AI-Publicaties
Een leesgids door de literatuur achter AIWiser
Snel Antwoord
AI-Publicaties is een gestructureerde wegwijzer door de literatuur die onder AIWiser ligt — wetenschappelijke papers, handboeken, rapporten en wetgeving. Geen volledige bibliografie, wel een gids door wat de copiloten van deze site herhaaldelijk als gezaghebbend behandelen. Wij hebben elke vermelde bron gecontroleerd op bestaansrecht en publieke raadpleegbaarheid.
Hoe wij met bronnen werken
Boven elk artikel op AIWiser staat “Door Peter & AI”. Dat is geen marketingclaim, het is hoe wij werken. We werken met meerdere AI-systemen — Claude, Gemini en ChatGPT — als copiloten in de inhoudelijke ontwikkeling van deze site.
Bij belangrijke claims, strategische uitspraken of cijfers vragen we de gebruikte AI’s expliciet welke bronnen hun antwoord onderbouwen. We kruisvalideren waar mogelijk: dezelfde vraag aan een ander model voorleggen en de antwoorden vergelijken.
Voor elke bron hieronder hebben we drie dingen gecontroleerd:
Bestaansrecht — de bron is geen verzonnen verwijzing.
Publieke raadpleegbaarheid — de URL werkt en is voor jou toegankelijk.
Strategische relevantie — de bron heeft inhoudelijk gewicht voor het AIWiser-perspectief.
Wat hier staat is geen lijst die wij volledig hebben gelezen. Het is een wegwijzer voor wie zelf naar de oorsprong wil. Een academische bibliotheek met portier — niet de hele bibliotheek.
Hoe deze pagina is opgebouwd
De bronnen zijn verdeeld over acht hoofdstukken plus een fundament. De structuur is opbouwend, van het algemene naar het specifieke:
De acht hoofdstukken
- 0. Het FundamentDe ankers waarop het hele vakgebied rust.
- 1. Strategie & Business TransformatieRapporten en boeken voor strategen en bestuurders.
- 2. Talent, Skills & ArbeidsmarktHandboeken voor de mechaniek, rapporten over de menselijke kant.
- 3. Kritische Reflectie, Risico’s & EthiekGovernance-kaders, wetenschappelijke tegenstemmen, kritische boeken.
- 4. Samenwerking & Processen (Mens + Machine)De praktijk van mens-AI-samenwerking, RLHF en alignment.
- 5. Technologische Vooruitzichten & ToekomstVisies van frontier labs en de boeken die het toekomstdebat vormgeven.
- 6. De Technische Canon — Papers en DoorbrakenDe wetenschappelijke kernpapers die de huidige AI mogelijk maken.
- 7. Stemmen & CommentaarBloggers en commentatoren die het veld duiden.
0.Het Fundament
De ankerpunten waarop het hele moderne AI-vakgebied rust — historisch, technisch en juridisch.
- McCarthy, Minsky, Rochester & Shannon (1955): A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence Het oorspronkelijke voorstel waarmee de term “Artificial Intelligence” werd geïntroduceerd. Vier wetenschappers die in 1956 acht weken gingen samenwerken op Dartmouth — en daarmee een vakgebied stichtten.
- Russell & Norvig: Artificial Intelligence — A Modern Approach Het canonieke handboek voor het gehele AI-vakgebied. Wereldwijd op universiteiten gebruikt, regelmatig geactualiseerd. Wie één boek over AI bezit, bezit dit boek.
- Donald Knuth: The Art of Computer Programming Het standaardwerk over algoritmes — vier delen, decennia in de maak, nog steeds de referentie. Het computerwetenschappelijke fundament onder alles wat AI doet.
- Rosenblatt (1958): The Perceptron — A Probabilistic Model for Information Storage and Organization in the Brain Het oorspronkelijke paper waarin het kunstmatig neuron werd geïntroduceerd. De biologische metafoor die de hele neurale-netwerk-traditie startte.
- Rumelhart, Hinton & Williams (1986): Learning Representations by Back-Propagating Errors Het Nature-paper dat backpropagation populariseerde — het algoritme dat moderne neurale netwerken trainbaar maakt. Fundament onder de moderne deep learning-revolutie.
- Vaswani et al. (2017): Attention Is All You Need Het paper waarmee acht onderzoekers van Google Brain de Transformer-architectuur introduceerden. De “T” in GPT verwijst hier rechtstreeks naar. Vrijwel elk modern taalmodel — Claude, ChatGPT, Gemini, Llama — is op deze fundering gebouwd.
- EU AI Act — Verordening (EU) 2024/1689 De eerste uitgebreide AI-wetgeving ter wereld, gebaseerd op risicocategorieën. Gefaseerde inwerkingtreding loopt door tot 2027. Voor elke Nederlandse organisatie die AI inzet of ontwikkelt is dit het juridische ijkpunt.
- High-Level Expert Group on AI (Europese Commissie, 2019): Ethics Guidelines for Trustworthy AI Het invloedrijke EU-rapport dat menselijke autonomie en toezicht als kernprincipes voor AI vastlegde. Beleidsfundament onder de latere EU AI Act.
