de verdere innovatie overlaten aan het bedrijfsleven.

580
00:46:37,719 --> 00:46:39,079
Max: En dat kan ook heel goed.

581
00:46:39,079 --> 00:46:43,880
Max: We zijn er heel goed in, maar we lopen in Europa vaak aan tegen dingen die alles maar vertragen.

582
00:46:43,880 --> 00:46:49,720
Max: Dus we hebben niet voldoende computer, we hebben niet voldoende permits kunnen we krijgen om snel te schakelen.

583
00:46:50,519 --> 00:46:52,839
Max: Het is moeilijk om klanten te vinden in Europa.

584
00:46:52,840 --> 00:46:58,600
Max: Want het is natuurlijk vele juridische regionen die allemaal door elkaar heen lopen.

585
00:46:58,599 --> 00:47:02,920
Max: Dit soort dingen zijn allemaal prima beschreven in alle rapporten die er allemaal beschreven.

586
00:47:03,159 --> 00:47:06,519
Max: Het enige is dat we in Nederland meer actie moeten nemen.

587
00:47:06,519 --> 00:47:09,399
Max: Dus we kunnen het allemaal fantastisch analyseren.

588
00:47:09,719 --> 00:47:12,839
Max: Maar het gaat te traag om ook werkelijk de actie te nemen.

589
00:47:12,840 --> 00:47:15,079
Max: Dus als ik als we één ding zouden moeten doen in Nederland.

590
00:47:15,079 --> 00:47:18,919
Max: Het is niet een gemiste kans op het niveau van dat specifieke stukje AI.

591
00:47:21,320 --> 00:47:26,280
Max: Om het bedrijfsleven en de kennisinstellingen snel te laten schakelen.

592
00:47:28,679 --> 00:47:37,559
Max: En dan denk ik dat het allemaal dat we in een goede plek terecht komen om al die kansen te pakken die er nou liggen in AI.

593
00:47:39,320 --> 00:47:40,840
Niels: Ik wilde ook nog even richten.

594
00:47:40,840 --> 00:47:43,960
Niels: Want ik voel een beetje een afsluiter aan komen, ook gezien de tijd inderdaad.

595
00:47:43,960 --> 00:47:49,320
Niels: We zijn in contact gekomen dankzij World Summit AI, een conferentie die tien jaar geleden ook in Amsterdam is geland.

596
00:47:49,400 --> 00:47:51,319
Niels: En daar was je ook bij de eerste en Joop was ook bij de eerste.

597
00:47:51,720 --> 00:48:00,440
Niels: Ik was wel benieuwd inderdaad, wat is de grootste verrassing geweest van tien jaar geleden, toen je voor de eerste keer bij World Summit AI stond tot nu.

598
00:48:00,679 --> 00:48:02,440
Niels: Met de technologie AI.

599
00:48:02,760 --> 00:48:07,639
Max: Ik ben vele keren verrast wel door de snelheid waarmee alles gegaan.

600
00:48:07,639 --> 00:48:15,839
Max: Dus ik denk dat ik werd verrast door bijvoorbeeld toen we ineens plaatjes konden genereren van enorme hoge kwaliteit.

601
00:48:15,000 --> 00:48:20,960
Max: Dat had ik ook niet zien aankomen dat dat zo goed zou worden en nu video's.

602
00:48:21,599 --> 00:48:31,200
Max: En natuurlijk ook wat wel verrassend is, is dat je als het enige wat je probeert te doen in zinnen af te maken, je toch toch een vorm van intelligentie creëert.

603
00:48:31,199 --> 00:48:34,719
Max: Sommige mensen zeggen dan van ja, maar het is een statistical parrot.

604
00:48:34,719 --> 00:48:38,879
Max: Dat wil zoiets zeggen als het enige wat je doet, is je zin afmaken, want daar is die op getraind.

605
00:48:38,880 --> 00:48:41,519
Max: Maar dat doet tekort aan wat er werkelijk is gebeurd.

606
00:48:41,519 --> 00:48:45,919
Max: Deze systemen zijn werkelijk creatief intelligent aan het worden.

607
00:48:45,920 --> 00:48:49,199
Max: En er gebeurt dus meer in al die complexiteit die we genereren.

608
00:48:49,199 --> 00:48:56,559
Max: En dat is toch weer verrassend, dat we met zo'n simpele leerregel zo'n complex en intelligent systeem kunnen bouwen.

609
00:48:56,559 --> 00:48:59,120
Max: Ik denk dat niemand daadwerkelijk heeft zien aankomen.

610
00:48:59,119 --> 00:49:05,920
Max: Door maar gewoon te schalen, meer data, meer computer tegenaan gooien en een vrij simpele manier van trainen.

611
00:49:05,920 --> 00:49:09,279
Max: We modellen kunnen creëren met deze intelligentie.

612
00:49:09,280 --> 00:49:10,880
Max: Dus dat is wel echt wel verrassend geweest.

613
00:49:11,360 --> 00:49:17,199
Niels: En ook een mooi blik richting de toekomst, wat er dus nog meer allemaal mogelijk gaat zijn als we inderdaad hierop voort gaan bouwen.

614
00:49:17,199 --> 00:49:19,679
Niels: En ook met de nieuwe materialen aan de slag kunnen gaan.

615
00:49:21,440 --> 00:49:24,319
Joop: Dankjewel, Max voor al deze inzichten.

616
00:49:24,880 --> 00:49:26,960
Max: Ja, jullie ook bedankt, dat is leuk.

617
00:49:27,760 --> 00:49:34,159
Joop: Leuk dat je luisterde naar deze aflevering, vergeet je niet te abonneren via je favoriet podcast app, dan mis je geen aflevering.

618
00:49:34,159 --> 00:49:37,359
Niels: En wil je naar de World Summit AI dit jaar, vergeet dan niet.

619
00:49:37,360 --> 00:49:41,279
Niels: Wij zijn communitypartner en we hebben een kortingscode voor jullie ook beschikbaar.

620
00:49:41,280 --> 00:49:48,320
Niels: Dus wil je veel meer horen over deze technologie en waar het dan wordt toegepast en hoe dat wordt toegepast, kom dan naar de World Summit AI.