Wat is er straks nog ‘hoog’ aan hoogopgeleid?

De Fieldsmedaillewinnaar, de stukadoor en de vraag waarvoor we onze kinderen opleiden.

Vijfentwintig Fieldsmedaillewinnaars publiceerden op 11 september [een verklaring over AI en wiskunde](https://mathandai.org/). Hun vakgebied verandert snel doordat AI steeds moeilijkere wiskundige problemen kan oplossen. Enkele dagen eerder had OpenAI zelfs [een voorgesteld bewijs voor een van de beroemde Millenniumproblemen](https://openai.com/index/navier-stokes-solution/) gepubliceerd. Dat roept onder wiskundigen vragen op over de toekomst van hun vak en de opleiding van nieuwe onderzoekers.

Mijn eerste reactie op de discussie eromheen was weinig mild. Als AI een belangrijk wetenschappelijk probleem kan oplossen, gaan we dat toch niet tegenhouden omdat een mens die ontdekking liever zelf had gedaan? Het vooruitzicht van zulke ontdekkingen is juist een van de redenen waarom ik zo enthousiast ben over AI. De verklaring zelf is zorgvuldiger dan die eerste reactie doet vermoeden. De ondertekenaars vragen geen algemene ontwikkelingsstop. Ze vrezen dat de wedloop naar oplossingen ten koste gaat van begrip en kennisoverdracht. Ook vragen ze aandacht voor een behoorlijke uitwerking en erkenning van eerder werk. Wat beschermen we wanneer werk verandert?

Toch bleef ik met een andere vraag zitten. Een Fieldsmedaille is een van de belangrijkste onderscheidingen in de wiskunde. De winnaars worden bewonderd om hun uitzonderlijke denkvermogen. Wat gebeurt er als juist dat vermogen, waaraan we zoveel status verbinden, steeds meer door machines kan worden geleverd? En wat zegt dat over de manier waarop we naar andere vaardigheden kijken?

De rangorde die we normaal zijn gaan vinden

In ons taalgebruik zit die ordening al ingebakken. Een leerling kan hogerop, doorstromen of afzakken. Wie goed leert, krijgt vaak het advies zo lang mogelijk door te leren.

Daar kunnen heel goede redenen voor zijn. Maar in die woorden klinkt gemakkelijk mee dat de theoretische route verder omhoog voert, terwijl praktisch onderwijs ergens onderweg begint wanneer verder stijgen niet lukt. Natuurlijk bestaan er verschillen in kennis, abstractie en opleidingsduur. Een gevorderd wiskundig bewijs vraagt iets anders dan een muur stuken. Alleen zijn we aan dat verschil ook een algemener oordeel gaan verbinden over hoe slim iemand is. Wie heel goed is in wiskunde, geldt al snel als iemand die veel begrijpt. Bij een uitstekende stukadoor beperken we die bewondering meestal tot zijn vak.

Dat onderscheid is niet zo onschuldig als het lijkt. In [onderzoek van Kuppens en collega's](https://research.rug.nl/nl/publications/educationism-and-the-irony-of-meritocracy-negative-attitudes-of-h/) stonden hoger opgeleide deelnemers negatiever tegenover lager opgeleiden. Ook werden mensen sterker verantwoordelijk gehouden voor hun achtergestelde positie wanneer die in termen van opleiding werd beschreven. ‘Hoog’ en ‘laag’ blijken dus gemakkelijk meer te betekenen dan het diploma dat iemand heeft gehaald.

Voor een machine ligt moeilijk ergens anders

Het voorgestelde bewijs van OpenAI gaat over het Navier–Stokes-probleem, een beroemd vraagstuk rond de vergelijkingen die de beweging van vloeistoffen en gassen beschrijven. Het bedrijf publiceerde daarbij ook een uitwerking waarmee de bewijsstappen door computers kunnen worden gecontroleerd. Het bewijs vraagt verdere onafhankelijke beoordeling. Als het standhoudt, is dat een historische prestatie: AI die bijdraagt aan een oplossing waar generaties wiskundigen naar hebben gezocht.

Zet daar eens een stukadoor naast die een oude muur beoordeelt. Die kijkt naar de ondergrond, voelt hoe het materiaal zich gedraagt en past zijn bewegingen voortdurend aan. Hij weet wanneer hij moet doorgaan, wanneer hij moet wachten en wanneer een ogenschijnlijk klein probleem later ellende gaat geven. Wat voor hem vanzelfsprekend lijkt, bestaat uit een ingewikkelde combinatie van ervaring, waarnemen en handelen.

We noemen dat praktisch laagopgeleid werk. Maar daarmee hebben we nog niet gezegd hoe eenvoudig of ingewikkeld het eigenlijk is of blijkt te zijn.

Iets wat ik uit mijn eigen oorspronkelijke vakgebied, de cognitieve psychologie al wist, heeft Robotonderzoeker Hans Moravec meer bekendheid gegeven als Moravecs paradox: wat mensen als intellectueel moeilijk ervaren, hoeft voor machines niet het moeilijkste te zijn. Onze intuïtie wordt mede gevormd door wat ons bewust moeite kost. Vermogens die we grotendeels vanzelf gebruiken, vallen minder op. Daarbij kunnen mensen veel meer dan ze precies in regels kunnen uitleggen.

Daar zit voor mij de kern. Wat voor mensen moeilijk is, wat een machine kan overnemen, wat de samenleving nodig heeft en wat aanzien geeft, zijn verschillende dingen. AI maakt zichtbaar dat die niet netjes in dezelfde volgorde staan. De vaardigheden die we het hoogst hebben geplaatst, blijken vaak het snelst in het bereik van machines te komen. Een denivellering met grote consequenties.

