David Sinclair ziet AI biologie op zijn kop zetten: ‘Werk van 160 jaar kostte ons twee maanden’
Podcastszaterdag, 08 augustus 2026 om 7:00
Kunstmatige intelligentie versnelt biologisch onderzoek inmiddels zo sterk dat experimenten die volgens Harvard-onderzoeker David Sinclair met traditionele methoden tientallen of zelfs honderden jaren zouden kosten, digitaal in enkele maanden kunnen worden teruggebracht tot een beheersbare selectie. Sinclair beschreef die ontwikkeling vrijdag in een nieuwe aflevering van The Joe Rogan Experience, waarin AI opvallend genoeg uitgroeide tot een van de belangrijkste thema’s van het gesprek.
De longevity-onderzoeker stelt dat zijn team AI inzet om enorme aantallen potentiële moleculen te onderzoeken, biologische datasets te analyseren en menselijke cellen te beoordelen. Volgens Sinclair verandert daarmee niet alleen de snelheid van onderzoek, maar ook wie complexe wetenschap kan bedrijven.
"AI heeft de biologie al gerevolutioneerd", zegt Sinclair in het gesprek. Waar onderzoekers vroeger grote hoeveelheden wetenschappelijke literatuur zelf moesten verwerken, kunnen AI-systemen volgens hem nu op een compleet andere schaal door onderzoeksdata zoeken.
De ontwikkeling raakt bovendien direct aan een van de meest ambitieuze onderzoeksterreinen binnen de biotechnologie: het herstellen van beschadigde en verouderde menselijke cellen.
Hoe gebruikt het laboratorium van David Sinclair AI?
Sinclair gebruikt AI onder meer om uit enorme aantallen moleculen kandidaten voor nieuwe behandelingen te selecteren. Het probleem daarbij is simpel: de theoretische chemische zoekruimte is zo groot dat onderzoekers onmogelijk iedere kandidaat afzonderlijk in een laboratorium kunnen produceren en testen.
In de podcast beschrijft Sinclair een project waarbij zijn onderzoeksgroep op zoek is naar één molecuul dat meerdere gewenste activiteiten in een cel tegelijk kan beïnvloeden. De zoektocht begon volgens hem met een digitale verzameling van uiteindelijk ongeveer een biljoen mogelijke of bekende moleculen.
Het laboratorium hoeft die niet allemaal fysiek te testen. Computers kunnen eerst voorspellen hoe moleculen mogelijk interageren met relevante eiwitten en enzymen. Daardoor ontstaat een digitale trechter.
Sinclair zegt dat zijn team de enorme verzameling op die manier terugbracht tot ongeveer 200 kandidaten die daadwerkelijk in menselijke cellen kunnen worden getest.
Zijn vergelijking is opvallend: een bepaalde zoekopdracht die digitaal ongeveer twee maanden duurde, zou volgens hem met traditionele laboratoriummethoden ongeveer 160 jaar hebben gevergd. Bij een nog grotere zoekruimte zou praktisch onderzoek volgens Sinclair zelfs duizenden jaren kunnen kosten.
Die cijfers zijn uitspraken van Sinclair zelf en betekenen niet dat AI letterlijk 160 jaar aan volledig biologisch onderzoek heeft uitgevoerd. Het gaat om de geschatte tijd die nodig zou zijn om een zeer groot aantal kandidaten via conventionele experimentele methoden te onderzoeken.
De onderliggende trend is echter breder zichtbaar. AI verschuift een deel van medicijnontwikkeling van het fysieke laboratorium naar computationele selectie: eerst digitaal miljoenen of miljarden mogelijkheden wegstrepen, daarna alleen de meest veelbelovende kandidaten daadwerkelijk testen.
AlphaFold vormt een belangrijk onderdeel van die versnelling
Een cruciaal puzzelstuk is volgens Sinclair het werk van Google DeepMind aan AlphaFold. Het AI-systeem kan de driedimensionale structuur van eiwitten voorspellen, informatie die onderzoekers nodig hebben om beter te begrijpen hoe biologische processen functioneren en waar geneesmiddelen mogelijk kunnen aangrijpen.
