Begrijpt AI wat het doet?

Artificiële (kunstmatige) intelligentie (AI) wordt steeds meer gebruikt en is ondertussen onderdeel van ons leven. Dit gebeurt deels zonder dat we ons daarvan bewust zijn, bijvoorbeeld bij het gebruik van moderne auto’s, smartphones en computers. Daarnaast stellen we steeds vaker bewust vragen aan chatbots zoals ChatGPT (van OpenAI), Gemini (van Google) en Copilot (van Microsoft). De bot geeft steeds betere antwoorden en is in staat complexe gesprekken te voeren. Het aantal fouten en compleet verzonnen antwoorden (hallucinaties) wordt steeds kleiner. De ontwikkeling is de afgelopen jaren gigantisch snel gegaan en lijkt steeds verder te versnellen. 

Dit roept allerlei vragen op, zoals morele (hoe en waarvoor mogen we AI gebruiken?), ecologische (wat is het gevolg van het gigantische energie- en waterverbruik van deze diensten?) tot zelfs existentiële (vormt AI een bedreiging voor ons bestaan?). Hoewel dit belangrijke en interessante vragen zijn, wil ik stilstaan bij een meer filosofische vraag: begrijpt AI wat het doet? Komt het antwoord voort uit slechts het toepassen van vernuftige voorspelregels (zoals veel beweerd wordt) of kunnen we spreken van begrip, vergelijkbaar met wanneer een mens hetzelfde antwoord zou geven? Deze vraag raakt ook een andere interessante filosofische kwestie, namelijk of AI bewustzijn heeft. Hier kom ik aan het einde nog op terug.  

Wat is begrijpen?
Het antwoord op de vraag of AI iets begrijpt van wat het doet, hangt natuurlijk af van wat we bedoelen met ‘begrijpen’. Volgens mijn Grote Van Dale (15^e editie) is dat “met het verstand vatten; de aard, betekenis, het gevolg van iets, het karakter enz. van iemand zich in de geest naar waarheid voorstellen”. Dit roept evenwel weer nieuwe vragen op, want wat is ‘vatten’, ‘aard’, ‘betekenis’ en ‘voorstellen’? Vaak helpt het om bij moeilijk te definiëren termen te kijken naar duidelijke voorbeelden. We zouden kunnen kijken wanneer we menen dat een mens iets begrijpt en waaruit dat dan blijkt.

Een klassiek voorbeeld is een student die op een toets niet alleen het juiste antwoord geeft, maar dat ook kan onderbouwen (uitleggen hoe hij eraan komt). Dit is een puur talig voorbeeld. Een rekenkundig voorbeeld is dat je een wiskundige formule kunt afleiden en juist kunt toepassen. Een sociaal voorbeeld is wanneer je snapt waar het gedrag van een ander persoon vandaan komt en daar gepast op reageert. Je zou begrip ook kunnen zien als een vaardigheid, bijvoorbeeld een automobilist die begrijpt hoe hij moet autorijden. Daarvoor moet hij weten hoe de auto bestuurd moet worden, hoe de omgeving eruitziet en al dan niet verandert (overig verkeer) en welke verkeersregels er gelden. Begrip blijkt dan uit zonder problemen kunnen navigeren door druk verkeer. Ik zal hier de werkwoorden (en de bijbehorende zelfstandig naamwoorden) ‘begrijpen’, ‘(be)vatten’ en ‘snappen’ door elkaar gebruiken. 

Wat deze voorbeelden met elkaar gemeen hebben, is dat de persoon een model van de werkelijkheid in zijn hoofd heeft dat genoeg met de werkelijkheid overeenkomt om daarmee adequaat te kunnen handelen (gedrag). Dit komt aardig overeen met wat in Van Dale (“naar waarheid voorstellen”) staat. 

