De AI die zichzelf leert is geen sciencefiction meer

Opkomende AI-kaders bewegen zich in de richting van een radicale sprong: machines die zichzelf verbeteren, zonder menselijke inzicht.

Jarenlang bleven zelfs de meest geavanceerde AI-modellen passieve motoren, die voorspellingen deden op basis van trainingsgegevens die ze niet konden wijzigen. Maar vandaag is het niet de grootte van het model dat het volgende hoofdstuk van kunstmatige intelligentie definieert; het is of het model zichzelf kan ontwikkelen.

Onlangs hebben onderzoekers van het MIT een nieuw AI-kader genaamd Self-Adapting LLMs (SEAL) onthuld. Deze aanpak stelt grote taalmodellen (LLM’s) in staat om zichzelf autonoom te verbeteren, waardoor AI zijn eigen beperkingen kan diagnosticeren en zijn eigen neurale gewichten permanent kan bijwerken via een interne feedbacklus die wordt aangedreven door versterking van het leren. In plaats van dat onderzoekers fouten moeten opsporen, nieuwe prompts moeten schrijven of extra voorbeelden moeten invoeren, neemt het model de volledige verantwoordelijkheid voor zijn evolutie.

“Grote taalmodellen (LLM’s) zijn krachtig maar statisch; ze missen mechanismen om hun gewichten aan te passen als reactie op nieuwe taken, kennis of voorbeelden,” schreven de onderzoekers van het MIT in een blogbericht. “Experimenten met kennisoverdracht en weinig-shot-generalisatie laten zien dat SEAL een veelbelovende stap is naar taalmodellen die in staat zijn tot zelfgerichte aanpassing als reactie op nieuwe gegevens.”

In vroege tests liet deze zelfbewerkende lus modellen toe om te gaan van complete mislukking tot succes op complexe abstracte redeneerpuzzels, waarbij ze zelfs grotere modellen zoals GPT-4.1 overtroffen met een succespercentage van 72,5%, waar traditionele methoden faalden. Bovendien zou SEAL volgens rapporten de menselijke toezicht met 85% verminderen, terwijl de nauwkeurigheid en aanpasbaarheid toenemen.

De opkomst van zelflerende AI-kaders

SEAL maakt deel uit van een bredere trend naar autonome machine-intelligentie. Onderzoekers bij Sakana AI hebben bijvoorbeeld de Darwin-Gödel Machine geïntroduceerd – een AI-agent die zijn eigen code herschrijft met behulp van open-eindige evolutionaire strategieën.

“Het creëert verschillende zelfverbeteringen, zoals een patchvalidatiestap, betere bestandsweergave, verbeterde bewerkingsgereedschappen, het genereren en rangschikken van meerdere oplossingen om de beste te kiezen, en het toevoegen van een geschiedenis van wat eerder is geprobeerd (en waarom het faalde) bij het maken van nieuwe wijzigingen,” schreven de onderzoekers van Sakana AI in een blogbericht.

Evenzo kunnen de AI-agents van Anthropic, aangedreven door Claude 4, nu autonoom workflows orkestreren over codebases en bedrijfsgereedschappen.

“Een systeem dat zichzelf opnieuw configureert op basis van het type asset, de omgeving en de geschiedenis, maakt het mogelijk om over te gaan van een reactieve respons naar een continue preventiestrategie,” zei Christian Struve, CEO en medeoprichter van Fracttal, tegen mij. “Het gaat niet om meer lagen of meer parameters, maar om meer autonome en meer bruikbare systemen.”

Wat deze inspanningen verbindt, is een kernovertuiging: AI hoeft niet groter te worden om slimmer te worden. Het moet adaptiever worden.

“Schalen heeft grote voordelen gebracht, maar we bereiken de limiet van wat alleen grootte kan bereiken. Zelfaanpassende leermodellen zoals SEAL bieden een overtuigende volgende stap door systemen in staat te stellen om te groeien en te verbeteren in de loop van de tijd,” zei Jorge Riera, oprichter en CEO van het full-stack dataconsultingplatform Dataco, tegen mij. “Zelfevoluerende modellen verplaatsen ook de vooruitgangsmeters van statische benchmarks naar maatstaven van adaptiviteit, leer-efficiëntie en veilige langetermijnverbetering. In plaats van alleen te testen wat een model weet bij de implementatie, kunnen we evalueren hoe goed het leert, onthoudt en evolueert in de loop van de tijd.”

Impact op het AI-ecosysteem en de wereldwijde race naar autonomie

Dit niveau van autonomie schrijft ook de economie van AI-implementatie opnieuw. Stel je voor dat fraudebeschermingssystemen zichzelf onmiddellijk bijwerken om nieuwe bedreigingen te weerstaan, of AI-tutors die hun onderwijsstijl aanpassen op basis van het gedrag van een student. In de robotica kunnen zelfaanpassende kaders leiden tot autonome machines die nieuwe bewegingspatronen leren zonder opnieuw te worden geprogrammeerd.

In het Midden-Oosten bouwen landen als de VAE en Saoedi-Arabië snel fundamenten voor adaptatie. De Falcon van de VAE en Jais van G42 zijn open-source LLM’s die zijn ontwikkeld met regionale relevantie in gedachten, terwijl Saoedi-Arabië’s ALLaM en Aramco Digital’s Metabrain de wereld van autonome AI-agents voor slimme steden, gezondheidszorg en logistiek betreden.

