Het idee van machines die op een kunstmatige manier kunnen denken en handelen zoals mensen gaat terug tot de oudheid. Het moderne concept van AI ontstond in de jaren 1950. Toen computers hun intrede deden, met nog beperkte rekenkracht, was men al direct overtuigd om grenzen te verleggen. Hoe krachtiger computers werden hoe meer onderzoek er werd verricht naar de mogelijkheden om computers zelfstandig te leren denken.
Dit was de eerste stap naar AI, die men machine learning noemde. In de jaren 1960 en 1970 werd er veel onderzoek gedaan naar machine learning, maar er was weinig praktisch succes. In de jaren 1980 kwam er een nieuwe golf van interesse in machine learning dankzij de ontwikkeling van nieuwe algoritmen en de toename van de beschikbaarheid en rekenkracht van computers. In de jaren 1990 werd machine learning steeds populairder dankzij de ontwikkeling van nieuwe technologieën zoals het internet en het World Wide Web. Deze technologieën maakten het mogelijk om grote hoeveelheden data te verzamelen en te analyseren, wat essentieel is voor machine learning.
Computerprogramma’s werden ontwikkeld om patronen te herkennen en zichzelf te verbeteren door herhaling en feedback. Het stelde zo computers in staat om te evolueren en situaties te behandelen zonder er expliciet voor geprogrammeerd te zijn. Een belangrijke stap werd bereikt in 1997 toen het computer schaakprogramma ‘Deep Blue’ van IBM de toenmalige wereldkampioen Garry Kasparov in het schaken versloeg.
In de 21e eeuw heeft machine learning steeds meer aan belang gewonnen en worden er steeds nieuwe toepassingen van machine learning ontwikkeld, zoals zelfrijdende auto's, diagnose in de gezondheidszorg, spraakherkenning en spraaksturing, beeldherkenning, ...
De twee meest gebruikte typen van machine learning zijn: supervisie-leren en onbewaakt leren.
· Supervisie-leren is een type machine learning waarbij het algoritme wordt getraind op een zeer grote gekende hoeveelheid data verbonden aan labels. De labels geven op voorhand aan wat het juiste antwoord is voor elk datapunt. Een voorbeeld hiervan is het trainen van een machine om gezichten te herkennen. De machine wordt getraind op een set gegevens met afbeeldingen van gezichten, elk voorzien van een label met de naam van de persoon op de afbeelding. De machine leert om de relatie tussen de afbeeldingen en de labels te begrijpen met een permanent vergelijk van gekende gegevens (Data). Dit is ook wat ons eigen brein doet. (Zie het Compare deel van ons brein in het “MBISC principe” Mijn Boek "Onze Onzichtbare Wereld" Pagina 150).
· Bij onbewaakt leren, ook wel ongecontroleerd leren genoemd, worden datasets gebruikt waarbij de uitkomst niet vooraf is gedefinieerd. Het algoritme identificeert patronen in de gegevens en groepeert deze in clusters. Objecten en gegevens worden gegroepeerd op basis van hun overeenkomsten en worden vergeleken. Voorbeelden hiervan zijn groepering van klanten, groepering van producten, groepering van genen.
Neurale netwerken en Deep Learning.
Hoewel we nog maar een klein deel van de werking van onze eigen hersenen kennen zien we wel dat de structuur en de werking hiervan ons in staat stelt om fenomenale taken te verrichten. Geïnspireerd door de werking van ons menselijk brein probeert men nu te evolueren naar een techniek die analoog werkt aan onze hersenen. Deze noemt men neurale netwerken. Het principe komt er deels mee overeen. Het mag gezegd worden, het zijn de software nerds die er als eerste in geslaagd zijn om het menselijk brein na te bootsen. Ze lijken de werking van het brein beter te begrijpen dan de neurologen.
In ons menselijk brein zijn bepaalde neuronen (zenuwcellen) in staat om in verbinding te staan met wel 5000 andere neuronen. En miljoenen verbindingen worden in verschillende hersengebieden continu aangemaakt. De verbindingen zijn ook niet statisch of vast, nee ze veranderen constant. Dit noemt men de plasticiteit van onze hersenen. Ze passen zich continu aan in functie van wat onze zintuigen aanbrengen.