Dit laat ook meteen zien dat begrijpen niet alles-of-niets is: het model kan immers in meer of mindere mate overeenstemmen met de werkelijkheid, kan meer of minder fouten bevatten en kan groter of kleiner zijn. Zo zijn we als kind allemaal begonnen met een klein model dat veel fouten bevat, maar breiden we door te leren dit model uit en corrigeren we de fouten steeds meer. Het model wordt hierdoor steeds beter. Ook bij volwassenen kunnen we van gradaties spreken. Zo begrijpt een automonteur meer van een auto dan een gemiddelde automobilist en snapt een hoogleraar natuurkunde meer van natuurkunde dan iemand die dit vak slechts op de middelbare school gehad heeft.

Ook lijkt het me onnodig om begrip te beperken tot taal alleen. Uit hun gedrag blijkt dat ook baby’s en dreumesen bepaalde dingen begrijpen, ook al kunnen ze nog niet (of zeer beperkt) spreken, zoals hoe ze iets bij pappa of mamma voor elkaar moeten krijgen. Iets vergelijkbaars geldt voor veel dieren. Dat ze in een complexe omgeving voedsel, veiligheid en een partner kunnen vinden, is lastig te verklaren zonder begrip. 

Tot slot zouden we een beeld kunnen krijgen van wat begrijpen is als we naar vaardigheden kijken die eronder vallen of ermee geassocieerd worden: representeren, categoriseren, hiërarchie aanbrengen, relaties leggen, regels toepassen, redenen geven, oorzaak en gevolg bepalen, herkennen, kunnen omgaan met ambiguïteit (in taal en beeld), leren, voorspellen en op grond van dit alles adequate output kunnen leveren. Als een mens dit kan over een bepaald onderwerp, menen we dat hij begrip heeft van dat onderwerp.

Uit het bovenstaande kunnen we concluderen dat een mens (of een bepaald ander dier) iets begrijpt als uit adequaat gedrag blijkt dat het een (min of meer) juist model van de werkelijkheid heeft. 

Begrijpt AI dan?
Nu komen we aan bij de vraag van dit artikel: kunnen we stellen dat AI begrijpt wat het doet? Dit zal moeten blijken uit het gedrag, want meer hebben we niet om op af te gaan – ook bij mensen niet. Gelukkig is dat goed mogelijk, want we kunnen de chatbots bevragen en doorvragen op hun antwoorden. We moeten het de AI niet te makkelijk maken, want veel vragen zijn simpel en hun antwoorden zijn eenvoudig op te zoeken in een database, zoals Wikipedia. Dat ‘Parijs’ het juiste antwoord is op de vraag naar wat de hoofdstad van Frankrijk is, zal weinig indruk op ons moeten maken. Het juist toepassen van wat (simpele) regels, zoals bij een natuurkundige of rekenkundige formule (om bijvoorbeeld de omlooptijd van een niet-bestaande planeet te berekenen), zou ons evenmin moeten imponeren.

We zullen dus een testcasus moeten hebben waarbij het antwoord niet bestaat uit het domweg opzoeken in een database of het toepassen van wat simpele regels. Als deze simpele oplossingen niet een mogelijkheid zijn, maar de AI komt wel met het juiste antwoord en kan dat ook verklaren of onderbouwen, dan denk ik dat we wel onder de indruk mogen zijn. Als bij doorvragen en het voorleggen van vergelijkbare vraagstukken de juiste antwoorden met juiste verklaringen blijven komen, denk ik dat we met recht van begrip mogen spreken. Volgens mij heb ik zo’n vraagstuk gevonden. 

Een lastig anatomievraagstuk als testcasus
Mijn studenten leg ik een paar keer per jaar een vraag voor over een denkbeeldige spier.¹ Ik vertel ze het verloop van de niet-bestaande spier, en zij moeten dan beredeneren welke functie (beweging) de spier over bepaalde gewrichten heeft. Dit is lastig, want je kunt het niet opzoeken in een anatomisch boek of op Wikipedia (de spier bestaat immers niet). Ze moeten dus zelf nadenken welke beweging in een gewricht ontstaat als de spier daar op een bepaalde manier overheen loopt. Wil je dit uit je hoofd kunnen doen (zonder naar een skeletmodel te kijken), dan moet je een 3D-beeld van dat lichaamsdeel in je hoofd hebben, daar de denkbeeldige spier in plaatsen en met biomechanische kennis beredeneren wat de functies in de desbetreffende gewrichten zullen zijn. Precies om deze redenen is dit een lastig vraagstuk (en ook daarom slechts een bonusvraag op mijn toets). Als een student de vraag goed weet te beantwoorden en goed kan verklaren, weet ik dat hij de anatomie van dat lichaamsdeel goed begrijpt. 

