Wat is een LLM (large language model)?

Een LLM, oftewel large language model, is een AI-systeem dat getraind is om menselijke taal te begrijpen en te genereren door telkens te voorspellen welk woord logischerwijs volgt. ChatGPT, Claude, Copilot en Gemini draaien er allemaal op. Je gebruikt er waarschijnlijk vaker een dan je denkt. Hieronder leg ik in gewone taal uit wat het is, hoe het werkt en waarom je de tekst er zo vaak aan herkent.

Wat is een LLM?

Een LLM is een computerprogramma dat op gigantische hoeveelheden tekst is getraind om taal na te bootsen. De afkorting staat voor large language model: groot, omdat het model op miljarden woorden is getraind, en language model, omdat taal het enige is waar het mee bezig is. Je stelt een vraag of geeft een opdracht, en het model schrijft een antwoord dat leest alsof een mens het typte. Dat sloeg aan: ChatGPT haalde na de lancering eind 2022 in nog geen twee maanden 100 miljoen gebruikers. Zo snel ging het.

Het woord "begrijpen" is hier misleidend. Een LLM snapt niets van de wereld zoals jij dat doet. Het heeft patronen geleerd uit de teksten waarop het is getraind en gebruikt die om aannemelijke tekst te produceren. Dat verschil klinkt subtiel, maar het verklaart een hoop van wat AI-tekst zo eigen maakt.

Waar past een LLM in het AI-landschap?

Een LLM is één soort AI, geen synoniem ervoor. Kunstmatige intelligentie is het brede vakgebied. Machine learning is de tak waarin systemen leren van data in plaats van vaste regels. En een large language model is daarbinnen weer een specialisatie in taal. Zo passen ze in elkaar:

Elke LLM is dus AI, maar niet elke AI is een LLM. Een spamfilter of een zelfrijdende auto leunt ook op AI, maar heeft niks met taalmodellen te maken.

Hoe werkt een LLM?

Een LLM werkt door woord voor woord te voorspellen wat er logischerwijs volgt. Het knipt tekst in stukjes, tokens genoemd, en berekent voor elk volgend token de kans dat het past bij wat er al staat. Eén token is grofweg vier tekens, dus een gewoon woord bestaat soms uit twee of drie tokens. Zo bouwt het zin na zin op, elke keer met het meest waarschijnlijke vervolg.

Die voorspelkracht komt uit de training. Het model heeft enorme bergen tekst gezien: boeken, websites, artikelen, gesprekken. Daaruit heeft het geleerd hoe woorden zich tot elkaar verhouden. Die patronen heeft niemand met de hand ingevoerd. Het model pikte ze zelf op.

Om je een idee van de schaal te geven: GPT-3, een eerder model van OpenAI dat ChatGPT groot maakte, telde 175 miljard parameters. Dat zijn de instelbare knoppen waarmee een model patronen vastlegt, en het geeft aan hoe enorm de berg data is waarop zo'n systeem leunt. Nieuwere modellen zoals GPT-4 zijn nog een stuk groter en scherper, maar onder de motorkap bleef het idee precies hetzelfde: voorspel het volgende token.

Belangrijk detail: het model kiest niet altijd het allerwaarschijnlijkste woord. Er zit een zekere mate van toeval in, waardoor dezelfde vraag twee keer een net iets ander antwoord kan opleveren. Dat maakt de tekst gevarieerder, maar verandert niets aan de kern: het blijft voorspellen, geen begrijpen. Wil je die machinerie stap voor stap zien, met schema's van tokens tot attention, lees dan hoe ChatGPT werkt.

Bekende LLM's op een rij

De meeste AI-tools die je kent, draaien op een LLM van een van de grote techbedrijven. De vijf hieronder dekken samen het overgrote deel van de markt, van OpenAI tot Meta. Dit zijn ze, met de maker erachter.

Ze verschillen in de details, maar de basis is bij allemaal gelijk: een large language model dat het volgende woord voorspelt. Wil je weten waaraan je ze uit elkaar houdt in geschreven tekst, lees dan waaraan je een AI-geschreven tekst herkent.

Van transformer tot ChatGPT: een korte tijdlijn

Large language models kwamen niet uit het niets. Een paar mijlpalen die de weg naar ChatGPT plaveiden:

De versnelling is duizelingwekkend. GPT-2 werd in 2019 nog stukje bij beetje vrijgegeven omdat OpenAI het te riskant vond om in één keer te delen. Amper drie jaar later praatte de halve wereld dagelijks met ChatGPT.

