Ik laat hier zien waar mijn kennis vandaan komt: van de natuurkunde achter neurale netwerken tot de tokens die elk AI-gesprek aandrijven. Geen hype — de techniek zoals ze werkelijk werkt. Zodat u zelf kunt beoordelen wat echt is, en ons gesprek meteen over úw zaak kan gaan.
De lijn van mijn studie naar moderne AI loopt verrassend direct — via systemen die zichzelf ordenen naar een stabiele toestand.
Mijn studie is sterrenkunde. In de natuurkunde leer je over elektromagnetische velden, potentiaalverdelingen en systemen die zichzelf ordenen. De kern van veel natuurkundige processen is dat systemen vaak naar een stabiele of energetisch gunstige toestand bewegen.
In de jaren 1920 ontstond in de natuurkunde het zogenaamde Ising-model. Dit model beschreef een netwerk van kleine deeltjes (“spins”) die elkaar beïnvloeden en zichzelf ordenen totdat het systeem in een stabiele toestand terechtkomt. Wetenschappers ontdekten later dat zulke systemen verrassend veel lijken op hoe leren en patroonherkenning werken.
In de jaren 1980 gebruikte John Hopfield deze ideeën om de eerste neurale netwerken te bouwen die een soort “energie-landschap” gebruikten. Het netwerk kon zichzelf organiseren richting stabiele patronen. Hierdoor kon het bijvoorbeeld informatie onthouden en vergelijkbare situaties herkennen.
Later ontstonden modellen zoals Boltzmann Machines, die nog sterker gebaseerd waren op natuurkundige principes zoals energie, waarschijnlijkheid en stabiliteit. Deze ideeën vormden een belangrijke historische basis voor machine learning en neurale netwerken.
Large Language Models zoals we die vandaag kennen werken technisch veel geavanceerder, maar het onderliggende idee lijkt nog steeds sterk op deze natuurkundige systemen: een enorm netwerk van verbindingen dat zichzelf tijdens training organiseert totdat het stabiele patronen en structuren in data leert herkennen. Daardoor zijn de architecturen van moderne AI en deze vroege natuurkundige modellen conceptueel sterk vergelijkbaar.
Vandaag de dag zijn sommige Large Language Models op extreem veel data getraind en kunnen ze bijna alle patronen herkennen waarmee wij in ons dagelijks leven te maken hebben. Deze patroonherkenning en de manier waarop AI werkt lijkt steeds meer op hoe een menselijk brein werkt.
Een groeiend probleem in de ontwikkeling van AI is het schaarser worden van energie. Met elk nieuw groot AI-model dat uitgebracht wordt gaat het energieverbruik enorm omhoog. Om deze reden wordt het gebruiken van AI zoals ChatGPT en Claude steeds duurder.
Het gebruiken van AI kost tokens. Wanneer je een zin in AI zet, hakt hij deze zin in stukjes, en elk stukje wordt een token genoemd.
De ene token kost meer energie dan de ander, maar omdat het om tientallen tot honderdduizenden — en tegenwoordig ook miljoenen — tokens gaat, zijn tokens over het algemeen een betrouwbare manier om je AI-gebruik te meten. Je betaalt voor AI-gebruik dan ook per token. Ook je limieten staan op een bepaalde hoeveelheid tokens.
Achter de schermen wordt elk token een rij getallen: een embedding-vector. Het model vermenigvuldigt die met zijn geleerde gewichten, en de uitkomst wordt weer omgezet in taal. Hieronder ziet u dat gebeuren — van "hoofdstad frankrijk" naar "parijs".
Maar hoe kiest het model dat antwoord? Bij elk volgend woord berekent het een waarschijnlijkheid voor alle mogelijke woorden — en kiest (meestal) het woord met de hoogste waarschijnlijkheid.
Voor elke token die je in het LLM stopt gaat het rekenen. Uit de berekening komen ook weer tokens, die vervolgens omgezet worden in tekst. Die tekst is de reactie die je van het model krijgt.
Door de patroonherkenning krijg je in elk woord van de zin (meestal) het woord met de hoogste waarschijnlijkheid. De tokens die je in het model stopt heten input-tokens, en logischerwijs heten de tokens die eruit komen output-tokens.
| Model | Input / 1M | Output / 1M |
|---|---|---|
| Claude Opus 4.7 | $5,00 | $25,00 |
| Claude Sonnet 4.6 | $3,00 | $15,00 |
| GPT-5.5 | $5,00 | $30,00 |
| GPT-5.4 | $2,50 | $15,00 |
| Gemini 2.5 Pro | $1,25 | $10,00 |
| Gemini 2.5 Flash | $0,30 | $2,50 |
Tarieven per 1 miljoen tokens in USD · officiële provider-prijzen, gecontroleerd mei 2026. Actuele tarieven kunnen wijzigen.
Door het tokenverbruik te minimaliseren, verminder je ook het energieverbruik — en wordt je AI-gebruik effectief goedkoper.
De werking en kennis van deze systemen is de reden dat ik natuurkunde zo razend interessant vind.
Die combinatie is zeldzaam: de meeste mensen kennen óf de theorie, óf de praktijk. Ik beweeg bewust tussen beide.
Aan de ene kant leer ik de natuurkundige en wiskundige modellen, en aan de andere kant ben ik bezig met de directe toepassing op business cases.
Mijn doel is om deze kennis mee te brengen naar bedrijven — om samen inzicht te krijgen in hun bedrijfsprocessen, zodat we dit soort systemen voor ze aan het werk kunnen zetten.
Voor u betekent dat: ik begrijp niet alleen wát een AI-systeem doet, maar ook wáárom het werkt — en dus waar het wél en niet past binnen uw processen.
Mail het mij. Eén alinea is genoeg. Ik lees, denk na, en antwoord eerlijk — ook als ik denk dat AI niet de juiste oplossing is.