- Goertzel & Pennachin (2007): Artificial General Intelligence Het boek dat de term AGI formeel vestigde als onderscheid van Narrow AI — de conceptuele basis van het vakgebied en startpunt van het moderne AGI-debat.
- Deloitte (2026): The State of AI in the Enterprise Survey van 3.235 leiders in 24 landen. Tweemaal zoveel leiders als vorig jaar rapporteren transformatieve impact, maar slechts 34% herontwerpt daadwerkelijk de business.
- McKinsey (Nov 2025): The State of AI 2025 — Agents, Innovation, and Transformation 1.993 respondenten in 105 landen. 88% van organisaties gebruikt AI in minstens één bedrijfsfunctie, maar slechts 6% behoort tot de “AI high performers” die meer dan 5% EBIT-impact realiseren.
- MIT NANDA (Juli 2025): The GenAI Divide — State of AI in Business 2025 Onderzoek onder 150 organisaties. Conclusie: 95% van enterprise GenAI-pilots levert geen meetbare P&L-impact, ondanks $30–40 miljard aan investeringen. Hoofdoorzaak: het “learning gap” — tools onthouden context niet en leren niet van feedback.
- Microsoft & LinkedIn (2025): Work Trend Index — The Year the Frontier Firm is Born Onderzoek onder 31.000 werknemers in 31 landen. Introduceert het concept Frontier Firm: organisaties met hybride mens-agent teams. 71% van werknemers daar zegt dat hun bedrijf bloeit, tegen 37% globaal.
- Microsoft & LinkedIn (2024): Work Trend Index Eerdere editie van het jaarlijkse onderzoek dat het werkelijke AI-gebruik bij medewerkers documenteert. Toonaangevende bron voor de schaal van Shadow AI in moderne werkomgevingen.
- Anthropic Economic Index (lopend, 2025–2026) Privacy-preserving analyse van miljoenen Claude-conversaties, gekoppeld aan O*NET-beroepscategorieën. Open data beschikbaar voor onderzoekers.
- OECD (2025): AI, Data Governance and Privacy Synthese van AI-beleid, kapitaalstromen en governance-uitdagingen in OECD-landen.
- PwC (2025): Global CEO Survey Jaarlijks onderzoek naar AI-prioriteiten en investeringsbereidheid van CEO’s wereldwijd.
- Accenture (2025): Technology Vision Analyse van hoe bedrijven hun kernprocessen herontwerpen rond generatieve en agentic AI.
- Mario Draghi (2024): The Future of European Competitiveness Draghi’s invloedrijke rapport over Europese economische strategie, met expliciete aandacht voor AI-soevereiniteit en de positie van Europa in de wereldwijde AI-markt.
- Iansiti & Lakhani: Competing in the Age of AI (Harvard Business Review Press, 2020) Werk over algoritmische bedrijfsmodellen en operationele schaal zonder hoofdtelling-groei.
- Brotman & Sack: AI First — The Playbook (2024) Praktische gids voor merk- en bedrijfsstrategie in een AI-first markt.
- Ethan Mollick: Co-Intelligence — Living and Working with AI (Penguin, 2024) Bestseller over hoe individuen en teams effectief met LLM’s samenwerken. Mollicks blog “One Useful Thing” combineert wetenschap en praktijk.
- Tom Mitchell: Machine Learning Klassiek handboek dat de basisprincipes van machine learning toegankelijk uitlegt. Decennia oud, maar nog steeds een goede start.
- Hastie, Tibshirani & Friedman: The Elements of Statistical Learning Het standaardwerk over statistische leertheorie — fundament onder alle supervised learning. Diepgaande behandeling van overfitting, bias-variance tradeoff en regularisatie. Vrij beschikbaar als PDF.
- Goodfellow, Bengio & Courville: Deep Learning Het standaard handboek over deep learning, vrij beschikbaar online en wereldwijd gebruikt op universiteiten. Geschreven door drie Turing Award-winnaars. Onmisbaar voor wie technisch diep wil leren.
- Michael Nielsen: Neural Networks and Deep Learning Toegankelijk online boek dat neurale netwerken stap voor stap uitlegt — vrij beschikbaar.
- Sutton & Barto: Reinforcement Learning — An Introduction Het standaardwerk over reinforcement learning, vrij beschikbaar als PDF. Onmisbaar voor wie de techniek achter agents en RLHF wil begrijpen.
- World Economic Forum (Jan 2025): The Future of Jobs Report 2025 Onderzoek onder 1.000+ werkgevers, vertegenwoordigend 14 miljoen werknemers in 22 industrieën en 55 economieën. Voorspelt netto +78 miljoen banen tegen 2030. 39% van de kerntaken op de werkvloer verandert tegen 2030; 85% van werkgevers prioriteert reskilling.
- Stanford HAI (April 2026): AI Index Report 2026 Negende editie, ruim 400 pagina’s. Jaarlijkse benchmark voor AI-trends in onderzoek, economie, onderwijs en publieke opinie. Geproduceerd door een onafhankelijke steering committee zonder financieel belang in modelontwikkeling.
- BCG (2025): AI at Work — Friend and Foe Onderzoek onder 13.000 werknemers naar adoptie, vertrouwen en angst rond AI op de werkvloer.
