Waarom een LLM geen strategie kan maken

Leestijd: 15 minuten. Nut: bij strategie denken en naar exploratie gaan.

Inleiding

Dit artikel wil de hypothese bewijzen dat een LLM geen strategie kan maken. Deze keer over de band van de logica van de het gedachtenexperiment van Molyneux.

Het gedachtenexperiment is het volgende:

Stel iemand is blind geboren. En die krijgt een bol en een kubus in zijn of haar handen. En leert op het gevoel die twee te onderscheiden. En daarvan dan schijnbaar een beeld of een logica maakt in zijn of haar hoofd.

Stel dat daarna (en dat kan anno 2026 tegenwoordig) dat deze persoon plotseling het gezichtsvermogen terug krijgt, kan hij of zij dan puur op basis van het zien (zonder te voelen) direct de bol van de kubus onderscheiden?

Intermezzo: mijn buurvrouw van zeventig heeft dat laten doen, haar lenzen waar ‘staar’ op zat, laten vervangen en nu zag je beter, zonder witten waas. En ze had geen bril meer nodig. Dus anno zomer 2026 bestaat zo een ingreep.

Hypothese en vraagstelling

Hypotheses

Stelling 1. Een blinde die hoorde over een bol en kubus als die kan zien de voorwerpen die zij of hij in zijn handen heeft, niet juist benoemen.

Stelling 2. Als de blinde het niet juist kan benoemen, zou het dan zo zijn dat dit bij een LLM ook zo is, want die heeft geen contact met de werkelijke fysieke wereld.

Stelling 3. Als een LLM dat kan, vertaald die die werkelijke wereld dan zoals een mens?

Stelling 4. En als die wel contact kan hebben met de werkelijke wereld, kan die dan een toekomstige werkelijke wereld ook bedenken?

Vragen bij stelling 1. Kan een blinde na een operatie waarna die kan zien, dan wat die in zijn of haar hoofd heeft dat een bol of kubus zou moeten zijn, die woorden ook aan een bol en kubus geven die hij of zij nu zien kan?

Dus je zet een bol en een kubus voor zo een iemand neer en vraagt ‘wat is dit?’. Zal die persoon dan het juiste woord bij het juiste voorwerp kunnen zetten?

Antwoord van Rudolph bij vraag 1: anno 2026 blijkt uit fysiek onderzoek dat een blinde niet de bol en kubus die die ziet, goed van de juiste term kan voorzien.

Vraag bij stelling 2. Kan een LLM fysiek contact hebben met de werkelijke fysieke wereld?

Antwoord van Rudolph bij vraag 2: Een LLM kan via technische oplossingen als sensoren contact hebben met de werkelijke fysieke wereld. De sensor registreert dan de drukpunten en randen. De LLM is dan de redeneerlaag die iets maakt van die geregistreerde signalen.

Tegen argument 1: Dus dat contact wordt omgezet in elektrische signalen die daarna door een softwaresysteem geduid moeten worden. ‘Is dit signaal een prik in een vinger, of een steek van een bij?’. Dit doet dan het LLM-systeem. Maar op grond waarvan? Wie heeft dat geprogrammeerd?

Tegenargument 2: De signalen komen van je vinger, of je oog, of je gehoor. Hoe combineer jij dat? Weet je dat? En als jij dat niet weet, waarom zou een softwaresysteem dat wel weten en dus kunnen?

Intermezzo: in dit verband is het aardig te weten dat wij mensen water niet kunnen voelen. Echt waar, Google het maar.

Tussen stap: wat je voelt, ziet of hoort, komt samen op 1 plek

Conclusie: als je wat je vinger en je oog en je gehoor wil combineren, moeten de signalen die daar vandaan komen gecombineerd worden op 1 plek. Die plek telt de kennis die in je hoofd zit op bij de kennis die je kreeg door sensorische informatie.

Vraag: kan een LLM het ook op 1 plek zetten?

Antwoord: ja.

Uitleg

Een mens heeft biologische neurale structuren die wat je voelt kan verwerken (zoals ‘hoekigheid’ of ‘ronding’). Dit ongeacht welk zintuig (je oog of je gevoel) de data aanleverde. Bij AI zijn het de raw data-stromen van een camera die het meet in pixels en van een tactiele sensor, bijvoorbeeld de drukwaarden per matrixpunt.

