Opake recurrentie: waarom sommige AI-modellen straks in het duister denken

Bijgewerkt: 3 september 2026 · 6 min leestijd

Stel je twee studenten voor die een lastige rekensom moeten oplossen. De eerste schrijft elke tussenstap netjes op: "eerst tel ik dit op, dan deel ik dat, dus dan volgt...". Jij kunt haar redenering volgen en fouten eruit halen. De tweede student staart alleen naar het plafond, mompelt wat, en roept na een minuut het antwoord. Misschien heeft ze het goed, misschien niet — maar niemand kan zien hóe ze tot dat antwoord kwam. Opake recurrentie (letterlijk: ondoorzichtige herhaling) is de term die onderzoekers gebruiken voor kunstmatige-intelligentiesystemen die steeds meer op die tweede student gaan lijken.

Het gaat om taalmodellen die niet langer hun redenering in leesbare tekst naar buiten brengen, maar intern — in een wiskundige, voor mensen onleesbare ruimte — een rekenstap keer op keer herhalen ("recurrentie") voordat ze een antwoord geven. Dat kan het model efficiënter en mogelijk slimmer maken, maar het maakt tegelijk onzichtbaar wát er precies gebeurt tussen vraag en antwoord. Voor een technologie die steeds vaker beslissingen voorbereidt of neemt, is die ondoorzichtigheid een serieus punt van zorg onder AI-onderzoekers.

Wat is het precies?

Om opake recurrentie te begrijpen, helpt het om twee dingen uit elkaar te trekken: hoe een AI-model "denkt", en of je dat denken kunt zien.

Populaire chatbots die "redeneren" — zoals modellen die eerst een lange interne tekst produceren voordat ze antwoorden — doen dat meestal via chain-of-thought (gedachteketen): ze genereren woord voor woord een soort hardop-denken, dat je als gebruiker vaak kunt inzien of terugvinden. Dat is niet perfect (de geschreven redenering klopt niet altijd exact met wat het model "intern" doet), maar er is in elk geval een leesbaar spoor.

Bij recurrente architecturen werkt dat anders. In plaats van telkens een nieuw woord te genereren, herhaalt het model een reken-blok meerdere keren op een interne, wiskundige representatie — een lange lijst getallen, een zogeheten latente ruimte — zonder die tussenstappen om te zetten in tekst. Pas na een aantal van zulke "denkrondes" wordt het resultaat vertaald naar een antwoord in woorden. Het model kan zo, grofweg gezegd, langer nadenken zonder dat je ooit tekst van die tussenstappen te zien krijgt. Vandaar: recurrentie (het herhalen van een stap) die opaak (ondoorzichtig) is.

Het verschil is dus niet óf een model meerdere rekenstappen zet — dat doen vrijwel alle AI-modellen — maar of die stappen een spoor achterlaten dat een mens (of een ander controlesysteem) kan lezen en beoordelen.

Wat wil men ermee bereiken?

Onderzoekers hebben twee, deels tegenstrijdige, motieven om met opake recurrentie te experimenteren.

Het eerste is efficiëntie. Een model dat zijn redenering in tekst uitschrijft, moet voor elke tussenstap een woord genereren — en dat kost tijd en rekenkracht, zeker bij lange redeneringen. Door in plaats daarvan te "denken" in de interne, compacte getallenruimte, kan een model potentieel sneller en goedkoper extra rekenstappen inbouwen, zonder duizenden extra woorden te hoeven produceren. Dit wordt ook wel schaalbare "test-time compute" genoemd: meer rekenkracht inzetten op het moment dat een vraag gesteld wordt, in plaats van alleen tijdens het trainen.

Het tweede motief is flexibiliteit: een model zou zelf kunnen bepalen hóe lang het "nadenkt" over een probleem — kort voor een simpele vraag, lang voor een moeilijke — door het recurrente blok vaker of minder vaak te herhalen, zonder dat dit zichtbaar is in de lengte van het antwoord.

Daar staat een min tegenover die veel AI-veiligheidsonderzoekers hardop benoemen: wat je niet kunt lezen, kun je ook niet controleren. Een van de weinige praktische manieren om te checken of een AI-model onbetrouwbare, misleidende of schadelijke redeneringen volgt, is door zijn "gedachtegang" te lezen. Verschuift die gedachtegang naar een ondoorzichtige, interne lus, dan verdwijnt dat controlemiddel — ook al wordt het model misschien wel efficiënter.

Voorbeelden uit de praktijk

Het onderzoek naar opake recurrentie is nog vrij jong en grotendeels academisch, maar er zijn concrete voorbeelden.

Een vroege voorloper is de Universal Transformer, gepresenteerd door onderzoekers van Google in 2018. Dit was een van de eerste transformer-varianten (het architectuurtype achter vrijwel alle moderne taalmodellen) waarbij hetzelfde reken-blok meerdere keren op dezelfde data werd toegepast, met een mechanisme dat zelf bepaalde hoeveel herhalingen nodig waren. Het idee van "recurrente diepte" stamt dus al van voor de huidige AI-hausse.

