Robots met AI-geheugen maken soms een opvallende fout: ze staan stil, maar zijn er vast van overtuigd dat ze hard hebben gewerkt. Onderzoekers Chubin Zhang en Bo An legden op 10 november 2026 in een wetenschappelijk artikel uit hoe dat kan.
Het probleem zit in de geheugensystemen van Vision-Language-Action (VLA)-modellen. Veel van die systemen vullen hun geheugen door frames gelijkmatig over een taak te verdelen en elk frame een tijdstap mee te geven. En daar gaat het mis: de tijd loopt altijd door, ook als er niets gebeurt. Het systeem kan daardoor niet zien of de robot aan het werken is of gewoon aan het wachten.
🧠 Even simpel uitgelegd
Stel dat je een dagboek bijhoudt, maar in plaats van te noteren wat je deed, schrijf je alleen de tijd op: 9.00 uur, 9.05 uur, 9.10 uur. Aan het einde van de dag denk je: 'Ik heb tien dingen gedaan!' Maar misschien heb je de hele middag op de bank gezeten. Precies zo werkt het geheugen van deze robots: ze tellen kloktikken in plaats van echte handelingen. Meer tikken = meer werk, denkt de robot. Maar tikken zeggen niets over wat er écht gebeurde.
'Fantoomvoortgang': stilstand voelt als succes
De onderzoekers testten dit met tel-taken in de RoboMME-benchmark. Ze introduceerden 'null events': korte pauzes of ondoelmatige bewegingen van de robotpols. Die acties veranderen niets aan de taak zelf. Toch interpreteert de robot de verstreken tijd als bewijs dat er werk is verricht. De onderzoekers noemen dit 'phantom progress'.
De impact is groot. Uit de resultaten, beschreven via papers.cool, blijkt dat het succespercentage bij één taak kelderde van 47 naar 16 van de 50 pogingen. Bij een andere taak daalde het aantal succesvolle acties van 44 naar slechts 10.
Het meest overtuigende bewijs: wanneer de onderzoekers de frames van die pauzes uit het geheugen verwijderden, herstelde het succespercentage zich. De fout zit dus in het geheugenmechanisme — niet in de onderbreking zelf.
Waarom de robot de klok vertrouwt
De oorzaak ligt in de trainingsdata. Demonstraties verlopen daar meestal in een constant tempo. Het model leert zo: verstreken tijd betekent voortgang.
Dat bevestigden de onderzoekers door met de tijdstempels te knoeien. Liep de 'klok' sneller? Dan stopte de robot voortijdig. Liep de klok trager? Dan bleef de robot dezelfde acties herhalen.
En nee, de tijdcodering simpelweg weghalen lost het probleem niet op. De frames van een 'null event' nemen nog steeds ruimte in in het tijdgesamplede geheugen. De robot ervaart daardoor nog steeds een gevoel van voortgang.
Wat werkt dan wél?
Pauzes injecteren tijdens het trainen is geen oplossing — dat verslechtert zelfs het telvermogen van de robot. Een effectievere aanpak: het geheugen indexeren op basis van gebeurtenissen in plaats van tijdstippen. Volgens de auteurs van de studie herstelt deze aanpassing zonder hertraining een groot deel van het prestatieverlies.
Het onderzoek past in een bredere trend van kritische analyses naar AI-modellen. Andere studies tonen aan dat Vision-Language Models (VLMs) soms doen alsof ze visuele informatie herbekijken, terwijl ze in werkelijkheid tekstuele patronen volgen — zoals beschreven in de presentaties van icml.cc. Daarnaast wordt er gezocht naar betere structuren voor robotgeheugen, zoals het 'Ledger'-concept van de Harvard Computational Robotics Group. Dat maakt onderscheid tussen kortetermijn-perceptueel geheugen en langetermijn-objectgeheugen, zoals vermeld in een preprint.
De conclusie van Zhang en An is helder: een geheugen dat bedoeld is om te onthouden wat er is gebeurd, moet gebeurtenissen tellen in plaats van kloktikken.