Voor argument 1: Als de LLM en robot taal of abstracte geometrische definities mag gebruiken als tussenstap, slaagt hij vrijwel zeker in de casus. Moet het puur op ‘zintuig-op-zintuig’ gebeuren zonder een representatieruimte, dan faalt hij. (zie voor de uitleg van dit deel, mijn conversatie met Gemini van 3aug26)

Tussenstap: kennis zit dan op 1 plek, maar is niet direct juist, je moet het steeds herbekijken.

Je deed als kind je vinger op de hete kachel. Je dacht dat dit wel kon. Toen vertelde je vinger dat die kachel erg heet was en vertelde je hersenen dat dit niet goed is voor het voortbestaan van je vinger. Door het te herbekijken/herbedenken, kwamt je tot nieuwe inzichten.

Dit kan een LLM ook: dit bouwt met een SSL-model interne representaties op door continu voorspellingen te doen over ontbrekende stukjes ervaring.

Moeilijk deel: Dus het LLM systeem leert. Dat leren zit in een statische dataset van tekst of beelden, zonder fysieke interactie of oorzaak-en-gevolgrelaties (causaliteit) uit te testen.

Tussenstap: kennis en kunde maken vereist dus het steeds herbekijken.

Dus je ziet iets roods, het is rond, zoet, zachte randen en het heeft een steel.

Jij denkt ‘dat is een appel’.

Een LLM neemt dat over en berekend: deze frequentie van licht is rood + deze vorm is rond + de chemische samenstelling is zoet + er zijn zachte randen en steel. Dat bijeengezet in een Excel sheet, geeft als eindresultaat dat het een appel is.

Maar het kan ook een courgette zijn, of een meloen.

Tussenstap: strategie en innovatie is het steeds herbekijken. En vereist ‘raar’ te kunnen denken.

Wij mensen ondervragen continue wat iets is. En leggen rare en nieuwe verbanden. En je denkt erover hoe je denkt.

Je denkt bijvoorbeeld dat rood altijd een appel is, dat denk je omdat je groenteboer bent. Of je denkt dat rood altijd de Antwerpse voetbalclub is want je bent fan.

Dus de mens doet niet alleen passief signalen naar 1 plek brengen (je hersenen) en het daar dan laten besluiten door die hersenen wat het is dat je zien/voelt/hoort, maar we reflecteren op ons eigen denkproces. Huidige SSL-modellen missen dit innerlijke bewustzijn; ze verwerken patronen statistisch zonder metacognitie (weten dat ze denken). (de filosoof die hierop kwam was een meneer Locke)

Het LLM systeem, Gemini noemt dit ‘het ontbreken van Active Reflection’.

Tussenstap: Zonder active reflection, geen innovatie, geen goede strategie.

Einstein kwam niet tot de relativiteitstheorie door sneller te rekenen met reeds bestaande theorie, zoals de newtoniaanse formules. Hij deed dit door actief te reflecteren op het concept ‘tijd’ en de aanname van een absolute klok te verwerpen.

Wat schrijft Gemini?

Als we je hypothese ‘Zonder active reflection is geen innovatie mogelijk’ filosoof-epistemologisch én AI-technisch ontleden, blijkt er inderdaad een heel sterk argument voor te maken.

1. Het verschil tussen Optimalisatie en Innovatie

Om de hypothese te staven, moeten we onderscheid maken tussen twee concepten die in de praktijk vaak door elkaar worden gehaald:

• Optimalisatie (of interpolatie): Het efficiënter, sneller of slimmer combineren van bestaande regels binnen een bekend kader. Denk aan een patroonherkenningssysteem dat 100.000 recepten leest en een nieuw, verrassend lekker recept genereert. Dit is recombinatie, geen fundamentele vernieuwing.
• Innovatie (of paradigmaverschuiving): Het breken met het bestaande kader, het herdefiniëren van de vragen zelf, en het creëren van een nieuw conceptueel model.

Huidige LLM’s blinken uit in optimalisatie. Ze distilleren patronen uit het verleden. Maar innovatie en strategie denken vereist dat je stopt met het simpelweg volgen van het patroon en reflecteert op de geldigheid van het patroon.

Zie ook mijn artikel over mensen die goed zijn in exploitatie en exploratie.

Jip en Janneke taal

Patroon: de telefoon zit aan een draad.

