Recursieve zelfverbetering van AI blijkt trager dan verwacht: Anthropic en OpenAI lopen tegen grenzen aan

Nieuw onderzoek van Princeton University laat zien dat toonaangevende AI-modellen van Anthropic en OpenAI nog niet in staat zijn tot zelfstandig, origineel wetenschappelijk onderzoek. Dit zet vraagtekens bij het scenario van snelle recursieve zelfverbetering van AI.

Recursieve zelfverbetering van AI — het idee dat kunstmatige intelligentie zichzelf steeds sneller en beter kan maken zonder tussenkomst van mensen — wordt door veel technologiebedrijven en onderzoekers gezien als de volgende grote stap richting superintelligentie. Maar nieuw onderzoek, uitgevoerd door wetenschappers van Princeton University en besproken door MIT Technology Review, toont aan dat dit scenario zich waarschijnlijk veel langzamer zal ontvouwen dan optimisten hoopten. Zelfs de nieuwste modellen van grote AI-spelers als Anthropic en OpenAI blijken nog niet in staat om zelfstandig origineel wetenschappelijk onderzoek te doen.

Wat is recursieve zelfverbetering en waarom is het belangrijk?

Recursieve zelfverbetering verwijst naar een AI-systeem dat in staat is zijn eigen algoritmes, architectuur of onderzoeksmethoden te verbeteren, waardoor een steile, zelfversterkende groeicurve zou ontstaan. Dit idee vormt de kern van veel toekomstscenario's rond de geschiedenis van kunstmatige intelligentie en de vraag hoe snel we richting algemene AI bewegen. Als AI-modellen daadwerkelijk hun eigen onderzoek zouden kunnen aansturen, zou dat de ontwikkeling van nieuwe AI-toepassingen drastisch kunnen versnellen. Juist daarom is het onderzoek van Princeton relevant: het test of deze aanname klopt, in plaats van er alleen over te speculeren.

Princeton test Claude Opus 4.8 en GPT-5.6 Sol op echt onderzoek

Onderzoekers Peter Kirgis en Sayash Kapoor van Princeton University onderzochten of AI-agenten in staat zijn open-ended, wetenschappelijk onderzoek uit te voeren. Zij gebruikten daarvoor een methode die zij "shadow evaluation" noemen: AI-modellen moesten reageren op onderzoeksvragen uit nog ongepubliceerde papers die waren ingediend voor NeurIPS 2026, een van de belangrijkste AI-conferenties ter wereld. De onderzoekers testten onder andere Claude Opus 4.8 (het Mythos-model van Anthropic) en GPT-5.6 Sol van OpenAI. Beide modellen konden weliswaar technische deeltaken goed uitvoeren — zoals code schrijven, experimenten opzetten en data verwerken — maar faalden op het niveau van daadwerkelijk onderzoek doen. Volgens de onderzoekers waren de AI-agenten "ondubbelzinnig slecht" in het zelfstandig uitvoeren van wetenschappelijk onderzoek. Opvallend genoeg werden de papers die als testcase dienden, uiteindelijk zelf ook afgewezen door de NeurIPS-reviewcommissie, wat aangeeft hoe hoog de lat ligt.

Waarom creativiteit de achilleshiel van AI blijft

Een terugkerend probleem in het onderzoek was dat de AI-agenten niet flexibel konden bijstellen wanneer een aanpak vastliep, feedback niet goed konden verwerken en hulpmiddelen zoals rekenkracht en tijd verkeerd inschatten. Jack Clark, medeoprichter van Anthropic, verwoordde het probleem treffend door te wijzen op "een bepaalde afwezigheid van waardevolle, intuïtieve creativiteit" bij de huidige generatie modellen. Dat is precies de eigenschap die menselijke wetenschappers gebruiken om onverwachte verbanden te leggen, een verkeerde hypothese tijdig los te laten of een compleet nieuwe onderzoeksrichting te bedenken. Ook Najoung Kim, hoogleraar aan Boston University, ziet mogelijk een splitsing ontstaan in de vooruitgang van AI: modellen kunnen steeds beter worden in het uitvoeren van gestructureerde, technische taken, terwijl het vermogen tot origineel, creatief denken veel trager groeit — of zelfs achterblijft.

Wat dit betekent voor de AI-industrie

Voor bedrijven als Anthropic, OpenAI, Google en Meta, die allemaal fors investeren in AI-onderzoeksagenten die zichzelf kunnen versnellen, is dit een belangrijk signaal. Het scenario waarin AI-modellen elkaar binnen enkele maanden voorbijstreven dankzij zelfverbetering, lijkt op basis van dit onderzoek voorlopig niet aan de orde. Dat betekent niet dat AI geen waardevolle rol speelt in onderzoek — modellen kunnen prima ondersteunen bij literatuuronderzoek, code en data-analyse — maar de sprong naar volledig autonome, creatieve wetenschappers is nog niet gemaakt. Dit heeft ook gevolgen voor het bredere debat over AI-veiligheid en -regulering. Scenario's waarin AI in een kort tijdsbestek exponentieel slimmer wordt, vormen vaak de basis voor urgente waarschuwingen over risico's. Als de werkelijkheid trager verloopt, geeft dat beleidsmakers, bedrijven en toezichthouders meer tijd om zich voor te bereiden.

Conclusie: een realistischer beeld van AI-vooruitgang

Het Princeton-onderzoek plaatst een belangrijke nuancering bij het idee van snelle, recursieve zelfverbetering van AI. Ondanks indrukwekkende technische vaardigheden van modellen als Claude Opus 4.8 en GPT-5.6 Sol, blijft de menselijke creativiteit en het onderzoeksinstinct van wetenschappers voorlopig onvervangen. Voor wie de ontwikkelingen op de voet wil blijven volgen, is het de moeite waard om meer AI-nieuws te lezen of een kijkje te nemen in onze kennisbank voor achtergrondinformatie over hoe AI-modellen precies werken en zich ontwikkelen.

MIT Technology Review

---

Bron: MIT Technology Review