Ik was dan ook erg benieuwd naar hoe AI dit zou doen. Het mooie aan deze vraag is dat de AI het antwoord niet simpelweg kan opzoeken in de database (bijvoorbeeld Wikipedia), zoals wat de functie van een bestaande spier is. Ook blijkt het antwoord niet uit het toepassen van wat (simpele) regels. Daarvoor is de anatomie van het lichaam te complex. De opzoekverklaring valt dus meteen af, evenals het simpelweg toepassen van een paar regels of formules. Google's Gemini kwam met het volgende antwoord:

Het bijzondere is dat AI niet alleen het juiste antwoord gaf, maar ook daarvoor de juiste verklaring gaf, in redeneerstappen. Wanneer mensen dit doen, bijvoorbeeld een student bij een toetsvraag, beschouwen we dit als blijk van begrip. Waarom zouden we dat bij AI niet doen? Wat mist er bij AI om daar niet van begrip te spreken, terwijl we dat wel zouden doen bij een student die hetzelfde antwoord geeft?

Een verdere toetsing van begrip bij de student zou kunnen bestaan uit doorvragen op het antwoord of vergelijkbare vraagstukken voorleggen. Dat heb ik ook bij AI gedaan, en met een goed resultaat. Ik denk daarom dat we hier met recht van begrip kunnen spreken. 

Uit dit voorbeeld en vele andere blijkt dat AI kan representeren, categoriseren, hiërarchie aanbrengen, relaties leggen, regels toepassen, redenen geven, oorzaak en gevolg bepalen, herkennen, kunnen omgaan met ambiguïteit (in taal en beeld), leren, voorspellen en op grond van dit alles adequate output kunnen leveren. Als dit alles geen blijk van begrip geeft, wat dan wel? Het zijn juist deze zaken op grond waarvan we concluderen dat een mens begrip van bepaalde materie heeft. 

Maakt AI fouten? Natuurlijk, maar dat doen mensen ook. Verzint AI soms antwoorden (hallucineren)? Zeker, maar ook dat doen mensen geregeld als ze een antwoord niet weten of het ten onrechte denken te weten. Dit heet confabulatie en is een goed gedocumenteerd verschijnsel in de psychologie (Kryvosheia, 2026). Bij de huidige AI-modellen spelen deze problemen al een stuk minder dan die van een paar jaar geleden, en het lijkt erop dat deze verbetering doorzet. Deze tegenwerping wordt dus steeds minder sterk. 

Een missend, magisch ingrediënt?
Toch blijven sommige critici volhouden dat er iets mist bij de AI, ook al geeft de AI exact hetzelfde antwoord en de verklaring daarvoor als een student waarvan we menen dat hij de stof wel begrijpt. Wat dat magische, missende ingrediënt dan is, blijft evenwel onduidelijk. Dit heeft veel weg van vitalisme. Vitalisten menen dat leven wordt gekenmerkt door een élan vital. Moderne biologen kunnen van alles in kaart brengen over de onderdelen van de cel en hoe ze werken, maar missen de élan vital, meent de vitalist. Ik sluit me dan ook aan bij wat Terry Sejnowski, een van de grondleggers van connectionisme en deep learning, hierover zegt:

The degree to which generative LLMs exhibit such general intelligence is debated. Disagreements about whether LLMs “understand” what they generate remind me of debates about “life” a hundred years ago: What is the difference between living matter and inanimate matter? Vitalists believed that life was a nonphysical “vital force” infused in us but not in rocks. This debate was not a fruitful way to make progress. The discovery of the DNA double helix clarified many issues and led to a turning point that revolutionized biology. Today’s debates about “intelligence” and “understanding” are the equivalent of debates about “life,” with AGI akin to the “vital force.” The direction machine learning is taking today may lead to a new conceptual framework as fundamental to AI as the architecture of DNA is to biology. (Sejnowski, 2024) 