Wanneer men in staat zou zijn om op een kunstmatige manier een gelijk aantal verbindingen tot stand te brengen, zou de energie die we daar voor nodig hebben zoals in ons brein onnoemelijk groot zijn. Zelfs om nog maar een klein gedeelte ervan te evenaren zou dit gigantisch veel energie vragen. Voorlopig zijn we daar dus nog niet! Maar we trachten het toch na te bootsen met redelijke resultaten die steeds beter worden. Hiervoor heeft men een nieuw soort chips ontwikkeld de neuromorfe chip genaamd.
Deze neuromorfe chips, ook wel bekend als "brain-inspired chips", zijn een nieuw type computerchip die is ontworpen om na te bootsen hoe de menselijke hersenen werken. In tegenstelling tot traditionele computers, die informatie opslaan en verwerken in bits en bytes, gebruiken neuromorfe chips kunstmatige neuronen en synapsen om signalen te verwerken. Hierdoor zijn ze energiezuiniger en kunnen ze parallelle taken efficiënter uitvoeren.
De basisverwerkingseenheid van een neuromorfe chip is een kunstmatig neuron. Dit is een elektronisch circuit dat signalen van andere neuronen ontvangt, deze integreert en vervolgens een eigen signaal afgeeft. Neuromorfe chips kunnen leren door hun synapsverbindingen aan te passen op basis van de input die ze ontvangen. Dit proces, bekend als neurale netwerktraining, stelt neuromorfe chips in staat om complexe patronen te herkennen en taken uit te voeren die moeilijk of onmogelijk zijn voor traditionele computers.
Neuromorfe chips hebben het potentieel om een revolutie teweeg te brengen in een breed scala aan toepassingen, waaronder:
· Kunstmatige intelligentie, ze zijn bijzonder goed geschikt voor beeldherkenning, spraakherkenning en natuurlijke taalverwerking.
· Robotica, om robots te bouwen die meer adaptief en autonoom zijn.
· Geavanceerde prothesen, ze kunnen worden gebruikt om geavanceerde prothesen te ontwikkelen die direct met de hersenen van de gebruiker kunnen communiceren.
· Ook in de geneeskunde worden ze gebruikt om nieuwe medicijnen te ontwikkelen en om ziekten te diagnosticeren.
Neuromorfe chips zijn een relatief nieuw onderzoeksgebied waarin nog veel technische uitdagingen moeten worden overwonnen voordat ze op grote schaal kunnen worden toegepast. Een van de grootste uitdagingen is het maken van deze chips met voldoende neuronen om complexe taken uit te voeren. Het menselijk brein bevat miljarden neuronen, terwijl de meeste neuromorfe chips vandaag de dag slechts enkele duizenden of miljoenen neuronen bevatten.
Een andere uitdaging is het trainen van neuromorfe chips. Ze kunnen leren door hun synapsverbindingen aan te passen, maar dit proces kan erg tijdrovend en rekenintensief zijn. Ondanks deze uitdagingen is er veel vooruitgang geboekt op het gebied van neuromorfe chips. Onderzoekers over de hele wereld werken aan het ontwikkelen van nieuwe neuromorfe chips met meer neuronen, verbeterde leermogelijkheden en een breder scala aan toepassingen.
Ze kunnen ons krachtigere en efficiëntere computers geven die in staat zijn om complexe taken uit te voeren die momenteel onmogelijk zijn. Voor meer informatie over neuromorfe chips! [1]
Werkingsprincipe Neurale netwerken.
Neurale netwerken verwerken informatie door middel van een netwerk van kunstmatige neuronen. Elk neuron in het neurale netwerk heeft een aantal ingangen en één uitvoer. De ingangen van een neuron zijn verbonden met de uitgangen van andere neuronen (geïnspireerd op onze menselijke neuronen die verbindingen tussen dendrieten en synapsen maken). Wanneer een neuron wordt geactiveerd, stuurt het een signaal naar de neuronen waarmee het verbonden is. Het signaal wordt versterkt of verzwakt door de gewichten van de verbindingen.
De uitvoer van een neuron wordt berekend door de som van de versterkte signalen van de ingangen. De uitvoer wordt vervolgens gebruikt om de ingangen van andere neuronen te activeren. Dit proces wordt herhaald totdat het neurale netwerk een uitvoer genereert.
