De vraag formuleren
Hamming begint met een valstrik. 'Kunnen machines denken?' klinkt als een eenvoudige ja-of-nee vraag. Hij stelt dat het drie afzonderlijke problemen verbergt: wat telt als een machine, wat telt als denken, & of de vraag überhaupt een zinvol antwoord heeft.
Hij bracht een jaar door met het identificeren van het kleinste programma waarvan hij zou geloven dat het kon denken. Na een jaar van mislukking concludeerde hij dat hij de verkeerde vraag had gesteld. Misschien is denken geen ja-of-nee eigenschap. Misschien kan het in mate voorkomen.
Zijn verschuiving in formulering: in plaats van 'kunnen machines denken,' vraag je 'in hoeverre kunnen machines intellectuele lasten uit het leven wegnemen?' Die vraag wijst rechtstreeks naar bruikbaarheid in plaats van naar metafysica.
Het gevaar van zekerheid
Hamming waarschuwt dat beide uitersten professioneel risico dragen. Geloof dat machines niet kunnen denken: je zult ze onderbenutting & achterblijven. Geloof dat machines duidelijk kunnen denken: je zult ze overschatten & systemen bouwen die op onvoorziene manieren falen.
Geen van beide overtuigingen is veilig. Je moet je eigen weloverwogen positie ontwikkelen.
De Turing-test
Alan Turing stelde in 1950 een gedragstest voor: als een persoon aan een teletype een mens niet kan onderscheiden van een goed geprogrammeerde machine, 'denkt' de machine — per definitie.
Hamming respecteert de slimheid van de zet. Turing vermijdt de onbeantwoordbare filosofische vraag over innerlijke ervaring & vervangt deze door waarneembaar gedrag. Dat is goede wetenschappelijke intuïtie.
Maar Hamming heeft een structureel bezwaar: Turing's test schendt de standaard wetenschappelijke methode. Wetenschap begint met de eenvoudigste problemen eerst, niet de moeilijkste. Turing's test is, zoals Hamming zegt, moeilijk voor gemakkelijk. Het evalueert volledige conversationele intelligentie voordat we eenvoudig leren of regelvolging begrijpen.
Wat niet in woorden kan worden uitgedrukt
Hammings centrale stelling over grenzen van machine-intelligentie: niet alle menselijke kennis kan in regels of instructies worden vertaald. Sommige kennis weerstaat formalisering — niet omdat we inspanning of intelligentie tekortkomen, maar omdat verbalisering niet het juiste medium is.
Expertsystemen in de jaren 80 probeerden deskundigheid vast te leggen als regelbases: IF symptoom-A AND symptoom-B THEN diagnose-C. Ze werkten in smalle, goed gedefinieerde domeinen. Ze faalden aan de grenzen van die domeinen, waar juist de tacit kennis van ervaren beoefenaren het meest belangrijk is.
De intuïtie van de scheikundige over welke reactie plaats zal vinden, het gevoel van de ervaren lasser voor de juiste boogafstand, het gevoel van de chirurg wanneer het weefsel er verkeerd uitziet — dit zijn niet eenvoudig regels die wachten om te worden uitgesproken. Hamming betoogt dat sommige ervan permanent oncodeerbaar kunnen zijn.
Waarom dit belangrijk is voor automatisering
Regelgebaseerde systemen doen het erg goed in het centrum van goed gedefinieerde domeinen. Ze falen aan de grens. Ervaren beoefenaren leven aan de grens. Deze asymmetrie bepaalt wat automatisering kan & niet kan vervangen.
Tacit kennis identificeren
Michael Polanyi's zinsnede hiervoor: 'We weten meer dan we kunnen zeggen.' Hij gebruikte het voorbeeld van gezichtsherkenning — de meeste mensen herkennen duizenden gezichten onmiddellijk maar kunnen niet beschrijven welke regels zij gebruiken.
Hamming verbindt dit met expertsystemen: het diepere probleem is niet dat we de regels nog niet hebben opgeschreven; het is dat voor sommige domeinen geen volledige regelset bestaat.