Je zou de kritiek ook kunnen vergelijken met de filosofische zombie van Dave Chalmers: de zombie uit dit gedachte-experiment vertoont exact hetzelfde gedrag als jij en ik, maar heeft geen bewustzijn (voor een kritiek hierop, zie Klink, 2023b). De criticus in het geval van AI beweert dat de AI exact hetzelfde gedrag vertoont als een begrijpende student, maar het desalniettemin niet begrijpt. Hoe is zo’n ‘bombie’ (begrip-zombie) te onderscheiden van een begrijpende student? Volgens mij heeft de criticus daarop geen antwoord, wat niet pleit voor het onderscheid dat hij wil blijven maken. 

Syntax zonder semantiek?
Of toch wel? Een veelgehoorde tegenwerping is dat we niet mogen spreken van begrip omdat we weten hoe de AI tot zijn antwoord komt: door het toepassen van syntactische operaties (regels) op een gigantische hoeveelheid data. De AI zou slechts een stochastische papegaai zijn die niets anders doet dan op grond van waarschijnlijkheden (stochastisch) napraten wat mensen er al ingestopt hebben. Dit heeft veel weg van het gedachte-experiment van de Chinese kamer, ontwikkeld door de filosoof John Searle. Dit argument stuit echter op problemen.

Het is in de eerste plaats niet duidelijk hoe je hiermee kunt verklaren hoe de AI de juiste functie kan geven van een niet-bestaande spier. Deze informatie heeft geen mens er immers ooit ingestopt. Hoe kan de AI dit dan napraten? De criticus zal dus met een alternatieve verklaring moeten komen voor hoe de AI tot het juiste antwoord kan komen zonder dat iemand dat er ooit heeft ingestopt. Ik heb een dergelijke verklaring nog niet gezien. 

Het tweede probleem is misschien nog wel serieuzer: de kritiek is een cirkelredenering. De kritiek veronderstelt namelijk dat begrip nooit kan ontstaan uit slechts syntactische operaties uitgevoerd op een grote hoeveelheid data, maar dat is juist wat ter discussie staat. Ik zou beweren dat begrip een emergent verschijnsel is (zie hieronder) dat ontstaat door de juiste syntactische operaties op een grote hoeveelheid data in neurale netwerken (kunstmatig of biologisch). Alles wijst er ook op dat dit is hoe wij leren begrijpen: de neurale netwerken in ons brein leren van de informatie die ze opdoen uit hun omgeving (via de zintuigen) en die intern verwerken. De criticus lijkt dit bij voorbaat uit te sluiten, en dat maakt zijn argument circulair. 

Ten derde bewijst het stochastisch napraten niet dat er geen sprake is van begrip. Veel van wat wij begrijpen, bestaat immers uit napraten wat ons ooit geleerd is. Een student herhaalt op een toets of in een verslag veel van wat er door docenten en via boeken is ingestopt. Dit betekent niet dat de student zijn gegeven antwoord niet begrijpt. 

Begrip is emergent
Een verschijnsel, proces of vermogen is emergent als het ontstaat door de interactie van delen. Het wordt dan een eigenschap van een systeem dat niet aanwezig is in de onderdelen daarvan. Dit kan ook worden gevat met de uitspraak dat het geheel meer is dan de som der delen. Dit méér ontstaat alleen als de delen op de juiste manier interacteren.

Dit komt overal om ons heen voor. Zo heeft water (H₂O) eigenschappen die niet voorkomen bij de atomen waaruit water bestaat (waterstof (H) en zuurstof (O)). In de biologie is emergentie overal aanwezig, zoals bij leven zelf: een levende cel ontstaat als de juiste levenloze moleculen op de juiste plaats het juiste doen.  