Wat beschermen we wanneer werk verandert?

Daarmee wordt ook mijn eerste reactie op de wiskundigen ingewikkelder. Stel dat AI bijdraagt aan een werkzame behandeling tegen kanker. Het zou voor mij onhoudbaar zijn die behandeling af te wijzen omdat de beslissende ontdekking door een machine is gedaan. Kom daar maar eens mee aanzetten bij iemand met kanker.

Maar wiskunde doen heeft ook waarde voor de mensen die zich erin verdiepen. Ze leren denken, werken samen en komen onderweg op vragen die er eerst nog niet waren. Dat heeft ook grote waarde natuurlijk. Je kunt dus blij zijn met een oplossing en je tegelijk afvragen wat er gebeurt als steeds minder mensen dat onderzoek zelf leren doen. Al staat ook niet vast dat AI dat leren in de weg moet zitten. Ze kan juist helpen om moeilijke ideeën toegankelijk te maken.

Terence Tao, zelf Fieldsmedaillewinnaar en een van de ondertekenaars, heeft daarnaast verkend of bepaalde onderzoeksproblemen afgeschermd zouden moeten worden van automatische oplossers. Daar begint voor mij het ongemak opnieuw. Dat je studenten ruimte wilt geven om zelf iets te ontdekken, begrijp ik. Dat je daarom anderen zou beperken in het oplossen van wetenschappelijke problemen, vind ik een zeer twijfelachtig gegeven.

En als we het hebben over plezier in je vak, ergens goed in worden en iets kunnen bijdragen dan geldt natuurlijk ook voor de stukadoor. Ik hoop dat deze discussie ons helpt om die waarde in allerlei soorten werk beter te zien, ook waar we er geen prestigieuze medaille voor uitreiken.

Voor welke toekomst leiden we eigenlijk op?

In mijn eerdere artikel ‘Voor welke wereld zijn de nieuwe SLO-kerndoelen geschreven?' gebruikte ik 2030–2032 als ontwerphorizon. Een leerling die nu aan de brugklas begint, doet ongeveer dan eindexamen. Ik onderzocht wat we die leerling willen leren als AI tegen die tijd een groot deel van de cognitieve uitvoering aankan.

Op de bijbehorende website heb ik zowel herzieningen binnen de bestaande leergebieden als een andere domeinindeling uitgewerkt. Een belangrijk inzicht daarin was dat kennis waarde houdt als basis voor zeggenschap. Wie iets begrijpt van de wereld, kan beter bepalen welke vragen ertoe doen en welke uitkomsten wenselijk zijn. Hier komt een vervolgvraag bij: welke rangorde van opleidingen past bij dat doel?

Als kennis die functie krijgt, wordt belangrijker hoe je haar gebruikt. Een ingewikkelde berekening kunnen uitvoeren vertelt daar maar een deel van het verhaal over.

Neem leerlingen die onderzoeken hoe een te warm lokaal prettiger gebruikt kan worden. AI kan metingen helpen analyseren en oplossingen voorstellen. Een goede berekening vertelt nog niet of zo'n voorstel in die ruimte bruikbaar is. Leerlingen moeten daarvoor ook de ruimte onderzoeken, gebruikers spreken en iets uitproberen. Een apparaat dat goed koelt, kan bijvoorbeeld te veel lawaai maken om ernaast les te geven. Om verder te komen hebben ze verschillende soorten kennis en ervaring nodig.

Als ik het over vaardigheden van de toekomst heb, denk ik aan dat kunnen verbinden van begrijpen en handelen. Daar hoort ook bij dat je leert bepalen wat je wilt bereiken en wiens ervaring je nodig hebt. Hoe we dat goed onderwijzen, is een onbeantwoorde vraag nog voor mij. Maar waarom zouden we de ene kant van dat kunnen bij voorbaat ‘hoger’ noemen dan de andere?

Wat betekent ‘hoog’ dan nog?

Misschien moeten we het gedachte-experiment nog een stap verder brengen. Stel dat AI straks zoveel denkwerk kan uitvoeren dat we onderwijs minder hoeven te organiseren rond de vraag wie later welk werk kan doen. Wat zouden we mensen dan willen laten leren? Zouden we opnieuw beginnen met een ladder waarop abstract denken vooral de richting omhoog bepaalt?

Ik kan me ook onderwijs voorstellen waarin je je in verschillende richtingen ver kunt ontwikkelen. Waar iemand zich jarenlang in wiskunde verdiept omdat hij wil begrijpen hoe die wereld in elkaar zit. Waar praktisch werk geen tweede keuze is voor wie theoretisch niet verder kwam. En waar een kind niet het gevoel krijgt dat zijn toekomst beter wordt naarmate het verder van dat praktische werk af komt te staan. Verschillen in deskundigheid blijven bestaan, maar hoeven niet samen één rangorde van mensen te vormen.

Dit is geen uitgewerkt alternatief. Het is een poging om los te komen van een indeling die zo vertrouwd is dat we nauwelijks nog vragen waarom we haar gebruiken. Misschien geeft AI ons daar juist aanleiding toe.

Ik zou de stukadoor ook niet hoger willen waarderen alleen omdat een machine hem voorlopig moeilijker vervangt. Dan hangt zijn waardering alsnog aan de volgende technische doorbraak. De vraag is wat we belangrijk vinden dat mensen kunnen en ervaren, ook wanneer machines een deel daarvan beter uitvoeren.

Als we vandaag opnieuw begonnen, zouden we ons onderwijs dan weer indelen van laag naar hoog? Wat zou jij willen dat een kind leert in een wereld waarin goed denkwerk steeds ruimer beschikbaar is? Ik lees je ideeën en reacties op dit essay graag in de comments.