4×4×4 Boter-kaas-en-eieren
Hamming gebruikt 4×4×4 driedimensionaal boter-kaas-en-eieren als zijn uitgewerkte voorbeeld. Het bord heeft 64 velden & 76 winnende lijnen. Tweedimensionaal boter-kaas-en-eieren heeft een bekende gelijk-spel strategie; het toont geen interessante intelligentie. De 4×4×4 versie is moeilijk genoeg om echte heuristische benaderingen te vereisen.
De structuur van het programma
Stap 1: noem alle legale zetten op.
Stap 2: geef voorkeur aan 'hete punten' — hoeken & centra hebben meer winnende lijnen erdoorheen dan rand- of vlakcentrumvelden. Gebruik de dualiteit centrum-hoek van de kubus: er bestaat een inversie van de kubus die hoeken naar centra & centra naar hoeken stuurt terwijl alle 76 lijnen behouden blijven.
Stap 3: speel willekeurig onder min of meer gelijkwaardige zetten. Deterministisch spel laat een geduldig tegenstander jouw strategie in kaart brengen & exploits vinden. Willekeur voorkomt systematische uitbuiting.
Stap 4: pas opeenvolgende regels in prioriteitvolgorde toe.
De opeenvolgende regels, in prioriteitvolgorde: (1) win als een winnende zet bestaat; (2) blokkeer de winnende zet van de tegenstander; (3) neem een vork als beschikbaar; (4) blokkeer de vork van de tegenstander; (5) maak forcerende zetten; (6) val terug op heuristische benaderingen.
Let op de structuur: deterministische regels behandelen duidelijk gedefinieerde situaties. Heuristische benaderingen behandelen alles anders. De lijn ertussen is precies waar tacit kennis begint.
Samuels dammenprogramma
Arthur Samuel bij IBM schreef een dammenprogramma dat beroemd werd om een staatskampioen te verslaan. Wat het opvallend maakte: het gebruikte een leermechanisme. Samuel parametriseerde de evaluatiefunctie (gewogen factoren als bordinachtigheid, koningsvoordeel, pion-mobiliteit, enz.), vervolgens liet hij twee kopieën van het programma tegen elkaar spelen met licht verschillende parameterinstellingen. De beter presterende versie overleefde.
Dit is parameterzoeking, geen regelontdekking — maar het vormt leren in een zinvolle betekenis. Het programma verbeterde zonder dat de programmeur expliciet betere regels schreef.
Hamming vraagt: toonde Samuels programma originaliteit toen het verrassende zetten deed? Je kunt niet bewijzen dat het dat deed, maar je kunt evenmin bewijzen dat jij originaliteit hebt in enige betekenis die het dammenprogramma uitsluit.
Expertsystemen & hun grenzen
Expertsystemen van de jaren 70-80 vertegenwoordigden de meest systematische poging om professionele kennis als door machines uitvoerbare regels te formaliseren. Medische diagnose, geologisch onderzoek, financiële analyse, circuitontwerp — elk domein trok zijn eigen regelgebaseerde systeem aan.
Prestaties in goed gedefinieerde deelproblemen waren vaak indrukwekkend. Maar de systemen deelden een foutmodus: ze werkten totdat het probleem buiten de regelbedekkking stap, dan faalden ze volledig. Menselijke experts degraderen elegant; regelsystemen vallen van een klif af.
De grondoorzaak die Hamming identificeert: de mensen die expertsystemen bouwden hadden geen systematische manier om te weten wat ontbrak. De experts konden hun regels articuleren — maar experts gebruiken hun oncodeerbare oordeel om welke regels van toepassing zijn in een bepaalde situatie te bepalen. Dat oordeel op meta-niveau kwam nooit in het systeem.
De juiste vraag voor jouw carrière
De praktisch nuttige vraag is niet 'kunnen machines denken?' Het is: voor elke taak in jouw veld, ligt de kritieke moeilijkheid in het regeldekkde centrum, of aan de grens waar oordeel & tacit kennis werken? Automatisering handelt het eerste betrouwbaar af. Het worstelt met het tweede. Jouw carrièrestrategie volgt uit het weten van het verschil.