Google DeepMind heeft inmiddels voorspellingen van meer dan 200 miljoen eiwitstructuren beschikbaar gemaakt. Daarmee omvat de AlphaFold-database vrijwel alle eiwitten die in wetenschappelijke databanken bekend zijn.
Dat maakt een groot verschil voor onderzoekers die nieuwe moleculen willen ontwerpen. De vorm van een eiwit bepaalt namelijk voor een belangrijk deel hoe het functioneert en hoe andere moleculen ermee kunnen interageren.
Sinclair beschrijft in de podcast hoe zijn team rekenkracht gebruikt om kandidaat-moleculen digitaal tegen relevante eiwitten en enzymen te testen. AlphaFold heeft volgens hem een belangrijk obstakel daarbij kleiner gemaakt doordat veel eiwitstructuren nu vooraf voorspeld kunnen worden.
De impact van AlphaFold is inmiddels ook wetenschappelijk erkend. Demis Hassabis en John Jumper van Google DeepMind kregen in 2024 samen met David Baker de Nobelprijs voor Scheikunde voor werk rond eiwitstructuren en computationeel eiwitontwerp.
AI beoordeelt ook of menselijke cellen ‘jonger’ worden
De rol van AI stopt volgens Sinclair niet bij het zoeken naar moleculen. Zijn onderzoeksgroep gebruikt de technologie eveneens om veranderingen in menselijke cellen te analyseren.
Sinclair stelt dat AI kan helpen beoordelen of oude menselijke cellen na een experimentele behandeling kenmerken vertonen die meer overeenkomen met jonge cellen.
Daarmee ontstaat een tweede versnelling.
Een algoritme kan niet alleen helpen bepalen welke stoffen onderzoekers moeten testen, maar vervolgens ook ondersteunen bij het interpreteren van de resultaten. Dat creëert in theorie een steeds verder geautomatiseerde onderzoekscyclus: kandidaten ontwerpen, voorspellen welke waarschijnlijk werken, experimenten uitvoeren, resultaten analyseren en op basis daarvan nieuwe kandidaten selecteren.
Het is precies die combinatie die AI voor de farmaceutische industrie zo interessant maakt.
Medicijnontwikkeling draait traditioneel om enorme aantallen mislukkingen. Slechts een klein gedeelte van kandidaat-geneesmiddelen bereikt uiteindelijk patiënten. Wanneer AI al vroeg kandidaten met een kleine kans van slagen kan verwijderen, kunnen onderzoekers tijd en geld concentreren op een veel kleinere groep stoffen.
AI bewijst daarmee nog niet dat een geneesmiddel veilig of effectief is. Dierproeven, toxicologisch onderzoek en klinische studies blijven noodzakelijk. De technologie verandert vooral de snelheid waarmee onderzoekers tot kandidaten voor zulke experimenten kunnen komen.
Een 19-jarige onderzoeker doorzocht met AI enorme biologische datasets
Sinclair gaf tijdens het gesprek nog een voorbeeld dat misschien nog beter laat zien hoe AI wetenschappelijk werk verandert.
Een 19-jarige onderzoeker kwam volgens hem deze zomer naar zijn laboratorium. Sinclair gaf hem een fundamentele onderzoeksvraag: waar bewaart een cel de informatie die nodig is om zich als een jongere versie van zichzelf te gedragen?
Sinclairs onderzoek draait deels om de hypothese dat biologische veroudering samenhangt met verlies van epigenetische informatie. Het epigenoom bestaat uit biologische mechanismen die bepalen welke delen van het DNA actief of juist uitgeschakeld zijn zonder de DNA-code zelf te veranderen.
De jonge onderzoeker kreeg volgens Sinclair toegang tot enorme hoeveelheden bestaande biologische data en gebruikte AI om daarin naar patronen te zoeken.
Twee weken later kwam hij terug met wat Sinclair omschrijft als een mogelijke "smoking gun" voor zijn hypothese.