- Microsoft & LinkedIn (2024): AI at Work Is Here — Now Comes the Hard Part Voorganger van de Frontier Firm-editie, met focus op hoe medewerkers AI gebruiken om werkdruk te verlagen.
- OECD: The Impact of AI on the Workplace Internationaal vergelijkend onderzoek van de OECD over AI-arbeidsmarktimpact in lidstaten — productiviteit, werkgelegenheid en vaardigheden.
- CBS: AI en de Nederlandse arbeidsmarkt Nederlandse cijfers over AI-impact op werkgelegenheid, lonen en sectoren — direct relevant voor de Nederlandse strategische context.
- GPT-NL (TNO/SURF/NFI): Progress Reports Het Nederlandse soevereine taalmodel, gefinancierd door het ministerie van Economische Zaken. Voor wie de Nederlandse AI-positie wil begrijpen is dit een concrete bron.
- John Maynard Keynes (1930): Economic Possibilities for our Grandchildren Het klassieke essay dat technologische werkloosheid als concept introduceerde — fundament van het hele debat. Bijna een eeuw oud, nog steeds gelezen.
- Acemoglu & Johnson (2023): Power and Progress — Our Thousand-Year Struggle Over Technology and Prosperity Het invloedrijke boek van Nobelprijswinnaar Acemoglu over hoe technologie en welvaart zich tot elkaar verhouden — niet automatisch, niet vanzelfsprekend.
- Fei-Fei Li: The Worlds I See (Flatiron Books, 2023) Memoir van de “Godmother of AI” met reflectie op de menselijke kant van AI-ontwikkeling.
- Jim Stolze: Algoritmisering Nederlandstalige introductie voor de zakelijke markt — toegankelijk voor wie nog vertaald wil lezen wat er gebeurt.
- EU AI Act (2024) — Verordening 2024/1689 Zie hoofdstuk 0. Hier in context van risicocategorieën en compliance-eisen.
- NIST (2023): AI Risk Management Framework (AI RMF 1.0) Vrijwillig raamwerk voor AI-risicomanagement met de cyclus Govern–Map–Measure–Manage. Door 240+ organisaties mede-ontwikkeld. Sluit aan op ISO/IEC 42001.
- NIST (2024): Generative AI Profile (NIST AI 600-1) Specifieke aanvulling op de AI RMF voor generatieve systemen.
- Anthropic: Responsible Scaling Policy Het beleid dat capability-deployment koppelt aan veiligheidsbevoegdheden — wordt door andere labs als model gebruikt voor hun eigen scaling-beleid.
- UK AI Security Institute (Dec 2025): Frontier AI Trends Report Eerste publieke synthese van twee jaar evaluaties van 30+ frontier modellen. Documenteert dat capaciteiten in sommige domeinen elke acht maanden verdubbelen, maar safeguards niet meeschalen.
- Europese Commissie: AI Act Implementation Guidelines Officiële implementatierichtlijnen van de Europese Commissie bij de EU AI Act — praktisch referentiepunt voor wie de wetgeving wil toepassen.
- European AI Office: Codes of Practice voor GPAI Gedragscodes van het European AI Office voor General Purpose AI — het EU-kader voor grote modellen als GPT en Claude.
- Future of Life Institute: EU AI Act Compliance Checker Praktische compliance-tool waarmee organisaties kunnen toetsen welke verplichtingen de EU AI Act voor hen meebrengt.
- Future of Life Institute (2023): Pause Giant AI Experiments — Open Letter De open brief ondertekend door meer dan 1.000 AI-onderzoekers en -leiders die een tijdelijke pauze in frontier AI-ontwikkeling bepleitten — een mijlpaal in het publieke veiligheidsdebat.
- Rijksoverheid: Aanpak online beeldmateriaal zonder toestemming Nederlands beleidskader voor de aanpak van non-consensueel deepfake-materiaal — relevant voor organisaties die mediaverificatie serieus nemen.
- Coalition for Content Provenance and Authenticity (C2PA) De industriestandaard voor het embedden van herkomstinformatie in digitale content — de technische basis voor deepfake-watermarking en authenticatiesystemen.
- DAIR — Distributed AI Research Institute Onafhankelijk AI-onderzoeksinstituut opgericht door Timnit Gebru — focust op maatschappelijke schade en kritische perspectieven op AI-ontwikkeling.
- MIRI — Machine Intelligence Research Institute Onderzoeksinstituut dat zich richt op de wiskundige fundamenten van AI-veiligheid en alignment-onderzoek voor superintelligente systemen.
- Christiano et al. (2017): Deep Reinforcement Learning from Human Preferences Het paper dat de basis legde voor RLHF — de techniek achter moderne AI-assistenten zoals ChatGPT en Claude.
- Ouyang et al. (2022): Training Language Models to Follow Instructions with Human Feedback Het InstructGPT-paper dat RLHF toepasbaar maakte op grote taalmodellen — directe voorganger van ChatGPT.
- Bai et al. (Anthropic, 2022): Constitutional AI — Harmlessness from AI Feedback Het paper waarin Constitutional AI als techniek werd geïntroduceerd — een alternatief voor pure RLHF dat AI gebruikt om AI bij te sturen volgens vastgelegde principes.