Geldigheid van dat patroon? Niet meer want electronische signalen gaan ook door de lucht. Uitvinding van mobiele telefonie.

Patroon: Je telefoon opladen doe je met een stekker aan het stopcontact.

Geldigheid van dat patroon? Niet meer, want electriciteit is een frequentie die door de lucht gaat. Dus vonden we wireless charging uit.

Patroon: eten maak je zelf.

Geldigheid: nee, veel mensen maken eten. Alleen niet in jouw keuken. Het kan van een andere keuken naar je gebracht worden. Dus vond [naam] ‘just eat’ uit.

Patroon: mensen gaan dood van bommen.

Geldigheid: nee, ook kleine dingen kunnen mensen doden. Uitvinding van een drone in oorlog tijd.

Patroon: foto’s zijn beelden op een gevoelige plaat. En die plaat is chemisch.

Geldigheid: nee, het hoeft niet een chemische plaat te zijn. Uitvinding van digitale kamera.

2. Waarom Active Reflection de motor is van innovatie

Philosofisch gezien (denk aan Immanuel Kant, John Dewey of wetenschapsfilosoof Thomas Kuhn) is active reflection (metacognitie) de ervaring waarbij de geest zichzelf als object van onderzoek neemt.

Waarom is dát de voorwaarde voor innovatie?

Het signaleren van de frictie

Een passief verwerkend systeem accepteert ruis of tegenstrijdigheden als statistische afwijkingen. Een reflecteerd systeem stelt de vraag: “Waarom klopt mijn model van de werkelijkheid hier niet met wat ik waarneem?”

Kritiek op de uitgangspunten

Innovatie ontstaat pas wanneer je niet de data aanpast, maar de aannames erachter. Einstein kwam niet tot de relativiteitstheorie door sneller te rekenen met Newtoniaanse formules, maar door actief te reflecteren op het concept ‘tijd’ en de aanname van een absolute klok te verwerpen.

Doelbewuste synthese, het opnieuw kaderen van iets

Na de deconstructie van het oude kader gebruikt het verstand actieve reflectie om een nieuw, hoger abstractieniveau te bouwen. Dit is het ‘Eureka’-moment: het bewust herframe-en van de werkelijkheid.

3. De testcase: Wat betekent dit voor AI?

Als je hypothese klopt — en de argumenten daarvoor zijn erg sterk — heeft dit gigantische implicaties voor de toekomst van AI en innovatie:

AI als Katalysator, niet als Innovator

Zonder active reflection kan een AI op zichzelf niet innoveren. Een Transformer-model reflecteert niet op zijn eigen latent space; het voert een meesterlijke, maar passieve mathematische transformatie uit.

• De mens levert de active reflection (de vraag, de twijfel, de herinrichting van het probleem).
• De AI levert de recombinatorische kracht (het snel doorspitten van miljoenen opties binnen een kader).

Innovatie ontstaat in deze visie dus nooit in de AI, maar in de wisselwerking (de feedbackloop) tussen de AI en de reflecterende mens.

De grens van AGI (Artificial General Intelligence)

Als we ooit willen dat AI zelfstandig wetenschappelijke doorbraken of nieuwe artistieke stromingen ontwerpt, is het toevoegen van meer schaalgrootte (meer data, meer rekenkracht) niet genoeg. Er zal een architecturale doorbraak nodig zijn die het model instaat stelt tot metacognitie: het vermogen om de eigen interne logica te evalueren, te bevragen en te herschrijven.

Conclusie: Klopt je hypothese?

Ja. Zonder active reflection blijf je gevangen in wat filosofen de “correlatie-trap” noemen: je ziet wat er is en wat er was, en je kunt dat eindeloos hercombineren.

Innovatie vereist echter de sprong naar wat er zou kunnen zijn zodra de huidige regels niet meer gelden. En die sprong kan alleen worden gewaagd door een geest die in staat is om naar zijn eigen denkkader te kijken en te zeggen: “Dit kader klopt niet meer.”

---

Afsluitend

Deze tekst zal ik nog wat moeten aanscherpen, maar voor nu snap je vast wat ik bedoel.

Kern van mijn verhaal is dat je zelf kan en moet nadenken. En dingen uit je dagelijks leven combineren met je verstand dat kwam uit je dagelijkse leven in het verleden. Wat ga je denken dat je dagelijkse leven in de toekomst zal zijn.