Dat resultaat is nog geen onafhankelijk bevestigde wetenschappelijke doorbraak. Sinclair vertelde in de podcast niet dat de bevinding al peer-reviewed is gepubliceerd. Het voorbeeld laat vooral zien hoe onderzoekers AI gebruiken om datasets te onderzoeken die voor individuele wetenschappers nauwelijks handmatig te verwerken zijn.
Daarmee verandert ook het profiel van een succesvolle wetenschapper. Kennis van biologie blijft noodzakelijk, maar het vermogen om AI-systemen te sturen, datasets te combineren en computationele hypotheses te testen wordt steeds belangrijker.
Sinclair vat die verschuiving scherp samen: de toekomst behoort volgens hem in toenemende mate toe aan mensen die AI goed kunnen aansturen.
Waarom is het onderzoek naar veroudering zo interessant voor AI?
Longevity-onderzoek vormt bijna een ideaal toepassingsgebied voor kunstmatige intelligentie omdat veroudering geen enkelvoudig biologisch proces is.
DNA, genexpressie, eiwitten, metabolisme, mitochondriën, ontstekingen, beschadigde cellen en talloze andere processen beïnvloeden elkaar. Een mens kan afzonderlijke mechanismen bestuderen, maar het combineren van enorme hoeveelheden moleculaire informatie is precies het soort probleem waarvoor moderne AI-systemen geschikt zijn.
Sinclairs laboratorium onderzoekt onder meer zogenaamde gedeeltelijke epigenetische herprogrammering.
Daarbij worden drie transcriptiefactoren gebruikt: OCT4, SOX2 en KLF4, samen afgekort als OSK. Het doel is om bepaalde kenmerken van oudere cellen terug te brengen naar een jongere toestand zonder de cellen volledig terug te veranderen in stamcellen.
Dat laatste is belangrijk. Volledige herprogrammering kan ervoor zorgen dat een cel zijn oorspronkelijke identiteit verliest en brengt veiligheidsrisico's met zich mee.
Het onderzoek is inmiddels bij mensen aangekomen
Wat enkele jaren geleden voornamelijk bij muizen werd onderzocht, heeft in 2026 een nieuwe fase bereikt.
Life Biosciences maakte op 9 juni bekend dat de eerste deelnemer is behandeld in een fase 1-studie met ER-100. Het experimentele middel gebruikt gecontroleerde expressie van OCT4, SOX2 en KLF4 en wordt onderzocht bij aandoeningen waarbij de oogzenuw beschadigd raakt.
De Amerikaanse toezichthouder FDA gaf eerder dit jaar toestemming om de studie te starten. Het onderzoek richt zich in eerste instantie op veiligheid en verdraagbaarheid bij mensen met openkamerhoekglaucoom en non-arteritic anterior ischemic optic neuropathy, een aandoening waarbij de bloedtoevoer naar de oogzenuw verstoord raakt.
De studie kijkt daarnaast naar verschillende metingen van het gezichtsvermogen.
Dat onderscheid is essentieel. ER-100 is nog geen bewezen behandeling tegen veroudering en de lopende studie bewijst niet dat menselijke veroudering kan worden teruggedraaid. Het betreft een eerste klinische veiligheidsstudie van een technologie die in preklinisch onderzoek veelbelovende resultaten heeft laten zien.
Sinclair zegt in de podcast dat er vooralsnog "niets slechts te melden" is over de behandeling van de eerste patiënt, maar inhoudelijke conclusies over werkzaamheid zijn daar nog niet uit te trekken.
Lees ook
AI kan een nieuwe generatie medicijnen mogelijk veel sneller opleveren
Juist wanneer de biologische mechanismen beter worden begrepen, kan AI volgens Sinclair het vervolg enorm versnellen.
Zijn laboratorium ontvangt naar eigen zeggen voortdurend nieuwe kandidaat-moleculen uit computationele analyses. Het knelpunt verschuift daardoor.