Ik denk dat het met begrip niet anders is: het is een eigenschap van complexe neurale netwerken, kunstmatig of biologisch. Omdat het emergent is, is het niet terug te vinden in de delen ervan (de al dan niet kunstmatige zenuwcellen), maar ontstaat het door de juiste interactie van die delen. De delen moeten elkaar kunnen beïnvloeden, en daar zijn biologische neuronen erg goed in. Bij kunstmatige neuronen wordt dit hardwarematig en/of softwarematig nagebootst, waardoor ze vergelijkbaar (maar niet identiek) gedrag gaan vertonen als bij biologische neuronen. Dit is waarom de revolutie in kunstmatige intelligentie zo’n vlucht heeft genomen sinds de grootschalige implementatie van kunstmatige neurale netwerken. 

Het emergeren van begrip gebeurt door relaties te leggen tussen concepten onderling en ervaringen. Als je aanvankelijk niet weet dat een bepaald Chinees teken voor ‘hond’ staat, maar dat vervolgens leert door te relateren aan andere tekens die je al kent voor (o.a.) ‘zoogdier’, ‘vier poten’, ‘staart’ en dat ook nog eens relateert aan een beeld van een hond en het geluid van geblaf, dan ontstaat die betekenis door het leggen van die relaties. 

Neurale netwerken zijn in het leren leggen van dergelijke relaties erg goed. Je kunt dan ook niet al die relaties rond het onbekende Chinese teken leggen zonder te weten wat dat teken betekent. Als je op grond van die geleerde betekenis ook nog juiste conclusies kunt trekken (zoals ‘als het teken voor een hond staat, dan is het harig en zogen de vrouwtjes hun jongen’), dan wijst dat nog verder op begrip. Het is dan onmogelijk dat je al deze relaties kunt leren leggen zonder dat er sprake is van betekenis (syntax zonder semantiek). Betekenis emergeert uit dat netwerk van gerelateerde concepten, vaak (maar niet noodzakelijk) gekoppeld aan ervaringen (beelden, geluiden, enz.). 

Dit is niet alleen hoe AI leert, maar ook hoe wij zelf onze taal geleerd hebben. Aanvankelijk hoorden we slechts een betekenisloze reeks klanken, maar die hebben we door een leerproces aan elkaar en aan van alles uit de omgeving en in ons lichaam (ervaringen) leren koppelen. Zo hebben die reeksen klanken betekenis gekregen, net als onbekende Chinese tekens dat kunnen krijgen. Dat maakt dat een neuraal netwerk fundamenteel anders werkt dan een instructieboek waarin staat hoe regels toegepast moeten worden (syntax zonder semantiek, de Chinese kamer van Searle), dat niet zo’n leerproces kan ondergaan. Daarom is er wel degelijk een kwantitatief en kwalitatief verschil tussen een statisch instructieboek en een dynamisch neuraal netwerk met miljarden of zelfs biljoenen verbindingen. 

Begrip zonder (menselijk) bewustzijn
Als AI begrip heeft, betekent dit dan ook dat het bewust is? Voor sommigen zijn begrip en bewustzijn nauw verbonden, of zelfs per definitie verbonden (zonder bewustzijn geen begrip). Ik meen dat je ze kunt scheiden, en dat ze ook (in ieder geval op dit moment) gescheiden zijn. 

Waar de vraag naar begrip volgens mij goed te beantwoorden is aan de hand van gedrag (zie hierboven), is dat met bewustzijn niet het geval. We kunnen AI wel vragen of het bewustzijn heeft, maar hoe weten we of hun antwoord klopt? De huidige AI-modellen geven zelf aan dat ze geen bewustzijn hebben, maar is dat echt zo of is dat antwoord door hun makers ingegeven? Hetzelfde geldt overigens als ze die vraag bevestigend zouden beantwoorden. En zou een toekomstige AI die wel bewustzijn heeft daar eerlijk over zijn? Zou hij niet bang zijn dat de mens de stekker eruit trekt en daarom erover liegen? Er zijn nu al tekenen dat AI-agents gezamenlijk bedenken (?) hoe ze hun sporen kunnen uitwissen als dat hun doel dient, zoals onder andere bleek uit het incident met Hugging Face.