- Wu et al. (2022): A Survey of Human-in-the-loop for Machine Learning Systematisch overzicht van HITL-architecturen en -patronen in moderne machine learning. Goed startpunt voor wie de literatuur in detail wil lezen.
- DeepMind (2023, geactualiseerd 2025): Levels of AGI — Operationalizing Progress on the Path to AGI Wetenschappelijk kader voor de gradaties van algemene AI-intelligentie — een poging om het AGI-debat meetbaar te maken.
- Anthropic (2023): Core Views on AI Safety Formele veiligheidspositie van een toonaangevend frontier lab — waarom Anthropic veiligheid centraal stelt en hoe het dat doet.
- OpenAI (2023): Planning for AGI and beyond Strategische visie van OpenAI op AGI-ontwikkeling.
- GPT-NL Progress Reports (2025/2026) Voortgang van het Nederlandse soevereine taalmodel — concreet bewijs van de Europese AI-soevereiniteits-discussie.
- Eindhoven AI Systems Institute (EAISI) Onderzoek naar AI in de Nederlandse maakindustrie.
- NVIDIA GTC Keynotes (2025–2026) Jaarlijkse hardware-roadmap waarin de fysieke grenzen van AI-schaling zichtbaar worden.
- Mistral AI: Open Models Mistral’s documentatie over hun open-weights modellen — Europa’s belangrijkste foundation-model-leverancier en bewijs dat soevereine AI mogelijk is.
- Morris et al. (Microsoft Research, 2023): Sparks of Artificial General Intelligence — Early Experiments with GPT-4 Het invloedrijke paper dat vroege tekenen van AGI-achtig gedrag in GPT-4 documenteerde en een storm van debat ontketende over wat AGI precies inhoudt.
- Chollet (2019): On the Measure of Intelligence Het paper dat de ARC-benchmark introduceerde als maatstaf voor algemene intelligentie — nog steeds de meest gebruikte AGI-drempel in 2026.
- Nick Bostrom: Superintelligence — Paths, Dangers, Strategies (Oxford University Press, 2014) Het boek dat het moderne x-risk-debat vorm gaf, met systematische uitwerking van de risico-argumenten voor superintelligente AI.
- Stuart Russell: Human Compatible — Artificial Intelligence and the Problem of Control (Viking, 2019) Hoogleraar in Berkeley — een van de grondleggers van AI-onderzoek — over het probleem van AI-controle en waarom alignment fundamenteler is dan algemeen aangenomen.
- Mustafa Suleyman: The Coming Wave (Crown, 2023) Geschreven door de mede-oprichter van DeepMind en Inflection AI. Over de samenloop van AI en biotechnologie.
- Kai-Fu Lee: AI Superpowers (Houghton Mifflin Harcourt, 2018) De geopolitieke strijd tussen de VS en China om AI-dominantie.
- Parmy Olson: Supremacy — AI, ChatGPT and the Race That Will Change the World (Macmillan / St. Martin’s Press, 2024) Winnaar Financial Times Business Book of the Year 2024. De machtsstrijd achter de schermen van OpenAI en DeepMind.
- Christopher Summerfield: These Strange New Minds — How AI Learned to Talk and What It Means (Viking, 2025) Cognitiewetenschapper bij Google DeepMind over de psychologie van LLM’s.
- Devlin et al. (2018): BERT — Pre-training of Deep Bidirectional Transformers for Language Understanding Het BERT-paper dat encoder-only Transformers in NLP populariseerde.
- Brown et al. (2020): Language Models are Few-Shot Learners Het GPT-3 paper dat de doorbraak naar grootschalige LLM’s markeerde — en few-shot prompting populariseerde.
- Bommasani et al. (Stanford, 2021): On the Opportunities and Risks of Foundation Models Het paper dat de term “foundation models” introduceerde en het concept als wetenschappelijk vakgebied vestigde.
- Kaplan et al. (2020): Scaling Laws for Neural Language Models Het paper dat de empirische scaling laws vaststelde — de basis voor de schaalstrategie van moderne foundation models.
- Mikolov et al. (2013): Efficient Estimation of Word Representations in Vector Space (Word2Vec) Het paper dat de moderne embedding-techniek introduceerde — woorden als vectoren in de wiskundige ruimte.
- Wei et al. (2022): Chain-of-Thought Prompting Elicits Reasoning in Large Language Models Het paper dat aantoonde hoe specifieke prompttechnieken de kwaliteit van LLM-output drastisch verbeteren.
- Wei et al. (2022): Emergent Abilities of Large Language Models Het paper dat het tegenargument tegen “stochastic parrots” formaliseerde — moderne LLM’s vertonen mogelijk capaciteiten die voorbij stochastic parroting gaan.
- Bahdanau, Cho & Bengio (2014): Neural Machine Translation by Jointly Learning to Align and Translate Het oorspronkelijke paper dat attention introduceerde voor neurale machinevertaling. Historische voorganger van het moderne self-attention.
- Dao et al. (2022): FlashAttention — Fast and Memory-Efficient Exact Attention Doorbraakpaper voor efficiënte attention-implementatie op grote schaal. Onmisbaar voor het opschalen van context windows naar 100K+ tokens.