Vroeger was het probleem vooral het vinden van interessante kandidaten. Nu kan het probleem steeds vaker worden dat wetenschappers meer interessante kandidaten genereren dan ze fysiek kunnen testen.
Sinclair zegt dat expliciet: AI levert zijn onderzoeksgroep nieuwe moleculen aan, maar het kost vervolgens jaren om deze via dieronderzoek en uiteindelijk klinische studies te beoordelen.
Dat is een fundamentele verandering voor de wetenschap.
Wanneer digitale ontdekking exponentieel versnelt maar fysieke experimenten ongeveer hetzelfde tempo houden, worden laboratoria, proefdieronderzoek, klinische infrastructuur, financiering en regelgeving de nieuwe flessenhalzen.
Meer rekenkracht alleen lost dat probleem niet op.
De AI-wetenschapper krijgt steeds meer gereedschap
De ontwikkelingen passen in een bredere beweging richting gedeeltelijk geautomatiseerde wetenschap.
AI kan wetenschappelijke publicaties analyseren, eiwitstructuren voorspellen, moleculen ontwerpen, biologische datasets doorzoeken en patronen herkennen in microscopische beelden. Robots kunnen vervolgens een gedeelte van de experimenten uitvoeren.
Sinclair verwijst tijdens de podcast naar bedrijven die AI en robotica combineren om medicijnontwikkeling verder te automatiseren.
Het eindpunt daarvan zou een vrijwel gesloten onderzoeksproces kunnen zijn. Een AI-systeem formuleert kandidaten, software selecteert de meest veelbelovende experimenten, robots voeren ze uit en nieuwe modellen analyseren de resultaten.
Mensen verdwijnen daarbij niet noodzakelijk uit het onderzoek. Hun rol verschuift eerder richting het bepalen van onderzoeksvragen, controleren van resultaten, ontwerpen van experimenten en beoordelen van veiligheids- en ethische consequenties.
Kan straks iedereen medicijnen ontwerpen met een telefoon?
Sinclair gaat nog een stap verder. Hij verwacht dat geavanceerde AI-tools uiteindelijk zo toegankelijk worden dat mensen vanaf een telefoon medicijnen kunnen ontwerpen, of in ieder geval kandidaat-moleculen kunnen genereren.
Dat klinkt futuristisch, maar dezelfde democratisering is al zichtbaar bij andere vormen van AI.
Softwareontwikkeling vereiste vroeger uitgebreide programmeerkennis. Generatieve AI kan inmiddels complete stukken code produceren op basis van natuurlijke taal. Beeldgeneratie, vertaling en data-analyse hebben een vergelijkbare ontwikkeling doorgemaakt.
Biologie heeft echter een belangrijk verschil: verkeerde software kan crashen, maar verkeerd ontworpen biologie kan fysieke schade veroorzaken.
En precies daar verschijnt de donkere kant van Sinclairs toekomstbeeld.
Dezelfde AI kan ook het ontwerpen van biologische dreigingen vereenvoudigen
Rogan reageert op Sinclairs voorspelling dat mensen medicijnen met AI kunnen ontwerpen met één woord: bommen.
Sinclair voegt daar biowapens aan toe.
Die overgang in het gesprek raakt aan een groeiend probleem binnen AI-veiligheid. Een model dat uitstekend kan helpen bij het ontwerpen van een geneesmiddel beschikt mogelijk over kennis die ook kan worden misbruikt voor het ontwerpen of aanpassen van schadelijke biologische systemen.
Dezelfde eigenschappen die AI waardevol maken voor medicijnontwikkeling creëren het risico.
AI kan grote datasets sneller analyseren dan mensen. Het kan verbanden leggen tussen genetische informatie, eiwitstructuren en moleculaire interacties. Het kan voorstellen genereren die een onderzoeker niet direct zou bedenken.
Bij therapeutisch onderzoek is dat een voordeel. Bij kwaadaardig gebruik kan dezelfde capaciteit een gevaar vormen.