In 2024 publiceerden onderzoekers van Meta AI een methode die informeel bekendstaat als Coconut (Chain of Continuous Thought). In plaats van elke redeneerstap om te zetten in een woord en dat woord weer als input te gebruiken, voerden zij de interne, ongeconverteerde toestand van het model rechtstreeks terug als volgende invoer. Het model redeneerde zo volledig in continue, numerieke ruimte — zonder ooit een tussenliggend woord te produceren.

In 2025 verscheen onderzoek van onder meer Jonas Geiping, verbonden aan het Max Planck Institute for Intelligent Systems en het ELLIS Institute Tübingen (Duitsland), naar een taalmodel dat tijdens het beantwoorden van een vraag een intern blok herhaaldelijk itereert — informeel soms "Huginn" genoemd — om zo extra rekenkracht in te zetten zonder extra zichtbare tekst te genereren. Het is een van de meest concrete, publiek beschreven pogingen om dit idee op te schalen naar een taalmodel van enkele miljarden parameters.

Ten slotte is er geen technisch model, maar een waarschuwend document: in 2025 publiceerde een grote, gemengde groep AI-veiligheidsonderzoekers — met naar verluidt bijdragen vanuit onder meer OpenAI, Anthropic en Google DeepMind — een positiepaper met als strekking dat de mogelijkheid om de gedachteketen van AI-modellen te monitoren een waardevolle maar kwetsbare eigenschap is, die door architecturen als opake recurrentie verloren kan gaan. Dit document wordt vaak aangehaald als het moment waarop "opake recurrentie" als risicobegrip breder aandacht kreeg.

Hoe ver is de techniek?

Het is belangrijk om onderscheid te maken tussen wat er ín productiemodellen gebeurt en wat er in onderzoekslabs wordt uitgeprobeerd.

De "redenerende" modellen die inmiddels breed beschikbaar zijn — zoals de o-serie van OpenAI, DeepSeek-R1, de "thinking"-varianten van Google Gemini en de uitgebreide redeneermodus van Anthropic's Claude — produceren voor zover publiek bekend nog altijd een leesbare (zij het niet altijd volledig betrouwbare) gedachteketen in tekst. Ze zijn dus, ondanks dat ze uitgebreid "nadenken", geen voorbeelden van opake recurrentie in de strikte zin: je kunt in principe meelezen.

Opake recurrentie zelf zit vooral nog in de onderzoeksfase. De gepubliceerde modellen zijn beduidend kleiner dan de grootste commerciële taalmodellen en worden vooral gebruikt om te bewijzen dát het concept werkt (een zogeheten proof of concept), niet om ze meteen breed in te zetten. Het is publiekelijk niet bevestigd dat een van de grote AI-bedrijven al een op deze manier volledig opaak-recurrent model heeft uitgebracht voor algemeen gebruik.

Wel is duidelijk dat de onderliggende motivatie — goedkoper en flexibeler "nadenken" tijdens het genereren van een antwoord — een actief en snel groeiend onderzoeksveld is, en dat veiligheidsonderzoekers hier bewust vroeg voor waarschuwen, juist om te voorkomen dat de industrie deze weg inslaat zonder oog voor de controleerbaarheid van AI-redeneringen. Onzeker blijft hoe groot het efficiëntievoordeel in de praktijk daadwerkelijk is bij zeer grote modellen, en of latente redenering net zo goed generaliseert naar nieuwe soorten problemen als tekstuele gedachteketens.

Wie werken eraan?

Academische en onderzoeksinstituten in Duitsland: het Max Planck Institute for Intelligent Systems en het ELLIS Institute Tübingen zijn betrokken bij onderzoek naar recurrente-diepte-modellen.
Meta AI (FAIR): onderzoekers publiceerden het Coconut-onderzoek naar redeneren in continue latente ruimte.
Google / Google DeepMind: legde met de Universal Transformer een vroeg fundament voor recurrente transformer-architecturen, en is betrokken (via onderzoekers) bij bredere discussies over redeneertransparantie.
OpenAI en Anthropic: bouwen zelf redeneermodellen met zichtbare gedachteketens, en hun onderzoekers behoren tot de stemmen die publiekelijk waarschuwen voor het risico van opake, niet-monitorbare redenering in toekomstige architecturen.
Het bredere ELLIS-netwerk (European Laboratory for Learning and Intelligent Systems), een Europees samenwerkingsverband van AI-onderzoeksgroepen, waarbinnen dit type architectuuronderzoek mede plaatsvindt.

Het is een relatief klein, sterk academisch gedreven veld vergeleken met bijvoorbeeld de ontwikkeling van grote chatbots — maar de betrokkenheid van veiligheidsteams bij grote AI-bedrijven laat zien dat de mogelijke gevolgen serieus worden genomen, nog voordat de techniek op grote schaal wordt toegepast.