Waarom klinkt tekst van een LLM zo herkenbaar?

Tekst van een LLM klinkt herkenbaar omdat het model steeds het meest waarschijnlijke woord kiest. Precies dat maakt de output vlak en voorspelbaar. Waar een mens verrast, afdwaalt of een zin halverwege omgooit, kiest een model bijna altijd de veiligste route. Het resultaat is grammaticaal keurig, maar mist de haperingen die menselijke tekst levendig maken.

Je ziet het terug in vaste patronen: zinnen van ongeveer dezelfde lengte en keurige opsommingen. Bepaalde modewoorden duiken net iets te vaak op. En de toon blijft afstandelijk, want het model heeft geen echt standpunt. Eerlijk gezegd is dat precies wat een tekst zo levenloos maakt.

Dit is meteen de reden dat AI-detectie überhaupt werkt. Een detector zoekt precies naar die statistische gelijkmatigheid, de te nette spreiding van zinslengtes en woordkeuzes die een mens vrijwel nooit zo consequent volhoudt. Wil je zelf testen hoe AI-achtig een tekst leest, dan kan dat met de AI Checker.

Wat een LLM niet is

Een LLM is geen denkend wezen en geen zoekmachine. Het heeft geen bewustzijn, geen bedoelingen en geen live toegang tot de waarheid. Het genereert tekst op basis van patronen. En dat gaat soms flink mis. Vraag een model naar een bron of een citaat, en de kans is reëel dat je iets terugkrijgt dat geloofwaardig oogt maar nergens bestaat, compleet met een verzonnen titel en jaartal.

Het bekendste voorbeeld is hallucineren: het model presenteert iets verzonnens met volle overtuiging, alsof het een feit is. Omdat de verzonnen tekst er net zo stellig uitziet als de rest, valt zo'n fout niet op zonder controle. Veel mensen onderschatten dat. Een LLM is een sterke tekstmachine, maar geen betrouwbare bron.

Een LLM voorspelt wat aannemelijk klinkt, niet wat waar is. Dat onderscheid bepaalt hoe je de output hoort te gebruiken.

LLM's en betrouwbaarheid: controleer de output

Omdat een LLM feiten kan verzinnen, is controle geen overbodige stap. Gebruik de output als concept, niet als eindproduct. Check de beweringen, en dan vooral cijfers, namen en jaartallen, want dat zijn precies de details die een model met overtuiging verkeerd invult voordat je het doorhebt.

Dat kan handmatig, maar ook met hulp. De Fact Checker haalt de claims uit een tekst en zoekt er bronnen bij, zodat je ziet wat klopt en wat niet. Zo houd je de snelheid van een LLM, zonder de fouten klakkeloos over te nemen.

Veelgestelde vragen

Wat betekent LLM?

LLM betekent large language model, oftewel groot taalmodel. Het is een AI-systeem dat op enorme hoeveelheden tekst is getraind om taal te voorspellen en te genereren. De "large" slaat op de schaal van de training: miljarden woorden en miljarden parameters.

Is ChatGPT een LLM?

ChatGPT is een toepassing die op een LLM draait. Onder de motorkap zit een taalmodel van OpenAI, de GPT-reeks. ChatGPT is de chatinterface eromheen: jij typt een vraag, het model levert het antwoord.

Wat is het verschil tussen AI en een LLM?

Het verschil is dat AI het brede vakgebied is en een LLM een specifiek soort AI. Kunstmatige intelligentie omvat van alles, van beeldherkenning tot zelfrijdende auto's. Een large language model is één tak daarvan, gericht op taal. Elke LLM is AI, maar niet elke AI is een LLM.

Hoe wordt een LLM getraind?

Een LLM wordt getraind door het enorme hoeveelheden tekst te laten verwerken en telkens het volgende woord te laten voorspellen. Zit het ernaast, dan stelt het zichzelf bij. Na miljarden van die stapjes heeft het model de statistische patronen van taal opgepikt en kan het zelf vloeiende tekst produceren.

Kun je zien of een tekst door een LLM is geschreven?

Je kunt vaak zien of een tekst door een LLM is geschreven aan de gelijkmatige zinsbouw, de nette opsommingen en de afstandelijke toon. Zekerheid geeft dat niet, want goede AI-tekst kan menselijk ogen. Een AI-detector maakt de inschatting preciezer door de statistische patronen te meten.