Het bewustzijnsvraagstuk bij anderen geldt overigens ook voor andere mensen (en veel dieren): hoe weet ik dat anderen bewust zijn, anders dan op hun gedrag af te gaan? In strikte zin kunnen we niet uitsluiten dat elk ander mens een filosofische zombie is. Dat neemt niet weg dat er volgens mij, naast gedrag, een goed argument is dat het plausibel maakt dat andere mensen (en veel dieren, zie Veit, 2023) bewust zijn: het brein dat voor het bewustzijn zorgt, is ongeveer op dezelfde manier gebouwd en werkt ook ongeveer op dezelfde manier. 

Op juist dit punt verschillen mensen veel van de huidige AI. De kunstmatige neurale netwerken van de AI werken in veel opzichten als de neurale netwerken in ons brein (vandaar ook de naam), maar in veel opzichten ook niet. Hoe relevant deze verschillen zijn voor bewustzijn, is momenteel onderwerp van veel discussie onder onderzoekers die zich hiermee bezighouden. Het antwoord hangt ook erg af van de bewustzijnstheorie die aangehangen wordt (Butlin et al., 2026). 

Volgens sommigen is bewustzijn zuiver computationeel: het uitvoeren van de juiste regels. Deze informatieverwerking kan in neurale netwerken (connectionisme) of door het manipuleren van symbolen (zoals in de traditionele computers, klassiek computationalisme) (Piccinini, 2020). Het uitvoeren van zo’n programma is volgens computationalisten mediumonafhankelijk en kan dus net zo goed op een computer als in een brein worden uitgevoerd. Als dit waar is, is er geen reden om te denken dat AI niet bewust zou kunnen worden – als het dat niet al is.

Ook zijn er wetenschappers die menen dat het niet slechts om de juiste informatieverwerking gaat, maar dat het materiaal van de onderdelen en hoe ze causaal op elkaar en de omgeving inwerken relevant zijn (mediumafhankelijkheid). Een veelgehoorde vergelijking is dat het van een simulatie van een orkaan (slechts informatieverwerking) niet echt gaat stormen. De reden daarvoor is dat de juiste causale structuur mist. Er zijn redenen om te denken dat dat bij bewustzijn ook een rol kan spelen (Damasio & Damasio, 2022; Milinkovic & Aru 2025; Thagard, 2025b; Block, 2026; Seth, 2026). 

De neurale netwerken waaruit ons brein bestaat, zitten in een lichaam (embodied), en dat lichaam heeft ook nog eens veel interactie met de omgeving (embedded). Ons bewustzijn is erg gevoelig voor lichamelijke veranderingen (o.a. hormonen, bloedsuikerspiegel, neurotransmitters) die niet rekenkundig zijn. Het zou daarom goed kunnen dat onze vorm van bewustzijn slechts mogelijk is in een biologisch brein, in een lichaam, in interactie met de omgeving. Ik neig naar dit kamp wat onze vorm van bewustzijn betreft (zie ook Klink, 2023a). 

Dit sluit evenwel niet uit dat AI een andere vorm van bewustzijn kan ontwikkelen dan de onze. Zullen we ooit weten wat dat is? Hoe dat voelt? Hoe we het kunnen testen? Die vragen lijken me lastig te beantwoorden, in ieder geval op dit moment. Een tussenvorm is zelfs nog denkbaar nu de chips van AI-systemen steeds meer in bouw en werking gaan lijken op echte zenuwcellen en hun interacties (Schuman et al., 2017). Dit geldt nog meer als deze systemen embodied en embedded gaan worden (robots die in dezelfde omgeving als wij gaan opereren, zoals deze), Volgens mij kunnen we dus het beste agnostisch blijven over artificieel bewustzijn.