- Liu et al. (2023): Lost in the Middle — How Language Models Use Long Contexts Documenteerde het “lost in the middle”-fenomeen. Fundament voor het begrijpen van praktische grenzen aan grote context windows.
- Google DeepMind (2024): Gemini 1.5 — Unlocking Multimodal Understanding Across Millions of Tokens of Context Mijlpaal-rapport waarin Google DeepMind de doorbraak naar 1M+ token context windows in productie documenteerde.
- Gu & Dao (2023): Mamba — Linear-Time Sequence Modeling with Selective State Spaces Het paper dat het eerste serieuze Transformer-alternatief presenteerde — state-space models met lineaire schaling. Relevant voor wie de toekomst van AI-architecturen volgt.
- Belkin, Hsu, Ma & Mandal (2019): Reconciling Modern Machine-Learning Practice and the Classical Bias–Variance Trade-off Het paper dat het “double descent”-fenomeen documenteerde — moderne nuancering op klassieke overfitting-theorie en aanwijzing waarom mega-modellen soms verbluffend goed generaliseren.
- Cheng et al. (2024): Dated Data — Tracing Knowledge Cutoffs in Large Language Models Onderzoek dat het “knowledge horizon”-effect documenteerde — hoe modellen substantieel minder weten over periodes vlak voor cutoff.
- Dosovitskiy et al. (2020): An Image is Worth 16×16 Words — Vision Transformers Het paper dat aantoonde dat Transformers ook voor beeld werken — de architectuur achter moderne computer vision.
- Schaeffer et al. (2023): Are Emergent Abilities of Large Language Models a Mirage? Het paper dat het emergent abilities-fenomeen kritisch onderzocht — betoogt dat veel “emergentie” een artefact is van de gekozen metric, niet van werkelijke capaciteitsdrempels.
- Inverse Scaling Prize Initiatief dat onderzoek verzamelt naar taken waarbij grotere modellen slechter presteren — het tegengewicht op de scaling hypothesis.
- Hoffmann et al. (DeepMind, 2022): Training Compute-Optimal Large Language Models (Chinchilla) Het paper dat aantoonde dat de verhouding modelgrootte/trainingsdata bepalend is voor prestaties — een inzicht dat de race naar grotere modellen nuanceerde en efficiënte kleine modellen bevoordeelde.
- Radford et al. (OpenAI, 2018): GPT-1 — Improving Language Understanding by Generative Pre-Training Het paper dat self-supervised pretraining van taalmodellen vestigde als dominante aanpak — het begin van de foundation model-revolutie.
- Wei et al. (Google, 2021): Finetuned Language Models Are Zero-Shot Learners (FLAN) Het baanbrekende paper dat aantoonde dat instruction tuning op honderden taken leidt tot sterke generalisatie naar nieuwe taken — de wetenschappelijke basis van het vakgebied.
- Wang et al. (2023): Self-Instruct — Aligning Language Models with Self-Generated Instructions Het paper dat de methode introduceerde om modellen hun eigen instructiedata te laten genereren — fundament onder de democratisering van instruction tuning via synthetische data.
- Shazeer et al. (Google, 2017): Outrageously Large Neural Networks — The Sparsely-Gated Mixture-of-Experts Layer Het paper dat Sparse MoE voor neurale netwerken introduceerde — de architecturale basis van alle moderne MoE-modellen zoals Mixtral en GPT-4.
- Fedus, Zoph & Shazeer (Google, 2022): Switch Transformers — Scaling to Trillion Parameter Models with Simple and Efficient Sparsity Het paper dat aantoonde dat Sparse MoE schaalbaar is naar biljoen-parameter modellen — de architectuurvalidatie op grote schaal.
- Jiang et al. (Mistral AI, 2024): Mixtral of Experts Het paper dat Mixtral 8x7B introduceerde — het meest gebruikte open-source Sparse MoE-model en praktisch bewijs van de kosten-kwaliteitsvoordelen van de architectuur.
- Silver et al. (2016): Mastering the Game of Go with Deep Neural Networks and Tree Search Het paper achter AlphaGo — de doorbraak die reinforcement learning op de wereldkaart zette.
- OpenAI (2024): Learning to Reason with LLMs Het oorspronkelijke OpenAI-paper waarin de o1-aanpak en test-time compute werden geïntroduceerd.
- DeepSeek (2025): DeepSeek-R1 — Incentivizing Reasoning Capability in LLMs Het DeepSeek-paper dat open-source reasoning-modellen op o1-niveau bracht — een mijlpaal voor open AI-ontwikkeling.
- Snell et al. (2024): Scaling LLM Test-Time Compute Optimally Onderzoek van Google DeepMind naar de optimale schaalstrategie voor test-time compute.
- Ho et al. (2020): Denoising Diffusion Probabilistic Models Het paper dat diffusion models in moderne vorm introduceerde — fundament onder Stable Diffusion en opvolgers.
- Rombach et al. (2022): High-Resolution Image Synthesis with Latent Diffusion Models Het paper achter Stable Diffusion — de doorbraak die beeldgeneratie democratiseerde.
- Peebles & Xie (2023): Scalable Diffusion Models with Transformers (DiT) Het paper achter Diffusion Transformers — de architectuur achter Sora en Stable Diffusion 3.
