Soevereine AI in de praktijk: wat Japans LLM-jp-4 ons leert

Soevereine AI is geen slogan maar een keuze over transparantie

De ontwikkeling van grote taalmodellen is geconcentreerd in een klein aantal bedrijven en regio's, en bij veel state-of-the-art modellen wordt het volledige ontwikkelproces niet publiek gemaakt. Die concentratie en geslotenheid creëren twee problemen die LLM-jp-4 expliciet benoemt: afhankelijkheid van externe LLM-ontwikkelaars beperkt het vermogen van landen en regio's om AI-systemen te bouwen die aan hun eigen taalkundige en maatschappelijke behoeften voldoen, en de geslotenheid maakt het voor buitenstaanders onmogelijk om te analyseren hoe de capaciteiten, beperkingen en risico's van een model ontstaan.

Het Japanse LLM-jp-consortium pakt beide problemen aan met één keuze die het verschil maakt: niet alleen de modelgewichten vrijgeven, maar het volledige ontwikkelproces publiek maken. Het resultaat is een modelgezin met een 8B-dense-model en een 32B-A3B-mixture-of-experts-model, beide vanaf nul getraind op zo'n twaalf biljoen tokens, beschikbaar op Hugging Face onder de Apache 2.0-licentie. De evaluatie toont substantiële verbetering over de vorige LLM-jp-generatie en concurrerende prestaties met open-weight-modellen van vergelijkbare schaal.

Waarom open gewichten niet genoeg zijn

De centrale redenering van het paper is dat het vrijgeven van de uiteindelijke gewichten alleen onvoldoende is om te begrijpen hoe de capaciteiten en eigenschappen van een model ontstaan. Prestaties en gedrag worden gevormd gedurende het hele traject: de trainingsdata, de datavoorverwerking, de trainingsdoelen en de optimalisatiemethoden. Wie alleen de gewichten vrijgeeft, geeft het eindproduct maar niet de herkomst.

LLM-jp-4 maakt in plaats daarvan expliciete selectiecriteria vast voor drie dingen die normaal gesproken gesloten blijven: de trainingsdata, de externe modellen en de software. Die criteria nemen juridische en licentiële vereisten in acht, én de haalbaarheid van onafhankelijke verificatie en reproductie. Dat is de kern van wat dit paper soevereine AI in de praktijk maakt: soevereiniteit wordt hier niet geclaimd, maar aantoonbaar gemaakt door een derde partij in staat te stellen het hele proces te verifiëren en te reproduceren.

Dit is precies het onderscheid dat in de meeste soevereine-AI-discussies onderbelicht blijft. Een soeverein model dat gesloten blijft, is slechts een nationale leverancier in plaats van een buitenlandse, de afhankelijkheid verschuift, maar verdwijnt niet. Echte soevereiniteit vereist dat de afhankelijkheid vervangbaar is: dat een andere partij het model kan analyseren, verder kan ontwikkelen en kan hertrainen zonder op de oorspronkelijke ontwikkelaar te zijn aangewezen. Open gewichten alleen maken dat niet waar; een open proces wel.

De architectonische les: reproduceerbaarheid als vereiste

Voor organisaties die soevereine of kritieke AI-infrastructuur plannen, is de les van LLM-jp-4 concreet: maak reproduceerbaarheid een ontwerpvereiste vanaf het begin, niet een achteraf-document. Het consortium stelt de selectiecriteria vast vóór de training, niet na de release, en behandelt de haalbaarheid van onafhankelijke verificatie als een eerste-ordecriterium naast modelkwaliteit.

Die keuze heeft een meetbaar gevolg. Wanneer de trainingsdata, de externe modellen en de software allemaal aan gepubliceerde criteria voldoen, kan een toezichthouder, een auditor of een klant beoordelen wát er in het model is gegaan, een vraag die bij een gesloten model alleen met een leveranciersbelofte wordt beantwoord. Voor de Nederlandse publieke sector, waar aanbestedingen steeds vaker vragen om aantoonbare transparantie en herkomst van AI-componenten, is dat het verschil tussen een claim en een verifieerbaar feit.

De vergelijking met de Nederlandse situatie hoeft hier niet expliciet te worden gemaakt om de boodschap helder te laten zijn: de vraag die dit paper impliciet stelt aan elk soeverein-AI-initiatief is niet "bouwen we zelf een model", maar "kunnen we aantonen hoe ons model is gebouwd, en kan iemand anders dat onafhankelijk verifiëren". Wie die tweede vraag niet kan beantwoorden, heeft de eerste nog niet werkelijk beantwoord.

Wat er nog ontbreekt

Een eerlijke lezing erkent de grenzen. LLM-jp-4 is een modelgezin voor de Japanse taalcontext; de 12T-tokens-training en de evaluatie zijn Japans-gecentreerd, en de conclusies over soevereiniteit vertalen niet één-op-één naar elke andere taal of regio. Het paper documenteert bovendien principes en procedures, maar de werkelijke toets van reproduceerbaarheid is of een onafhankelijke derde partij het proces daadwerkelijk kan herhalen, een belofte die pas bewezen wordt wanneer iemand het doet.

De blijvende waarde zit niet in het model zelf, maar in het bewijs van een principe: soevereine AI is een ontwerpkeuze over transparantie en reproduceerbaarheid, niet een eigenschap die automatisch volgt uit het feit dat een model lokaal of door een nationale partij is gebouwd. LLM-jp-4 maakt die keuze expliciet, en daarmee leert het de rest van de wereld waarop een soeverein-AI-claim eigenlijk getoetst moet worden.