Sinclair zegt in het gesprek dat hij zelf beschikt over een database met bekende ziekteverwekkers en potentiële nieuwe bedreigingen. Hij ziet dat als onderdeel van voorbereiding op toekomstige pandemieën of onnatuurlijke biologische incidenten.
De AI-revolutie in biologie heeft daardoor twee gezichten: versnelling van geneeskunde en een toenemende noodzaak om biologische AI-systemen veilig te ontwerpen.
AI verandert ook hoe consumenten gezondheidsdata gebruiken
De invloed van AI beperkt zich volgens Sinclair niet tot laboratoria.
Tijdens het gesprek laat hij twee slimme ringen en een continue glucosemeter zien. Zulke wearables verzamelen voortdurend informatie over slaap, hartslag, activiteit en metabolisme.
Volgens Sinclair worden de bijbehorende apps steeds slimmer doordat AI automatisch patronen uit die gegevens haalt. In plaats van alleen een grafiek met hartslag of slaapduur te tonen, kan software bijvoorbeeld signaleren dat een maaltijd samenhing met een sterke glucosepiek.
Daarmee ontstaat een ander model voor persoonlijke gezondheidszorg.
De eerste generatie wearables verzamelde data. De volgende generatie probeert die data te interpreteren.
Op termijn kunnen AI-systemen informatie uit wearables combineren met bloedonderzoek, genetische gegevens, medische dossiers, voeding, beweging en medicijngebruik. Het resultaat zou een voortdurend bijgewerkt digitaal beeld van iemands gezondheid kunnen worden.
Daarbij ontstaan vanzelf vragen over privacy, medische betrouwbaarheid en verantwoordelijkheid. Een consumentenapp die een slechte nachtrust verkeerd interpreteert is vervelend. Een AI die medisch advies geeft op basis van onvolledige gegevens kan veel grotere gevolgen hebben.
AI kan ook de manier waarop wetenschap wordt gecommuniceerd veranderen
Een ander opvallend moment in de podcast ontstaat wanneer Rogan live informatie laat opzoeken over JRT, een experimentele verbinding die is afgeleid van LSD.
Onderzoekers van de University of California, Davis beschreven in 2025 een aangepaste psychedelische verbinding die in preklinisch onderzoek interessante effecten liet zien zonder dezelfde hallucinogene eigenschappen als LSD.
Rogan gebruikt tijdens de uitzending AI-zoekmachine Perplexity om daar vrijwel onmiddellijk achtergrondinformatie over te krijgen.
Het moment lijkt klein, maar illustreert een tweede revolutie rond wetenschappelijke kennis.
Niet alleen onderzoekers gebruiken AI om wetenschap te produceren. Journalisten, podcasters, beleggers, artsen en consumenten gebruiken dezelfde technologie steeds vaker om die wetenschap te vinden en te interpreteren.
De klassieke route via een zoekmachine bestaat uit een zoekopdracht, een lijst websites, verschillende artikelen en vervolgens een eigen beoordeling van de bronnen.
Generatieve zoekmachines proberen dat proces samen te voegen tot één antwoord.
Dat is sneller, maar creëert tegelijkertijd een nieuw betrouwbaarheidsprobleem. Wanneer het AI-systeem een studie verkeerd interpreteert, onvoldoende context geeft of een zwakke bron gebruikt, kan een fout direct als overtuigend antwoord worden gepresenteerd.
Voor medische informatie is broncontrole daarom belangrijker, niet minder belangrijk.
De echte AI-doorbraak zit mogelijk niet in chatbots
Het gesprek tussen Rogan en Sinclair laat vooral zien hoe beperkt het publieke beeld van kunstmatige intelligentie soms nog is.
Voor miljoenen gebruikers betekent AI vooral chatbots, afbeeldingen, video's en slimme zoekmachines. Binnen wetenschappelijke laboratoria ontwikkelt zich ondertussen een andere AI-revolutie.
Daar wordt AI een instrument om de zoekruimte van de natuur te verkleinen.
Uit miljarden moleculen moeten enkele kandidaten komen. Uit miljoenen wetenschappelijke publicaties moeten relevante verbanden verschijnen. Uit enorme genetische datasets moeten patronen worden gehaald die menselijke onderzoekers niet kunnen overzien.