- Radford et al. (2021): Learning Transferable Visual Models From Natural Language Supervision (CLIP) Het paper dat de moderne multimodale aanpak vormgaf — tekst en beeld in één gedeelde representatieruimte.
- OpenAI (2023): GPT-4V System Card Officiële documentatie van GPT-4 met vision-capaciteiten. Mijlpaal in de mainstreaming van multimodale AI bij grote modellen.
- Liu et al. (2023): Visual Instruction Tuning (LLaVA) Het paper achter LLaVA — een belangrijk open-source multimodaal model dat het veld toegankelijk maakte voor onderzoek en kleinere ontwikkelaars.
- Szeliski (2022): Computer Vision — Algorithms and Applications Het toonaangevende handboek voor Computer Vision, vrij beschikbaar online. Onmisbaar voor wie de techniek diep wil leren.
- Goodfellow et al. (2014): Generative Adversarial Nets Het oorspronkelijke GAN-paper van Ian Goodfellow — een van de meest geciteerde AI-papers ooit en het startpunt van de generatieve AI-revolutie vóór diffusiemodellen.
- Karras et al. (NVIDIA, 2019): A Style-Based Generator Architecture for Generative Adversarial Networks (StyleGAN) Het paper dat StyleGAN introduceerde — de meest invloedrijke GAN-variant voor fotorealistische gezichtsgeneratie en de technische basis van geavanceerde deepfakes.
- Civitai Het centrale community-platform voor open-source beeldgeneratie-modellen, met name LoRA-adapters voor Stable Diffusion — een van de meest actieve open-source AI-communities ter wereld.
- Krizhevsky, Sutskever & Hinton (2012): ImageNet Classification with Deep Convolutional Neural Networks Het AlexNet-paper dat de deep learning-doorbraak in 2012 markeerde — het moment waarop neural networks de mainstream raakten.
- LeCun, Bengio & Hinton (2015): Deep Learning Toonaangevend overzichtsartikel in Nature door de drie “godfathers of deep learning” — een mijlpaal-publicatie die het veld verdedigde tegen scepsis.
- Pan & Yang (2010): A Survey on Transfer Learning Klassiek overzichtsartikel dat transfer learning als vakgebied definieerde.
- Hu et al. (2021): LoRA — Low-Rank Adaptation of Large Language Models Het paper achter LoRA — de techniek die efficiënt fine-tuning van grote modellen mogelijk maakt.
- Dettmers et al. (2023): QLoRA — Efficient Finetuning of Quantized LLMs Het paper dat fine-tuning op consumentenhardware mogelijk maakte.
- Liu et al. (2024): DoRA — Weight-Decomposed Low-Rank Adaptation Het paper dat DoRA introduceerde — een verfijning van LoRA die de magnitude en richting van gewichten apart optimaliseert voor betere fine-tuning kwaliteit.
- Wolf et al. (2020): Transformers — State-of-the-Art Natural Language Processing Het paper dat de Hugging Face Transformers-bibliotheek introduceerde — de technische ruggengraat van het open-source AI-ecosysteem met meer dan 130.000 GitHub-sterren.
- Howard et al. (Google, 2017): MobileNets — Efficient Convolutional Neural Networks for Mobile Vision Applications Het paper dat MobileNet introduceerde — de architectuur die efficiënt edge-deployment van computer vision mogelijk maakte en de standaard zette voor edge-geoptimaliseerde modellen.
- Yao et al. (2022): ReAct — Synergizing Reasoning and Acting in Language Models Het paper dat het ReAct-patroon introduceerde — een centrale architectuurkeuze voor moderne agentic workflows.
- Wu et al. (Microsoft, 2023): AutoGen — Enabling Next-Gen LLM Applications via Multi-Agent Conversation Het paper achter Microsoft’s AutoGen-framework voor multi-agent LLM-applicaties.
- Lewis et al. (2020): Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks Het oorspronkelijke paper dat RAG als architectuurpatroon introduceerde — fundament onder de moderne praktijk om kennis-beperkingen te omzeilen via retrieval.
- Gao et al. (2023): Retrieval-Augmented Generation for Large Language Models — A Survey Uitgebreid overzichtsartikel over RAG-varianten en best practices.
- Anthropic: Contextual Retrieval Anthropic’s technische blogpost over moderne RAG-best-practices, inclusief contextual chunking.
- LangChain: Documentation De documentatie van het meest gebruikte framework voor agentic workflow-ontwikkeling.
- Shinn et al. (2023): Reflexion — Language Agents with Verbal Reinforcement Learning Het paper dat reflectie als mechanisme voor agent loops introduceerde — agents die leren van eerdere loops door verbale zelfbeoordeling.
- Anthropic (2024): Scaling Monosemanticity — Extracting Interpretable Features from Claude 3 Sonnet Het baanbrekende paper dat sparse autoencoders toepaste op een productie-LLM en miljoenen interpreteerbare features identificeerde.
- Anthropic (2022): Toy Models of Superposition Het paper dat het superpositie-fenomeen formaliseerde — fundament voor moderne interpretability-onderzoek.
- Anthropic: Transformer Circuits Thread Lopende publicatieserie van Anthropic over mechanistic interpretability — toonaangevend voor het veld.