Door deze techniek toe te passen kan men weer een stap verder gaan in machine learning en kan men computers beter trainen in het herkennen van patronen. Dankzij neurale netwerken is het mogelijk geworden om deep learning toe te passen.
Deep learning heeft een enorme impact gehad op AI, waardoor het mogelijk is geworden om complexe taken uit te voeren voor een breed scala aan toepassingen, waaronder: gezichtsherkenning, spraakherkenning, machinevertaling, zelfrijdende auto’s, medische analyse, financiële handel en natuurlijke taalverwerking. Deep learning wordt ook mogelijk gemaakt dankzij de grote hoeveelheden gegevens (data) die beschikbaar zijn op het internet.
De trainingsgegevens bevatten voorbeelden van de input en de gewenste output die het deep learning-netwerk moet genereren. De voorbeelden kunnen afbeeldingen, tekst, geluid of andere gegevens zijn. Het neurale netwerk leert om patronen te herkennen in de voorbeelden door middel van deep learning- algoritmes.
Eenvoudig gezegd werkt deep learning als volgt: een deep learning-netwerk wordt getraind met een dataset van voorbeelden. Het kan zowel met supervisie als niet-supervisie worden getraind zonder afhankelijk te zijn van een menselijke expert. Deep learning blinkt uit in het vinden van complexe patronen en relaties in data. Het kan vervolgens worden gebruikt om nieuwe gegevens te classificeren of te voorspellen. Hierdoor zal de nauwkeurigheid op termijn verbeteren; het leert zichzelf te corrigeren. Een klein voorbeeld hiervan zie je bij het invoeren van een tekst in je GSM. Tijdens het typen zullen woorden worden voorspeld die hoogst waarschijnlijk voldoen aan wat je wil schrijven.
Ethische uitdagingen: Bias en de ‘Black Box’
De vraag blijft natuurlijk, wanneer mag je stellen dat iets juist is! Inzichten uit deep learning zijn slechts zo goed als de data waarmee men het model traint.
Door te vertrouwen op niet-representatieve trainingsdata of data met gebrekkige informatie die historische ongelijkheden weerspiegelen, kunnen sommige deep learning-modellen menselijke vooroordelen (of vooringenomenheid) over etniciteit, genderidentiteit, leeftijd, enzovoort repliceren of versterken. Dit wordt algoritmische bias genoemd. Hierin schuilt een zeker gevaar op juistheid van de AI
Verder is er ook nog een “black box” probleem. In deep learning-modellen is het besluitvormingsproces vaak ondoorzichtig en dit proces kan niet worden uitgelegd op een manier die gemakkelijk door mensen kan worden begrepen. Als een autonoom voertuig bijvoorbeeld een voetganger verwondt, kunnen we het “denkproces” van het model niet achterhalen en precies zien welke factoren tot deze fout hebben geleid.
Controle op juistheid en Regelgeving
Hoe kan men dan beter bepalen of iets juist is of niet? Er zijn een aantal manieren om te bepalen of data juist zijn of niet.
1. Broncontrole: Eén manier is om te kijken naar de bron van de data. Als de bron betrouwbaar is, is de kans groter dat de data ook juist zijn. Betrouwbare bronnen zijn bijvoorbeeld overheidswebsites, wetenschappelijke tijdschriften en nieuwsorganisaties met een goede reputatie. Is een bron bijvoorbeeld gefinancierd door een partij, een bedrijf dat belang heeft bij de data dan mag je dit minder of niet vertrouwen. Het is als gebruiker natuurlijk zeer moeilijk om dit te achterhalen.
2. Methodecontrole: Een andere manier om de juistheid van data te bepalen, is door te kijken naar de methode waarmee de data zijn verzameld. Als de methode zorgvuldig is uitgevoerd, is de kans groter dat de data ook juist zijn.
3. Kruiscontrole: Ten slotte kan de juistheid van data ook worden bepaald door de data te controleren met andere bronnen. Als de data consistent zijn met andere bronnen, is de kans groter dat de data juist zijn.
Het blijft dus een grote ethische uitdaging voor de juistheid en controle hierop te bepalen. Overheden over de hele wereld proberen regels op te stellen voor de ontwikkeling en het gebruik van AI, maar het is nog steeds onduidelijk hoe deze regels er precies uit zullen zien. Het is belangrijk om te blijven discussiëren over deze kwesties en te streven naar een evenwicht tussen innovatie, veiligheid en maatschappelijke verantwoordelijkheid.