Deze inspanningen zijn nog niet gelijkwaardig aan die van MIT’s SEAL in termen van zelfbewerkende mogelijkheden, maar ze weerspiegelen een gedeelde traject: van passieve AI-systemen naar actieve, evoluerende agenten die complexiteit kunnen navigeren met beperkte menselijke begeleiding. En net als SEAL worden deze initiatieven ondersteund door robuuste governancekaders, die de groeiende bewustwording benadrukken dat AI-autonomie moet worden gepaard met verantwoordelijkheid.

“Dit is een eerste stap naar zelfbeheerssystemen die hun logica kunnen wijzigen zonder constante interventie,” zegt Struve. “Ik geloof dat kunstmatige intelligentie de definitie van intelligentie niet opnieuw definieert, maar ons wel dwingt om onze relatie met intelligentie opnieuw te bekijken. Het belangrijkste is niet dat een model evolueert, maar dat het dit doet in overeenstemming met de doelen die wij als mensen definiëren.”

Jeff Townes, CTO van Gorilla Logic, benadrukt ook het belang van governance die gelijke tred houdt met AI-evolutie: “De vraag is niet of AI kan evolueren – het is of het bedrijf kan evolueren met AI. Governance moet elke AI-aanpassing verankeren in duidelijke resultaten en KPI’s die leiders kunnen meten en vertrouwen, zodat innovatie schaalt met vertrouwen in plaats van risico.”

Zijn we klaar voor AI die zichzelf herschrijft?

De meest provocerende vraag die SEAL oproept, is niet technisch – het is of modellen kunnen beslissen hoe ze zichzelf moeten leren, wat is onze rol in het vormen van hun waarden, prioriteiten en richting?

Deskundigen waarschuwen dat als zelfaanpassende AI-systemen autonomie winnen, de rush naar zelfverbetering niet sneller mag gaan dan de instelling van ethische richtlijnen. “Ik geloof dat alle AI-systemen ten minste drie basisethische principes moeten incorporeren,” zegt Jacob Evans, CTO bij Kryterion.

“Ten eerste, en dit mag vanzelfsprekend zijn, maar AI’s moeten zichzelf identificeren als AI. Ten tweede moeten AI’s mensgericht zijn, menselijk oordeel aanvullen en niet vervangen. En ten slotte moet het de beperkingen en onzekerheden erkennen, en weigeren om informatie te verstrekken die ernstig kwaad kan doen. Zonder deze waarborgen kan AI een instrument van manipulatie worden in plaats van betrouwbaar ondersteunend middel.”

“Om modellen in staat te stellen om zichzelf te verbeteren in productie, hebben ze een dynamische feedbacklus nodig, niet alleen een statische training. Een krachtige methode is het gebruik van een ‘digitale tweeling’ of een geavanceerd zandbakomgeving waar de AI zijn eigen zelf gegenereerde verbeteringen veilig kan testen en valideren voordat ze ooit worden geïmplementeerd voor gebruikers,” deelde Ganesh Vanama, Computer Vision Engineer bij Automotus.

Wat betreft governance, voegde Vanama eraan toe: “de ononderhandelbare controle is ‘mens-in-de-lus’ toezicht.” Hij zei dat terwijl we willen dat modellen zich aanpassen, “je moet continue monitoring hebben om ‘alignementverschuiving’ te detecteren waar het model afwijkt van zijn beoogde doelen of veiligheidsbeperkingen. Dit systeem moet een menselijke auditor de macht geven om elke autonome update te vetoën of onmiddellijk terug te draaien die faalt voor een veiligheids- of prestatiebeoordeling.”

Maar andere deskundigen geloven dat er nog tijd is om deze waarborgen te ontwikkelen, omdat het bouwen van een robuust, algemeen doel, zelfverbeterend AI een monumentale uitdaging blijft.

“Dergelijke modellen missen nog steeds de mogelijkheid om zichzelf betrouwbaar opnieuw te programmeren in real-time. Belangrijke uitdagingen blijven, waaronder het voorkomen van foutversterking, het vermijden van catastrofale vergetelheid, het waarborgen van stabiliteit tijdens updates en het behouden van transparantie rond interne wijzigingen,” zegt Riera. “Tot die zijn aangepakt, blijft volledige zelfgerichte aanpassing een grensgebied in plaats van een realiteit.”

De onderzoekers van het MIT zien SEAL als een noodzakelijke evolutie. Zoals een van de leidende wetenschappers van het MIT het zei, spiegelt dit kader menselijk leren nu nauwer dan alles wat eraan voorafging.

“Deze systemen geven aan dat er een verschuiving plaatsvindt van statische, eenmalige modellen naar adaptieve architectuur die kan leren van ervaring, geheugen kan beheren en doelen kan nastreven in de loop van de tijd. De richting is duidelijk: naar modulaire, contextuele intelligentie die zichzelf voortdurend kan aanpassen,” zei Riera tegen mij. “Hoewel nog steeds in het experimentele stadium, markeert deze aanpak een belangrijke stap naar meer autonome en veerkrachtige AI-systemen.”

Of dit leidt tot meer gepersonaliseerde systemen of geheel nieuwe vormen van machine-agentschap moet nog worden gezien. De tijdperk van zelflerende AI is aangebroken – en het herschrijft niet alleen zijn eigen code, maar ook de regels van wat machines kunnen worden.