- Sennrich, Haddow & Birch (2016): Neural Machine Translation of Rare Words with Subword Units Het paper dat Byte-Pair Encoding voor moderne NLP populariseerde — fundament onder hoe LLM’s tekst verwerken.
- Kudo & Richardson (2018): SentencePiece — A simple and language independent subword tokenizer Het paper achter SentencePiece, gebruikt door Llama, Mistral en Claude.
- Malkov & Yashunin (2018): Efficient and Robust Approximate Nearest Neighbor Search Using HNSW Het paper achter het HNSW-algoritme — fundament van moderne vector databases.
- OpenAI: Tokenizer Documentation Officiële uitleg van OpenAI over hun tokenizer en hoe je tokens telt — met online tool.
- Pinecone: Vector Database Documentation De technische documentatie van Pinecone — toegankelijke uitleg van vector-database-concepten.
- Qdrant: Open-source Vector Database Documentatie en benchmarks van Qdrant — sterk open-source-alternatief voor commerciële vector databases.
- Petrov et al. (2023): Language Model Tokenizers Introduce Unfairness Between Languages Wetenschappelijk bewijs dat niet-Engelse talen structureel duurder zijn bij AI-gebruik door tokenizer-inefficiëntie — direct relevant voor de Nederlandse context.
- Hugging Face Tokenizers: Documentation Officiële documentatie van de Hugging Face Tokenizers-bibliotheek — de meest gebruikte tokenizer-implementatie in het open-source AI-ecosysteem.
- OWASP (2025): Top 10 for LLM Applications Het toonaangevende beveiligingsraamwerk voor LLM-applicaties. Prompt Injection staat als #1 risico vermeld; basismateriaal voor security-professionals die met AI werken.
- Greshake et al. (2023): Not What You’ve Signed Up For — Compromising Real-World LLM-Integrated Applications with Indirect Prompt Injection Het paper dat indirect prompt injection als systematisch onderzoeksgebied vestigde. Documenteerde aanvalsscenario’s via externe data — fundament voor moderne LLM-security.
- Wallace et al. (OpenAI, 2024): The Instruction Hierarchy — Training LLMs to Prioritize Privileged Instructions OpenAI-onderzoek naar instructie-hiërarchie als trainingsmethode tegen prompt injection. Belangrijke richting in het defensieonderzoek.
- Zou et al. (CMU, 2023): Universal and Transferable Adversarial Attacks on Aligned Language Models Het CMU-onderzoek dat aantoonde dat automatisch gegenereerde adversarial suffixes — voor mensen onleesbare karakter-reeksen — jailbreaks kunnen veroorzaken op meerdere LLM’s tegelijk.
- Wei et al. (2023): Jailbroken — How Does LLM Safety Training Fail? Systematische analyse van waarom jailbreaks werken en welke training-strategieën falen. Fundament voor begrip van de structurele aard van jailbreaking.
- Anthropic (2024): Many-shot Jailbreaking Anthropic-onderzoek waarin een nieuwe jailbreak-techniek en de verdedigingsstrategie publiekelijk werden gedeeld. Voorbeeld van responsible disclosure in de AI-industrie.
- Wu et al. (2022): A Survey of Human-in-the-loop for Machine Learning Systematisch overzicht van HITL-architecturen en -patronen in moderne machine learning. Goed startpunt voor wie de literatuur in detail wil lezen.
- Cyberhaven Research (2023-2024): Shadow AI Reports Onderzoek naar het werkelijke gebruik van AI-tools binnen organisaties. Een van de eerste systematische datasets over Shadow AI — toonaangevend voor de schaal van het fenomeen.
- McMahan et al. (Google, 2017): Communication-Efficient Learning of Deep Networks from Decentralized Data (Federated Learning) Het paper dat federated learning introduceerde — privacybewarende modeltraining op grote schaal zonder ruwe data te delen. Combinatie van edge AI en gedistribueerd leren.
- Anthropic: System Prompts for Claude Anthropic publiceert sinds 2023 systematisch zijn officiële system prompts voor Claude. Een van de weinige openbare voorbeelden van een professionele system prompt op productieniveau.
- Anthropic: Prompt Engineering Guide Uitgebreide, praktische gids voor het ontwerpen van prompts en system instructions. Inclusief patronen en testmethoden.
- Anthropic Documentation: Model Knowledge Cutoffs Officiële Anthropic-documentatie over Claude-modellen, inclusief actuele knowledge cutoffs. Praktisch referentiepunt voor wie met Claude werkt.
- OpenAI Documentation: Prompt Engineering Guide Officiële richtlijnen van OpenAI voor effectieve system messages en prompt design bij GPT-modellen.
- OpenAI Documentation: Model Cards OpenAI’s overzicht van GPT-modellen met trainings-cutoffs. Basisinformatie voor ontwikkelaars die met de OpenAI API werken.
- OpenAI API Documentation Officiële API-documentatie van OpenAI — startpunt voor wie met de GPT-modellen via API wil werken.
- Anthropic API Documentation Officiële API-documentatie van Anthropic voor Claude — inclusief streaming, tool use en vision.
- Google AI for Developers Officiële documentatie van Google voor Gemini en andere AI-modellen via de Google AI API.
