AI-systemen die zichzelf verbeteren, doen dat tot nu toe vooral door te leren van de beste 'ouder-agent'. Onderzoekers draaien die logica nu om: de hele populatie AI-varianten wordt het lesmateriaal. Het resultaat is opvallend.
Op 27 oktober 2026 publiceerden Shuo Yan en collega's een wetenschappelijk document over een methode genaamd Population-Centered Evolution (PCE). Het idee is simpel: een groep AI-agenten lost samen meer taken op dan de beste agent alleen. Waarom zou je dan alleen van die ene topagent leren?
Het probleem: waardevolle data gaat verloren
Zelfverbeterende AI-systemen kunnen hun eigen gedragsregels aanpassen. Maar bestaande methoden kijken volgens de publicatie op arxiv.org vooral naar geselecteerde 'ouder-agenten' en hun specifieke evolutionaire ervaring. De rest van de populatie? Die data blijft ongebruikt.
De onderzoekers zagen daarbij een opvallend gat tussen twee cijfers: de 'populatiedekking' (taken die minstens één variant in de groep oploste) en de prestaties van de best presterende agent. Dat verschil laat zien dat waardevolle capaciteiten en diagnostische aanwijzingen verspreid in de groep zitten — maar nooit worden gebundeld in de leidende agenten.
De oplossing: 'the view from nowhere'
De auteurs introduceren daarvoor het principe van the view from nowhere. Een agent wordt dan niet beter op basis van eigen succes, maar door te kijken naar populatiebrede patronen: waar slaagden agenten in, waar faalden ze, en wat deden eerdere zelfmodificaties met de prestaties?
De praktische uitwerking is PCE. De methode verzamelt taakgegevens en modificatiegeschiedenissen uit de hele populatie in een zogenaamd 'populatieblok'. Dat blok registreert:
- Recurrente fouten die vaker voorkomen.
- Complementaire successen van verschillende agenten.
- De effecten van eerder geprobeerde aanpassingen.
Met die informatie wordt het kader ('harness') van een geselecteerde ouder-agent gericht verbeterd.
Meetbare winst
De test gebeurde onder eerlijke condities: dezelfde modellen, dezelfde startkaders en hetzelfde evolutieschema. PCE versloeg daarmee een sterke baseline voor groepsevolutie:
- Op SWE-bench Verified: 72,1% succes — een stijging van 3,2 procentpunten.
- Op Polyglot: 96,7% succes — een stijging van 5,9 procentpunten.
Bovendien sloot PCE het gat tussen collectieve populatiedekking en individuele topprestaties grotendeels. Op Polyglot verdween dat gat volledig; op SWE-bench werd het met een derde verkleind.
Wat 'view' hier betekent
In het dagelijks taalgebruik betekent 'view' vaak een persoonlijke mening, zoals de grammaticale gids van cambridge.org beschrijft. In dit onderzoek gaat het om iets anders: een objectief, overkoepelend perspectief op data. Niet om visuele beelden van de fysieke wereld, zoals de panoramische foto's van google.com, maar om een abstracte analyse van computationele data.
De conclusie van de onderzoekers: behandel een populatie als bewijsmateriaal, niet alleen als kandidaten voor selectie. Dat vormt een complementair principe voor de verdere evolutie van AI-agenten. Wie de technische details en de volledige dataset wil bekijken, vindt die bij de bronnen of via externe referentiediensten zoals thefreedictionary.com.
🧠 Even simpel uitgelegd
Stel dat tien studenten elk een andere som deels oplossen. De leraar die alleen de beste student kopieert, mist alle trucjes die de anderen vonden. Nieuw is: de leraar verzamelt van álle studenten wat werkte, wat faalde en welke fouten vaak terugkomen — en gebruikt dat om iedereen beter te maken. Precies dat doen de onderzoekers met AI-agenten: de hele groep wordt het studiemateriaal, niet alleen de kampioen.