AI toepassingen en Classificaties
Er zijn verschillende onderverdelingen van de wijdverbreide naam Artificiële Intelligentie. Toch zal veelal, voor al deze diverse onderverdelingen, hier dezelfde benaming gekozen worden.
We kunnen drie grote groepen onderscheiden op basis van hun capaciteiten:
ANI of Artificial Narrow Intelligence: Dit is de vorm van AI die we vandaag de dag het meest tegenkomen. ANI is gespecialiseerd in één specifieke taak en kan daarin vaak uitstekend presteren. Denk aan een schaakcomputer die wereldkampioen kan worden, of een spraak assistent die je vragen kan beantwoorden. ANI is "Narrow" omdat het beperkt is tot die ene taak. ANI is de realiteit van vandaag. Het wordt gebruikt in talloze toepassingen, van zelfrijdende auto's tot medische diagnose.
AGI of Artificial General Intelligence: AGI is de heilige graal van de AI-onderzoekers. Het is een vorm van AI die op menselijk niveau kan denken en leren. Een AGI zou in staat zijn om elke intellectuele taak uit te voeren die een mens kan, van het oplossen van wiskundige problemen tot het schrijven van een roman. AGI is een belangrijk onderzoeksgebied, maar het is nog niet duidelijk wanneer en of het zelfs ooit zal worden bereikt.
ASI of Artificial Super Intelligence: ASI gaat nog een stap verder dan AGI. Het is een hypothetische vorm van AI die intelligenter is dan de slimste mens. Een ASI zou in staat zijn om problemen op te lossen waar mensen zelfs niet aan kunnen denken en zou exponentieel snel kunnen leren en verbeteren. ASI is meer een onderwerp van sciencefiction dan van wetenschap. Het roept in dit geval veel vragen op over de toekomst van de mensheid en de relatie tussen mens en machine.
Het verspreiden van kennis over het internet heeft er ook voor gezorgd dat alle gezamenlijke kennis die door mensen werd bedacht makkelijker kan worden geraadpleegd. Volledige encyclopedieën staan online. Bijna alles kan op internet worden opgevraagd en geraadpleegd.
Door de analyse van de menselijke stem en deze terug in digitale synthese te reproduceren kon men spraak ontwikkelen die door computers werd nagebootst. Spraakherkenning en spraakemulatie maakten weerom deel uit van belangrijke ontwikkelingen die toepassingen kregen in de AI. Hieruit zijn de chatbots ontstaan. Ze werken op het principe van natuurlijke taalverwerking (NLP).
Natural Language Processing is een tak van de kunstmatige intelligentie die zich bezighoudt met het begrijpen en genereren van menselijke taal. Voorbeelden waarin deze worden gebruikt zijn:
· Spraakherkenning systemen: de digitale assistenten (voice assistants) die gesproken commando’s herkennen en daarop acties ondernemen. (zoals: Apple’s Siri of Amazon’s Alexa, Google assistant)
· Tekstanalyse: zijn systemen die bijvoorbeeld sociale mediaberichten scannen om de publieke opinie over bepaalde onderwerpen te kennen.
· Chatbots: die begrijpen wat gebruikers typen of zeggen en hierop antwoorden formuleren in een menselijke taal.
· Vertaalprogramma’s: die geschreven teksten of gesproken taal in real-time vertalen. (Ondertiteling).
· Spamfilters: die ongewenste berichten filteren uit bijvoorbeeld e-mails.
Generatieve AI en de Chatbot Discussie
Een heel belangrijke en snelle ontwikkeling zijn momenteel de huidige Chatbots. Ook wel Generatieve AI genoemd. Deze worden getraind op een dataset van tekst en code. De dataset bevat voorbeelden van menselijke taal zoals gesprekken, artikelen en code. Door de algoritmen efficiënter te maken slaagde men erin om met grote datasets de chatbots voorafgaandelijk (Pretrained) te trainen. Door tussenkomst van menselijke controle op juistheid groeide de perfectie in het beantwoorden van de aan hem gestelde vragen. Het lijkt er soms op dat je met een echte mens communiceert.
Toch schuilt hier een redelijk groot gevaar! Je kan de chatbot standpunten laten innemen die jij vooropstelt als zijnde juist. De chatbot kan dan een tekst genereren die perfect aansluit bij wat jij wil hoe deze, van een leugen de waarheid weergeeft. Hij kan ingezet worden om (deep)fake-news te genereren.
