Gezaagde Intelligentie: Waarom AIs Olympische Problemen Oplossen maar Struikelen over Schoolwiskunde

De kunstmatige intelligentie-gemeenschap vierde een opmerkelijke mijlpaal in 2025 toen zowel Google DeepMind (GOOGL ) als OpenAI-systemen een gouden medaille behaalden op de Internationale Wiskunde Olympiade. Deze AI-modellen losten problemen op die alleen een handvol van ‘s werelds slimste jonge wiskundigen konden oplossen. Toch struikelden dezezelfde systemen vaak als ze werden gevraagd om basisarithmetica uit te voeren die elke middelbare scholier gemakkelijk kon doen. Deze opvallende paradox onthult iets fundamenteels over de aard van kunstmatige intelligentie vandaag. We getuigen van de opkomst van wat alleen maar gezaagde intelligentie kan worden genoemd, waar machines superieure capaciteiten tonen in bepaalde domeinen, terwijl ze falen bij taken die wij elementair vinden.

De Olympische Overwinning

De Internationale Wiskunde Olympiade is de toonaangevende standaard in pre-universitaire wiskundewedstrijden. Elk jaar nemen de slimste jonge wiskundigen uit de hele wereld zes problemen aan die diepe inzichten, creatief denken en geavanceerde bewijsmethoden vereisen. In 2025 scoorden AI-systemen van zowel Google DeepMind als OpenAI 35 van de 42 punten, genoeg om gouden medailles te verdienen. DeepMinds AlphaGeometry 2 loste een complex geometrisch probleem op in slechts 19 seconden, terwijl AlphaProof problemen in getaltheorie en algebra oploste die de meeste menselijke deelnemers verwarden.

De Elementaire Strijd

Dezelfde AI-systemen die goud winnen bij Olympische problemen, falen vaak bij taken die triviaal lijken. Als je ze bijvoorbeeld vraagt om grote getallen te vermenigvuldigen, kunnen ze verkeerde antwoorden produceren. Als je andere basisarithmetische operaties probeert uit te voeren, wordt hun prestatie onvoorspelbaar. Het probleem is niet beperkt tot eenvoudige berekeningen. Deze systemen worstelen vaak met woordproblemen die het volgen van meerdere hoeveelheden, het begrijpen van de werkelijke context of het toepassen van basisarithmetische operaties in sequentie vereisen.

De Architectuurparadox

Het contrast tussen de Olympische overwinning en de arithmetische mislukking onthult een diepere architectonische kwestie. Moderne AI-systemen excelleren in problemen die kunnen worden opgelost door patroonherkenning, logische deductie en systematische zoektocht door oplossingsruimtes. Olympische problemen, ondanks hun moeilijkheid, hebben vaak elegante structuren die AI kan exploiteren. De systemen kunnen verschillende bewijsstrategieën onderzoeken, logische stappen verifiëren en bouwen op gevestigde wiskundige kaders. Ze opereren in een wereld van symbolen en regels waar consistentie en logica de overhand hebben.

Trainingsdata en Hun Beperkingen

De capaciteiten van AI hangen grotendeels af van de kwaliteit en aard van de trainingsdata. Wiskundige bewijzen en geavanceerde problemen verschijnen vaak in goed gestructureerde formaten online. Academische papers, leerboeken en educatieve bronnen bieden duidelijke voorbeelden van wiskundige redenering. Het internet bevat uitgebreide discussies over wiskundige concepten, bewijsmethoden en probleemoplossingsstrategieën. Deze rijke corpus stelt AI-systemen in staat om geavanceerd wiskundig denken te leren.

Implicaties voor AI-ontwikkeling

Dit ongelijkmatige patroon van intelligentie heeft cruciale implicaties voor de manier waarop we AI-systemen ontwerpen en gebruiken. We kunnen niet aannemen dat succes in complexe taken betekent dat ze competent zijn in eenvoudigere taken. Een AI die in staat is om wiskundige stellingen te bewijzen, kan falen bij het balanceren van een chequeboek. Een systeem dat computercode schrijft, kan worstelen met basis tellen. Deze realiteit vereist zorgvuldige overweging van AI-capaciteiten en -beperkingen in reële toepassingen.

De Weg Vooruit

Het erkennen van gezaagde intelligentie biedt een duidelijkere richting voor het bouwen van meer capabele AI-systemen. Onderzoekers ontwikkelen methoden om computationele tools in taalmodellen te integreren, waardoor ze basisarithmetica kunnen delegeren aan rekenmachines. Nieuwe trainingsstrategieën richten zich op het leren van modellen wanneer ze externe tools moeten gebruiken in plaats van elke vaardigheid te internaliseren. Deze aanpak spiegelt menselijke intelligentie, waarbij we ons op calculators verlaten voor berekeningen en onze mentale inspanning reserveren voor hogere niveaus van redeneren.

De Kern

AI’s succes bij het oplossen van Olympische problemen maar falen bij eenvoudige wiskunde toont aan dat intelligentie niet gelijkmatig ontwikkelt. Deze systemen kunnen briljant zijn in één gebied en zwak in een ander. Het begrijpen van dit ongelijkmatige patroon is belangrijk voor hoe we AI ontwerpen en gebruiken. In plaats van te verwachten dat één model alles doet, kunnen we verschillende benaderingen combineren die de sterktes van elk systeem benutten. Echte vooruitgang zal komen van het bouwen van AI die betrouwbaar werkt in de praktijk, niet van het aannemen dat het goed is in elke taak.