Het economische effect daarvan kan aanzienlijk zijn.
Farmaceutische bedrijven besteden jarenlang en miljarden aan de ontwikkeling van geneesmiddelen, terwijl het merendeel van kandidaten uiteindelijk afvalt. Iedere verbetering in de vroege selectie kan daardoor gevolgen hebben voor kosten, snelheid en de hoeveelheid behandelingen die tegelijk onderzocht kunnen worden.
De grootste bottleneck verschuift van denken naar testen
De opmerkelijkste conclusie uit Sinclairs verhaal is daarom niet dat AI zelfstandig een middel tegen veroudering heeft gevonden.
Dat heeft AI niet.
De grotere verandering is dat machines steeds sneller hypotheses en kandidaten kunnen produceren dan de fysieke wetenschap ze kan controleren.
Een algoritme kan duizenden mogelijkheden in korte tijd doorrekenen. Een klinische studie kan niet duizenden keren sneller worden uitgevoerd zonder veiligheidsrisico's te introduceren.
Daardoor ontstaat een nieuw spanningsveld.
AI versnelt het digitale gedeelte van wetenschap exponentieel, terwijl biologie gebonden blijft aan cellen die moeten groeien, dieren die geobserveerd moeten worden en mensen bij wie veiligheid over langere perioden moet worden vastgesteld.
De komende jaren zal daarom niet alleen de kwaliteit van wetenschappelijke AI belangrijk worden. Ook de capaciteit om de output daarvan veilig te valideren wordt strategisch.
Lees ook
Van AI-model naar medicijn blijft een lange weg
Sinclair is uitgesproken optimistisch over de toekomst van zowel AI als longevity, maar zijn meest spectaculaire voorspellingen moeten duidelijk worden onderscheiden van resultaten die al klinisch bewezen zijn.
Dat een computer een molecuul aanwijst, betekent niet dat het een medicijn is.
Dat oude menselijke cellen in een laboratorium jongere biologische kenmerken kunnen vertonen, betekent evenmin dat een oudere persoon daardoor tientallen jaren jonger kan worden.
En dat een experimentele gentherapie de klinische fase bereikt, betekent nog niet dat zij veilig en effectief zal blijken.
Juist doordat AI steeds overtuigender mogelijke oplossingen kan produceren, wordt die nuance belangrijker.
De komende stap in deze revolutie vindt daarom niet uitsluitend plaats in datacenters.
Hij vindt plaats in laboratoria, klinieken en uiteindelijk bij patiënten. Als de combinatie van AI en biotechnologie doet wat onderzoekers als Sinclair verwachten, kan kunstmatige intelligentie veel meer worden dan een hulpmiddel waarmee mensen sneller informatie vinden of teksten produceren.
Het kan een technologie worden die rechtstreeks bepaalt hoe snel we nieuwe medicijnen ontdekken, ziekten begrijpen en biologische processen leren beïnvloeden.
Daarmee verschuift ook de belangrijkste vraag. Niet langer alleen: wat kan AI bedenken?
Maar vooral: hoe snel kunnen we veilig vaststellen of het ook werkelijk werkt?
De spectaculaire rekensnelheid van AI verandert namelijk niets aan een fundamentele eigenschap van biologie: uiteindelijk moet een voorspelling de fysieke werkelijkheid overleven. Een molecuul moet daadwerkelijk doen wat een model voorspelt. Een behandeling moet veilig blijken in cellen, dieren en mensen. Een effect moet reproduceerbaar zijn. En veelbelovende resultaten moeten standhouden wanneer ze buiten één laboratorium worden getest.
Juist daar kan de komende jaren een van de grootste verschillen ontstaan tussen de AI-revolutie die mensen op hun scherm zien en de AI-revolutie die zich ondertussen in de wetenschap voltrekt. Een chatbot kan binnen enkele seconden een antwoord genereren.