Dus de voordelen die men haalt uit onder andere ondersteunend privéonderwijs dankzij deze chatbots, kunnen ook negatief aangewend worden. Blijkbaar bestaat er nog te weinig regelgeving door de politiek, die toezicht moeten houden op de ethiek en morele methoden van deze technologische middelen. Momenteel zijn het de Tech-bedrijven die beslissen aan welke criteria de algoritmen moeten voldoen om te bepalen wat het resultaat is op de correctheid van antwoorden.
Op de vraag aan “BARD” (nu ondertussen omgedoopt met de naam “Gemini”, de chatbot van Google) of hij juiste antwoorden geeft, kreeg ik volgende reactie:
“In het geval van een groot taalmodel zoals ik, is het belangrijk om te onthouden dat ik getraind ben op een dataset van tekst en code. Dit betekent dat de data die ik genereer, mogelijk niet altijd correct is. Het is altijd belangrijk om de data die ik genereer te controleren met andere bronnen om te bevestigen dat deze juist is.”
In 2022 bracht de onderneming OpenAI de chat-GPT (Generatif Pretrained Transformer) chatbot uit. Het bedrijf publiceert veel van zijn onderzoek en had oorspronkelijk de intentie open source codes vrij te geven, zodat anderen deze kunnen gebruiken en verbeteren. Er zijn heel wat discussies rond open source versus gesloten in de AI-gemeenschap.
De vraag is of de broncode en trainingsgegevens van kunstmatige intelligentie-modellen toegankelijk moeten zijn voor iedereen, of dat deze informatie beter bewaakt kan worden door een beperkte groep onderzoekers en bedrijven. Uiteindelijk heeft het bedrijf OpenAI besloten de code gesloten te houden omwille van een concurrentievoordeel. Door de volledige controle te behouden over het model, kunnen ze het gebruik ervan beter reguleren en misbruik voorkomen en er ook voor zorgen dat het model op een stabiele en veilige manier blijft functioneren.
Bij open source modellen is de code openbaar, waardoor onderzoekers en ontwikkelaars kunnen zien hoe het model werkt en het kunnen aanpassen. Het bedrijf is van mening dat AI een krachtige technologie is die voor het goede of het kwade kan worden gebruikt. Er bestaat een risico dat de technologie in verkeerde handen valt en gebruikt wordt voor kwaadaardige doeleinden, zoals het creëren van deepfakes of het verspreiden van haat zaaiende berichten.
Ze hebben nog een aantal belangrijke AI-technologieën ontwikkeld, waaronder:
Chat GPT-3, een groot taalmodel dat tekst kan genereren, talen kan vertalen en verschillende soorten creatieve inhoud kan schrijven. Kan gratis worden gebruikt door iedereen maar met zekere beperkingen. Niet alle data zijn toegankelijk. Of het betaalmodel GPT-4 dat voor professionele doeleinden kan worden gebruikt en geen restricties heeft.
DALL-E 2, een beeld genererend AI-model dat tekst kan omzetten in realistische afbeeldingen.
Roboschool, een open source-platform voor het trainen en evalueren van robots.
Ook andere bedrijven zijn volop bezig in de wedloop naar AI. Onder andere Microsoft bracht een chatbot aan als onderdeel van de Bing zoekbrowser, Copilot, en Google deed dit met BARD. Bard verwijst naar een verteller uit het verleden die verhalen vertelt. Ook deze chatbot van Google is vergelijkbaar met Chat-GPT. BARD staat voor Bidirectional Encoder Representations for Transformers. Dus eigenlijk BERT. Google BARD is ontworpen om creatieve tekstformaten van tekstinhoud te genereren, zoals gedichten, code, scripts, muziekstukken, e-mail, brieven, enz.
Uiteindelijk probeert men kort op de bal te spelen door vrij snel updates te voorzien en zo een concurrerende positie te verkrijgen tegenover andere bots. De naam Bard werd reeds vervangen door Gemini. De naam “Gemini” betekent “tweeling” in het Latijn. Dit verwijst naar het feit dat het model is getraind op twee enorme datasets van tekst en code, waardoor het een uniek perspectief heeft op de wereld. Het voordeel van deze bot is dat hij verbonden is met het internet en bijgevolg zo beschikt over de meest up-to-date en relevante informatie.