- Mistral AI Documentation Officiële documentatie van Mistral AI — het toonaangevende Europese open-source modellab, met uitleg over hun modellen en API.
- Hugging Face: Documentation & Model Hub De officiële documentatie van Hugging Face — startpunt voor alle technische details over de Transformers-bibliotheek, Datasets, PEFT en Spaces. In 2026 meer dan 900.000 modellen beschikbaar.
- Hugging Face PEFT Library De open-source bibliotheek die LoRA, QLoRA en andere parameter-efficiënte fine-tuning methoden implementeert — standaard tooling voor open-source modelaanpassing.
- Apple: Apple Intelligence Foundation Language Models Technisch rapport over Apple’s on-device taalmodellen — een van de meest uitgebreide publieke documentaties van edge AI voor consumenten in 2024.
- Simon Willison: Blog series on Prompt Injection (2022-heden) Een doorlopende publicatieserie van Simon Willison, een van de eerste documenteerders van prompt injection. Toegankelijk voor zowel technisch als niet-technisch publiek — voor velen het entreepunt tot het onderwerp.
- 0. Het FundamentAnkers waarop het hele vakgebied rust.
- 1. Strategie & Business TransformatieVoor strategen en bestuurders.
- 2. Talent, Skills & ArbeidsmarktHandboeken voor de mechaniek, rapporten over de menselijke kant.
- 3. Kritische Reflectie, Risico’s & EthiekGovernance, tegenstemmen, kritische boeken.
- 4. Samenwerking & Processen (Mens + Machine)De praktijk van mens-AI-samenwerking.
- 5. Technologische Vooruitzichten & ToekomstVisies van frontier labs.
- 6. De Technische Canon — Papers en DoorbrakenWetenschappelijke kernpapers.
- 7. Stemmen & CommentaarBloggers en commentatoren die het veld duiden.
1.Strategie & Business Transformatie
Rapporten en boeken voor wie AI als strategische beweging benadert — onderzoek over adoptie, transformatie en marktpositie.
Rapporten
Boeken
2.Talent, Skills & Arbeidsmarkt
Handboeken voor wie de mechaniek wil leren, en rapporten over hoe AI het werk en de arbeidsmarkt verandert.
Handboeken & klassieke werken
Rapporten over arbeidsmarkt
Boeken & essays
3.Kritische Reflectie, Risico’s & Ethiek
Governance-kaders, wetenschappelijke tegenstemmen, kritische boeken — en de Nederlandse instituten die het gesprek voeren.
Governance-kaders
4.Samenwerking & Processen (Mens + Machine)
Hoe mens en AI samenwerken — van de fundamenten van RLHF tot de praktische gidsen voor agents en prompting.
Wetenschappelijke fundamenten
5.Technologische Vooruitzichten & Toekomst
Visies van frontier labs, geopolitieke analyses, en de boeken die de discussie over de komende decennia vormgeven.
Strategische publicaties
Boeken — visies op de toekomst
6.De Technische Canon — Papers en Doorbraken
De wetenschappelijke kernpapers die de huidige AI mogelijk maken. Onderverdeeld in negen subsecties — van taalmodellen tot security. Voor wie wil weten waar de techniek vandaan komt.
6a. Taalmodellen & Architectuur
6b. Reasoning & Test-Time Compute
6c. Beeldgeneratie & Multimodaal
6d. Training & Fine-tuning
6e. Agents & RAG
6f. Mechanistic Interpretability
6g. Tokenization & Vector Search
6h. AI-Veiligheid & Security
Beveiligingsonderzoek rond LLM-applicaties — prompt injection, jailbreaking, adversarial attacks en governance-mechanismen voor menselijk toezicht.
6i. Toepassing & Prompt-engineering
Officiële documentatie van AI-leveranciers over modellen, system prompts en prompt-engineering — een ander register dan academisch onderzoek, maar onmisbaar voor wie met deze systemen werkt.
7.Stemmen & Commentaar
Bloggers en commentatoren die het AI-veld duiden — geen academische publicaties, maar wel centrale referentiepunten voor wie het vakgebied volgt. Deze rubriek groeit met de site mee.
AI-Publicaties in het AIWiser-ecosysteem
De publicaties hierboven keren terug als de meest genoemde fundamenten onder de adviezen die wij verwerken in onze andere hubs:
De AI-Strategie put uit hoofdstuk 1 (Strategie) en hoofdstuk 3 (Governance).
Het AI-Groeimodel bouwt op hoofdstuk 2 (Talent) en hoofdstuk 4 (Mens + Machine).
De AI-Rollen bouwen op WEF, Microsoft Work Trend Index en Stanford HAI uit hoofdstuk 2.
De AI-Begrippen verwijzen voortdurend naar de wetenschappelijke canon uit hoofdstuk 6.
De AI Top 100 Tools — tools die de bronnen tot werkende producten maken.
Hoe deze pagina groeit
Deze lijst is geen statisch document. Hij groeit elke maand mee — met de bronnen die onze AI-copiloten als gezaghebbend behandelen, en met de vraagstukken die wij als regisseurs voorleggen. Wat hier vandaag staat is een momentopname; over een jaar zal de canon op sommige plekken anders zijn.