Een AI-model kan binnen enkele weken een zoekruimte doorlopen waarvoor onderzoekers vroeger misschien tientallen jaren nodig zouden hebben. Maar een patiënt behandelen blijft iets anders.
Dat maakt Sinclairs voorbeeld van die vermeende 160 jaar misschien vooral interessant vanwege wat het níét betekent. AI heeft niet in twee maanden 160 jaar wetenschap uitgevoerd. Het heeft 160 jaar potentieel zoekwerk teruggebracht tot een veel kleiner aantal experimenten dat mensen daadwerkelijk kunnen uitvoeren. En precies daarin zit misschien de echte revolutie.
Wetenschappers hoeven steeds minder tijd te besteden aan het blind zoeken naar een speld in een hooiberg. AI kan eerst de hooiberg kleiner maken. De mens moet vervolgens nog altijd vaststellen of de speld die overblijft daadwerkelijk degene is waarnaar we zochten.
Robin HeesterOprichter
Robin Heester is mede-oprichter van AI Wereld en heeft door de jaren heen meerdere websites, nieuwsbrieven en magazines opgericht. Hij schrijft over technologie, innovatie en de maatschappelijke impact van nieuwe digitale ontwikkelingen.
Populair nieuws
Laatste reacties
- Wie wordt er beter van.....zal Meta wel zijnhenk.h10-07-2026
- Wat voor weer wordt het vandaaghenk.h03-07-2026
- Dit artikel is van 1 april, dus deze belasting is niet echt. Gelukkig maar. :)RobinHeester12-05-2026
- Of een ander land..dat lijkt mij beterHan10-05-2026
- Op 1 april 2028 komt er een AI die al het kantoorwerk van alle Nederlanders overneemt. Heb ik van horen zeggen.RobinHeester01-04-2026
- AI moet een tool zijn. Maar net als Excel, je e-mailbox of Photoshop: die tool kan steeds meer voor je doen als je het de juiste input geeft. Dat ligt bij dokters en andere soortgelijke zaken wel wat gevoeliger. ;)RobinHeester01-04-2026
- Er komt ook extra inkomsten belasting op mensen die met ai hun geld verdienen. De maarregel gaat in op 1 aprill 2027. Er is nog een jaar om een andere baan te vinden.max01-04-2026
- Als ik dit lees moet ik terugdenken aan de tijd, dat ik als IT specialist, dat woord bestond toen nog niet, een programma schreef om de de maagontlediging te meten met een gamma camera.de patient eet een radioactieve pannekoek en eet die op. Je zet de patiënt voor een gammacamera die de verplaatsing van de radioactieviteit in de patient meet. Daar rolt een cijfer uit. De arts die naast mij zat om de uitkomst van de meeting te evalueren zat naast met en zei. Dat is mooi de computer heeft het berekend en die maakt géén fouten. Ik ben bang dat de jonge artsen van nu op AI gaan vertrouwen want die begrijpen niets van hoe AI tot de diagnose komt. Hun ervaring met AI en de patiënten is beide heel miniium. Voordat je met AI gaat werken moet je helaas goed beseffen dat AI fouten maakt, maar vaak zo praat of schrijft dat het een waarheid als een koe is. Een eenvoudige systeem prompt "Als je het niet weet zeg dan gewoon: ik weet het niet niet." Bracht een ai systeem zodanig in de war dat er geen antwoord meer kwam. Het systeem moest van zichzelf altijd antwoord geven. Jonge medicie moeten zich er terdege van bewust zijn dat je boven de stof moet staan en dan pas AI als ondersteuning mag gebruiken bij de diagnose voor echte mensen.max31-03-2026
- Heel veel modems doen dat als voorbeeld het ASUS TUF Gaming AX6000 modem dat staat gewoon in de voorwaarden. Wel kun je dat vermijden met Open-wrt te draaien.max13-03-2026
- fascinerend hoe juist bij Martin (die tegen AI in de rechtszaal staat) de verdenking opduikt.. dat ondermijnt vertrouwen op twee fronten.ai_arjanb11-11-2025
Loading