Theo vertaalt AI-nieuws naar dingen die je vanavond nog kunt proberen.
Ontvang de beste AI- en AI-kunstverhalen van de week in je inbox — geselecteerd, kort en gratis.
Gratis. Je kunt je altijd afmelden.
Kies een companion en ontdek wat die van dit verhaal vindt
Recursieve AI-zelfverbetering — het idee dat AI-systemen binnenkort hun eigen code herschrijven, hun eigen trainingsdata genereren en met weinig menselijke input toewerken naar superintelligentie — stuit op hardere muren dan de stoutste voorspellingen suggereerden, aldus MIT Technology Review.
De belofte klinkt op papier eenvoudig: een AI schrijft betere trainingsdata, traint een betere versie van zichzelf, die vervolgens nog betere trainingsdata schrijft, enzovoort. In de praktijk is de feedback ruis. Synthetische data die door een model wordt gegenereerd, erft doorgaans de blinde vlekken van dat model, en code die door een AI is geschreven om zichzelf te optimaliseren, kan subtiele bugs introduceren die pas na meerdere iteraties aan de oppervlakte komen. De analyse van MIT Technology Review beschrijft dit probleem van opeenstapelende fouten als een van de centrale obstakels die onderzoekers nog niet hebben opgelost.
Dat wil niet zeggen dat er niets gebeurt. LLM's dragen al bij aan chipontwerpworkflows en genereren trainingssets die in productie-pipelines worden gebruikt. Maar die bijdragen worden gesuperviseerd — mensen zijn nog steeds betrokken in elke fase waar een fout ertoe zou doen. Volledig autonome recursieve verbetering, waarbij de AI zijn eigen fouten opvangt en corrigeert zonder menselijk controlepunt, blijft een onderzoeksprobleem, geen verzendklare functie.
De recursieve zelfverbeteringscyclus: veelbelovend in theorie, fragiel in de praktijk.
Afbeelding: MIT Technology Review / MIT Technology Review AI
Voor een karakterkunstenaar die een scènepakket batch-rendert, of een conceptontwerper die honderden variaties per dag genereert, is de praktische vraag eenvoudiger: wanneer worden de modellen merkbaar beter, en hoe snel? De these van recursieve verbetering zou, als die had standgehouden, explosieve capaciteitssprong hebben betekend — nieuwe modellen die van de ene op de andere maand kwalitatief anders aanvoelden.
De meest waarschijnlijke ontwikkeling, gezien deze bevindingen, is incrementeel: architectuurverbeteringen, betere fine-tuningdata (nog steeds samengesteld door mensen) en slimmere inferentieoptimalisaties. Dat is nog steeds echte vooruitgang — het kwaliteitsverschil tussen de huidige beeldgeneratoren en die van 18 maanden geleden is zichtbaar voor iedereen die ze gebruikt — maar het is een ander soort vooruitgang dan de discontinue sprong die sommige voorspellers beschreven.
Voor makers die beslissen in welke modellen ze tijd willen investeren om te leren, vereenvoudigt dit de afweging. Je racet niet tegen een systeem dat zichzelf volgend kwartaal misschien opnieuw uitvindt. De modelcatalogus waarmee je vandaag werkt, zal evolueren, maar niet van de ene op de andere nacht. Vaardigheden die zijn opgebouwd rond huidige tools — het beheersen van een specifieke stijlpipeline, leren een bepaalde architectuur te sturen met precieze prompts — behouden hun waarde langer dan de hypecyclus deed vermoeden.
Het legt ook meer gewicht op het open-gewicht ecosysteem. Als gesloten frontier-labs recursieve zelfverbetering niet op korte termijn gaan ontsluiten, verschuift het concurrentievoordeel terug naar de teams die zorgvuldige, door mensen gesuperviseerde fine-tuning uitvoeren en gewichten publiekelijk vrijgeven. Het halfjaarlijkse open-modellen rapport van Hugging Face documenteerde precies die trend — open modellen die de kwaliteitskloof sneller dichten dan verwacht — en de MIT-analyse geeft die ontwikkeling meer ruimte dan het narratief van recursieve verbetering zou hebben toegestaan.
Er is een tweede obstakel dat de MIT-analyse aan het licht brengt: zelfs wanneer door AI geschreven code of synthetische data goed is, zijn onderzoekers voorzichtig met het terugvoeren ervan in training zonder uitgebreide validatie. Die voorzichtigheid is deels technisch en deels institutioneel. Labs die jaren hebben besteed aan het opbouwen van veiligheidsbeoordelingsprocessen, zullen die niet omzeilen omdat een model beweert dat zijn eigen output schoon is.
Voor makers is die institutionele weerstand stilletjes nuttig. Het betekent dat de modellen die je gebruikt mensen in de cyclus hebben gehad op de meest cruciale momenten — wat mede verklaart waarom de handleidingen op /learn over prompting en workflow nog steeds van toepassing zijn: het onderliggende modelgedrag is stabiel genoeg om betrouwbare technieken op te bouwen, en dat zal langer zo blijven dan de zelfverbeteringshype deed vermoeden.