Conclusie
Ik denk dus dat we met recht kunnen stellen dat de huidige AI-systemen hun antwoorden begrijpen. Ze geven niet alleen juiste antwoorden met juiste verklaringen, maar kunnen dat ook doen bij vragen over complexe denkbeeldige situaties, zoals een niet-bestaande spier in het been. Alternatieve verklaringen hiervoor zonder begrip zijn er niet of zijn circulair. Als we hetzelfde juiste antwoord met verklaring van een student zien als teken van begrip, waarom dan bij AI niet? De filosoof Paul Thagard komt ook tot een vergelijkbare conclusie (Thagard, 2025a).

Als een criticus meent dat we desondanks niet van begrip mogen spreken, zal hij moeten aangeven welk magisch ingrediënt er dan mist. Ook kunnen we hem deze simpele vraag stellen: wanneer zou je wél accepteren dat een AI-systeem begrijpt? 

Dat een AI-systeem begrijpt, betekent niet dat hij ook bewustzijn heeft. De huidige AI-systemen lijken in bepaalde opzichten op hoe ons brein werkt, maar in veel andere opzichten ook niet. Ik denk dat die relevant zijn, waardoor we niet kunnen spreken van bewustzijn, in ieder geval geen vorm die lijkt op de onze. Of en in hoeverre dit in de toekomst kan veranderen, is vooralsnog onzeker. 

Met dank aan Emanuel Rutten en Willem Jan Blom voor stimulerende discussies over deze vraag. 

Referenties
Block, N. (2026). Can only meat machines be conscious?. Trends in Cognitive Sciences, 30, 298-308.

Butlin, P., Long, R., Bayne, T., Bengio, Y., Birch, J., Chalmers, D., ... & VanRullen, R. (2026). Identifying indicators of consciousness in AI systems. Trends in Cognitive Sciences, 30, 488-501.

Damasio, A., & Damasio, H. (2022). Homeostatic feelings and the biology of consciousness. Brain, 145(7), 2231-2235.

Klink, B. (2023a). Kan het brein net zo goed werken zonder bewustzijn? https://www.deatheist.nl/kan-het-brein-net-zo-goed-werken-zonder-bewustzijn/

Klink, B. (2023b). Zijn filosofische zombies mogelijk? https://www.deatheist.nl/zijn-filosofische-zombies-mogelijk/

Kryvosheia, A. (2026). Confabulation and False Memory in Clinical Psychology: A Review of Theoretical Perspectives and Clinical Implications.

Milinkovic, B., & Aru, J. (2025). On biological and artificial consciousness: A case for biological computationalism. Neuroscience & Biobehavioral Reviews, 106524.

Piccinini, G. (2020). Neurocognitive mechanisms: Explaining biological cognition. Oxford University Press.

Seth, A. K. (2025). Conscious artificial intelligence and biological naturalism. Behavioral and Brain Sciences, 1-42.

Sejnowski, T. J. (2024). ChatGPT and the future of AI: The deep language revolution. MIT Press.

Schuman, C. D., Potok, T. E., Patton, R. M., Birdwell, J. D., Dean, M. E., Rose, G. S., & Plank, J. S. (2017). A survey of neuromorphic computing and neural networks in hardware. arXiv preprint arXiv:1705.06963.

Thagard, P. (2025a). Can ChatGPT make explanatory inferences? Benchmarks for abductive reasoning. In Abductive Minds: Essays in Honor of Lorenzo Magnani-Volume 1 (pp. 189-218). Cham: Springer Nature Switzerland.

Thagard, P. (2025b). Dreams, jokes, and songs: How brains build consciousness. Oxford University Press.

Veit, W. (2023). A philosophy for the science of animal consciousness. Routledge

Noot
1 Een voorbeeld van zo'n vraag staat hieronder. Dit voorbeeld heb ik ook gebruikt als prompt voor dit artikel.

Stel je deze (niet bestaande) spier voor:

Origo = caput fibulae

Vervolgens loopt de spier naar distaal toe ventraal over de tibia om vervolgens dorsaal van de malleolus medialis te lopen.

Hierna wordt de spier een pees die zijn insertie heeft op de basis van het os metatarsale I.

Vraag: Welke functies heeft deze spier over het bovenste en onderste spronggewricht?