Kunstmatige intelligentie is in staat om een vorm van 'wetenschappelijke smaak' te ontwikkelen, een vermogen dat voorheen werd beschouwd als een exclusieve eigenschap van ervaren menselijke experts. Waar wetenschappelijke vooruitgang traditioneel steunt op de intuïtie van onderzoekers om waardevolle vragen te formuleren, kan AI nu worden getraind om de potentie van nieuwe ideeën objectief in te schatten en zelf concepten te genereren met een hoge slagingskans.
In een recent onderzoek, waarvan de laatste versie op 19 augustus 2026 werd bijgewerkt, wordt een nieuw trainingsproces geïntroduceerd dat bekendstaat als Reinforcement Learning from Community Feedback (RLCF). Volgens de publicatie op arxiv.org maakt dit systeem gebruik van grootschalige signalen uit de wetenschappelijke gemeenschap om AI te leren wat een kwalitatief hoogwaardig onderzoeksidee kenmerkt, in plaats van te vertrouwen op beperkte handmatige instructies.
Het ontwikkelde systeem bestaat uit twee gespecialiseerde componenten. De eerste is de Scientific Judge, een model dat is getraind via voorkeursmodellering. Zoals beschreven in de documentatie van gravity7.com, is deze 'Judge' gevoed met circa 700.000 paren van wetenschappelijke artikelen. Door papers uit hetzelfde vakgebied en tijdvak te vergelijken op basis van hun citatiescores, leert het model onderscheid te maken tussen ideeën met een lage en een hoge impact.
De tweede component is de Scientific Thinker. Dit model fungeert als de creatieve motor die nieuwe onderzoeksvoorstellen genereert. De Scientific Judge dient hierbij als beloningsmechanisme: de 'Thinker' wordt voortdurend bijgestuurd om ideeën te produceren die door de Judge als potentieel succesvol worden beoordeeld. Deze synergie zorgt ervoor dat de AI niet enkel bestaande data analyseert, maar actief bijdraagt aan de ideevorming.
De resultaten van deze aanpak zijn opvallend. Een versie van de Scientific Judge met 30 miljard parameters wist superieure prestaties te leveren ten opzichte van diverse sterke baselines, waaronder GPT-5.4 Thinking, zoals vermeld op de github.io. Een belangrijk kenmerk van het model is het vermogen tot generalisatie; de AI kon correcte voorspellingen doen voor artikelen uit toekomstige jaren en voor vakgebieden die het systeem tijdens de training nog niet had tegengekomen.
Tot nu toe lag de focus bij de integratie van AI in de wetenschap vooral op executieve taken, zoals het efficiënt doorzoeken van enorme hoeveelheden literatuur. De ontwikkeling van een 'wetenschappelijke smaak' vult een cruciaal gat in deze evolutie. Volgens de open-source implementatie op github.com is dit een fundamentele stap richting AI-systemen die op menselijk niveau kunnen opereren als autonome wetenschappers.
Door de afhankelijkheid van een kleine groep menselijke experts te verminderen en de snelheid van ideegeneratie te verhogen, kan deze technologie de algehele voortgang van wetenschappelijke ontdekkingen versnellen. De RLCF-methode transformeert wetenschappelijke intuïtie van een ongrijpbaar talent naar een leerbaar en objectiveerbaar proces, waardoor AI verschuift van een ondersteunende assistent naar een actieve partner in de strategische richting van toekomstig onderzoek.