De toepassingen zijn enorm en er komen continu nieuwe toepassingen van diverse ondernemingen op de markt.
4de en 5de industriële revolutie en Quantum computing.
De vierde industriële revolutie, ook wel Industrie 4.0 genoemd, is een periode van snelle technologische vooruitgang die wordt gekenmerkt door de integratie van drie belangrijke kenmerken:
1. Cyber-fysieke systemen (Cyber-Physical system, CPS), dit zijn systemen die fysieke en digitale werelden integreren. Ze worden gebruikt om fysieke processen en systemen te besturen en te monitoren met behulp van sensoren, actuatoren en software.
2. Het internet van de dingen (IoT), Internet of Things verwijst naar het netwerk van fysieke apparaten die met elkaar verbonden zijn en gegevens kunnen uitwisselen. Deze apparaten kunnen alles zijn, van sensoren in fabrieken tot wearables die worden gedragen door consumenten.
3. Kunstmatige intelligentie (AI), AI verwijst naar de intelligentie van machines. AI-technologieën worden gebruikt om complexe taken uit te voeren, zoals machine learning, natuurlijke taalverwerking en gezichtsherkenning.
De vierde industriële revolutie heeft een grote impact op de manier waarop we leven en werken. Het heeft geleid tot de ontwikkeling van nieuwe producten en diensten, de automatisering van taken en de verandering van de manier waarop we met elkaar communiceren.
De vijfde Industriële Revolutie (Industrie 5.0)
Na de 4de industriële revolutie staat nummer vijf al aan te schuiven, ook wel Industrie 5.0 genoemd. Het wordt gekenmerkt door een focus op de menselijke factor en de verantwoordelijke ontwikkeling van technologie.
Industrie 5.0 streeft ernaar om technologie te gebruiken om de levenskwaliteit van mensen te verbeteren. Het richt zich op het creëren van slimme, duurzame en inclusieve systemen die voldoen aan de behoeften van alle mensen.
Enkele specifieke voorbeelden van toepassingen van Industrie 5.0 zijn:
Slimme steden: Hier gebruikt men technologie om de leefbaarheid en duurzaamheid te verbeteren. Dit omvat toepassingen zoals slimme energienetwerken, slimme transportsystemen en slimme afvalverwerking.
Duurzame productie: Deze gebruikt technologie om de milieu-impact van productieprocessen te verminderen. Dit omvat toepassingen zoals 3D-printing, robots en energie-efficiënte machines.
Inclusieve technologie: dit is technologie die toegankelijk is voor iedereen, ongeacht leeftijd, vaardigheid of beperking. Dit omvat toepassingen zoals toegankelijke websites, toegankelijke software en toegankelijke apparaten.
De vijfde industriële revolutie staat nog in de kinderschoenen, maar heeft het potentieel om de wereld op een positieve manier te veranderen. Het kan ons helpen om duurzamere, inclusievere en betere levens te creëren. Ook de grote uitdagingen van onze planeet voor het oplossen van problemen rond milieu, landbouw, gezondheid, energie, klimaat, materiaalwetenschap en meer staan op het programma.
Hierbij hoopt men gebruik te kunnen maken van Quantum computing. Quantum computers werken met een vernieuwde technologie die gebaseerd is op Qubits. Een Qubit is de basiseenheid van informatie. Ze spelen een vergelijkbare rol zoals bits bij klassieke computers, maar ze gedragen zich heel anders. Klassieke bits zijn binair en kunnen alleen een positie van 0 of 1 bevatten, maar Qubits kunnen een superpositie van alle mogelijke statussen bevatten. Dit levert met speciaal daarvoor ontwikkelde algoritmen enorme snelheidswinsten op en verhoogt zo aanzienlijk de rekenkracht.
Toch zijn er nog heel wat technologische obstakels te overwinnen alvorens men tot een commercieel werkzame computer kan komen. Momenteel zijn het enkel de grote spelers zoals IBM, Google, Intel, en sommige anderen die er in geslaagd zijn een quantum computer te bouwen. Dankzij de wereldwijde samenwerking van community ’s van quantumonderzoekers, wetenschappers, technici en bedrijfsleiders zijn de verwachtingen en de hoop op een snelle ontwikkeling groot.