Geavanceerde kunstmatige intelligentie-systemen kampen met fundamentele beperkingen in hun redeneervermogen, blijkt uit recent onderzoek. Volgens theguardian.com vertonen zelfs de meest geavanceerde AI-modellen een "complete nauwkeurigheidsinstorting" wanneer ze worden geconfronteerd met complexe problemen die afwijken van hun trainingsdata.
De bevindingen werpen een schaduw over de race naar kunstmatige algemene intelligentie (AGI) — het stadium waarin AI menselijk denkvermogen zou evenaren. Het onderzoek suggereert dat de huidige architectuur van grote taalmodellen mogelijk niet geschikt is om het probleemoplossend vermogen te ondersteunen dat nodig is voor menselijk-niveau AI.
Fundamentele architectuurproblemen
De kern van het probleem ligt in de manier waarop moderne AI-systemen zijn opgebouwd. livescience.com stellen onderzoekers dat de huidige generatie grote taalmodellen (LLM's) niet in staat is tot echt causaal redeneren — een essentieel kenmerk van menselijke intelligentie.
In plaats van problemen daadwerkelijk te begrijpen en op te lossen, vertrouwen deze systemen op patroonherkenning uit enorme hoeveelheden trainingsdata. Wanneer een probleem net iets anders wordt geformuleerd of extra complexiteit bevat, stort de nauwkeurigheid van de modellen in. Dit fenomeen deed zich voor bij tests met verschillende toonaangevende AI-systemen, waaronder modellen van OpenAI, Google, Anthropic en DeepSeek.
Testresultaten onthullen zwakheden
Het onderzoek testte geavanceerde "reasoning models" — een nieuwe generatie AI-systemen die specifiek zijn ontworpen om beter te kunnen redeneren. theguardian.com werden systemen zoals Anthropic's Claude 3.7 Sonnet-Thinking, OpenAI's modellen en Google's systemen onderworpen aan complexe redeneertaken.
De resultaten waren volgens onderzoekers "behoorlijk verwoestend". Zodra problemen werden aangepast met irrelevante informatie of extra stappen, konden de AI-modellen niet langer betrouwbare antwoorden genereren. Dit wijst erop dat de systemen niet werkelijk begrijpen wat ze doen, maar eerder vertrouwen op het herkennen van bekende patronen.
Implicaties voor AGI-ontwikkeling
De bevindingen hebben verstrekkende gevolgen voor de AI-industrie, die miljarden investeert in de ontwikkeling van steeds krachtiger systemen. theguardian.com gooit koud water over de verwachtingen dat huidige ontwikkelingsmethoden zullen leiden tot AGI.
"Dit is niet hoe je een digitale geest bouwt," luidt de kritische conclusie van onderzoekers. De studie suggereert dat een fundamenteel andere benadering nodig kan zijn om AI-systemen te ontwikkelen die werkelijk kunnen redeneren zoals mensen dat doen.
Causaal redeneren als ontbrekende schakel
Een centraal probleem is het gebrek aan causaal redeneren in huidige AI-architecturen. frontiersin.org is causaal redeneren — het vermogen om oorzaak-en-gevolg-relaties te begrijpen en toe te passen — essentieel voor menselijke intelligentie, maar ontbreekt dit grotendeels in huidige AI-systemen.
Waar mensen kunnen nadenken over waarom iets gebeurt en wat de gevolgen van acties zouden kunnen zijn, opereren AI-modellen voornamelijk op basis van statistische correlaties in hun trainingsdata. Dit fundamentele verschil verklaart waarom AI-systemen uitstekend kunnen presteren op taken die lijken op hun trainingsmateriaal, maar falen wanneer echte flexibiliteit en begrip vereist zijn.
Industrie-reacties en toekomstperspectief
De bevindingen komen op een moment dat grote techbedrijven zoals Meta, Google, Microsoft en OpenAI massaal investeren in AI-ontwikkeling. De vraag rijst nu of de huidige aanpak — het simpelweg vergroten van modellen en trainingsdata — wel de juiste weg is naar menselijk-niveau AI.
Sommige experts pleiten voor een fundamentele herziening van AI-architecturen, waarbij meer nadruk komt te liggen op symbolische AI, causale modellen en hybride systemen die verschillende benaderingen combineren. Anderen waarschuwen dat de weg naar AGI mogelijk veel langer en complexer is dan de industrie momenteel aanneemt.
Het onderzoek onderstreept dat ondanks indrukwekkende vooruitgang in specifieke taken, moderne AI-systemen nog ver verwijderd zijn van het soort flexibel, algemeen redeneren dat menselijke intelligentie kenmerkt. Voor toepassingen die echte probleemoplossing vereisen, blijven de beperkingen van huidige systemen een significante uitdaging.