Wetenschappers hebben een methode ontwikkeld om generatieve AI-modellen effectiever aan te sturen door hun interne latente representaties te koppelen aan specifieke staten in een simulator. In een publicatie van 9 oktober 2026 analyseren onderzoekers Sevan Brodjian, Michael Hobley en Pietro Perona hoe deze modellen, die normaal gesproken patronen leren zonder expliciete instructies, kunnen worden getransformeerd tot bewerkbare simulators.
Het kernprobleem bij huidige generatieve modellen is dat zij geen directe ingebouwde functionaliteit bieden om de staat van de wereld die zij representeren aan te passen. Terwijl een traditionele simulator een omgeving samenvat in een overzichtelijke staat die een gebruiker kan wijzigen, werken AI-modellen met complexe interne representaties. Het doel van het onderzoek is om te bepalen onder welke voorwaarden een model kan fungeren als een simulator, een eigenschap die de onderzoekers definiëren als 'editability' of bewerkbaarheid. Volgens de wetenschappelijke publicatie op arxiv.org is er gezocht naar een mapping tussen de latente staat van het model en de staat van de simulator, waarbij het model enkel op basis van observaties is getraind.
Om deze koppeling te realiseren, zijn twee verschillende technische benaderingen vergeleken. De eerste methode maakt gebruik van zogenaamde 'probes' om de simulatorstaat uit het model te decoderen, waarna men probeert het model in een specifieke richting te sturen. De tweede methode is gebaseerd op 'inverse mapping', waarbij de koppeling direct wordt aangeleerd via een inverse kaart. Uit de resultaten blijkt dat deze inverse mapping succesvol kan zijn in situaties waarin de steering-methode tekortschiet.
De theorieën werden getest in twee uiteenlopende omgevingen. Ten eerste werd het discrete bordspel Othello gebruikt, waarbij bleek dat de bewerkbaarheid van het model afnam naarmate het spel eenvoudiger werd. Kleine aanpassingen in de spelregels hadden hierbij een aanzienlijke impact op de uitkomsten. Daarnaast testten de onderzoekers 'Rayworld', een door henzelf ontwikkelde continue wereld met bewegende schijven. In deze fysiek georiënteerde omgeving faalden de probes bij het sturen langs de continue staat, maar slaagde de inverse map er wel in om het model vanuit die staat te positioneren. De auteurs concluderen op dat een model hierdoor kan worden aangestuurd door een simulator die het model zelf nooit heeft leren kennen.
Dit onderzoek vindt plaats binnen de bredere context van generatieve AI, een technologie die nieuwe content zoals audio, tekst en beelden produceert door patronen in bestaande data te herkennen. Zoals uitgelegd in een gids van geeksforgeeks.org, maken deze systemen gebruik van geavanceerde architecturen zoals Transformers, neurale netwerken en latente ruimtes om mensachtige resultaten te genereren. De mogelijkheid om een generatief model als een bewerkbare simulator in te zetten, zou een belangrijke stap kunnen zijn in de ontwikkeling van AI-systemen die interacties met gesimuleerde werelden kunnen manipuleren.
De integratie van AI met externe API's en tools is een groeiend vakgebied, waarbij ook de rol van 'Agentic AI' toeneemt bij het automatiseren van besluitvorming. De resultaten van dit onderzoek suggereren dat de bewerkbaarheid van latente ruimtes, een concept dat centraal staat in de werking van , essentieel is voor de volgende generatie interactieve AI-modellen.