Zelfevoluerend AI-model: wat het is en hoe ver de techniek staat
Een zelfevoluerend AI-model is een kunstmatige-intelligentiesysteem dat zichzelf, geheel of gedeeltelijk, kan aanpassen en verbeteren zonder dat een mens voortdurend handmatig ingrijpt. Niet de gebruikelijke gang van zaken dus, waarbij onderzoekers een model trainen, testen, bijsturen en opnieuw trainen. Bij een zelfevoluerend systeem neemt het model zelf een deel van die rol over: het genereert varianten van zijn eigen code, instellingen of gedrag, test die varianten, en houdt de versies die beter presteren.
Een simpele analogie: stel je een kok voor die na elk gerecht de proefpanel-scores bekijkt en op basis daarvan zelf zijn recept aanpast, zonder dat een chef-kok elke wijziging voorschrijft. Na honderden van dit soort ronden ontstaat een recept dat geen mens zo had bedacht. Zelfevoluerende AI-modellen werken vergelijkbaar: ze doorlopen razendsnel veel van dit soort 'kook-en-proef'-rondes, alleen dan met code, algoritmes of neurale netwerken in plaats van gerechten.
Wat is het precies?
De term "zelfevoluerend" verwijst meestal naar een combinatie van twee ingrediënten: een AI-model dat nieuwe versies van zichzelf (of van onderdelen daarvan) kan genereren, en een evaluatiemechanisme dat objectief meet welke versie beter is. Dat proces lijkt sterk op evolutie in de biologie: er is variatie (mutaties in code of parameters), selectie (alleen de beste varianten overleven) en herhaling over veel generaties.
In de praktijk verloopt een typische cyclus zo: het systeem stelt een wijziging voor aan zijn eigen programmacode of instellingen, voert die wijziging uit in een afgeschermde testomgeving, meet de prestaties op een vooraf vastgestelde taak (bijvoorbeeld: hoe snel lost dit algoritme een probleem op, of hoe goed scoort deze agent op een programmeertoets), en beslist vervolgens of de wijziging wordt overgenomen. Dit wordt vele malen herhaald, soms duizenden keren.
Belangrijk om te beseffen: er zijn gradaties. Een systeem als AlphaZero, het schaak- en go-programma van DeepMind uit 2017, verbetert zichzelf door tegen zichzelf te spelen (self-play), maar past alleen de interne gewichten van het neurale netwerk aan — de architectuur en broncode blijven ongewijzigd. Recentere systemen gaan een stap verder: zij herschrijven hun eigen broncode of de manier waarop ze problemen aanpakken. Dat laatste is dichter bij wat mensen bedoelen met "echt" zelfevoluerend.
Ook is het woord "zelf" enigszins relatief. Mensen bepalen nog altijd welke taak goed presteren betekent, bouwen de testomgeving en zetten grenzen aan wat het systeem mag veranderen. Volledig autonome, ongecontroleerde zelfverbetering bestaat in de praktijk vrijwel niet — en dat is, zoals verderop blijkt, ook precies waar veel discussie over gaat.
Wat wil men ermee bereiken?
De belangrijkste drijfveer is snelheid en schaal. Het handmatig ontwerpen en verbeteren van AI-modellen, algoritmes of chips kost onderzoekers veel tijd. Als een systeem een deel van dat zoekwerk zelf kan doen — sneller en op meer varianten tegelijk dan een mens ooit zou proberen — kan dat de ontwikkeling van nieuwe technologie versnellen.
Een tweede doel is het vinden van oplossingen die mensen niet snel zouden bedenken. Evolutionaire zoekprocessen zijn in het verleden al vaker gebruikt om verrassende, contra-intuïtieve ontwerpen te vinden, bijvoorbeeld in de scheikunde en natuurkunde. Onderzoekers hopen dat zelfevoluerende AI-systemen soortgelijke verrassingen opleveren in softwarecode en algoritmes.
Een derde, meer ambitieuze motivatie speelt op de achtergrond: sommige onderzoeksgroepen zien zelfverbeterende systemen als een mogelijke route naar krachtigere, flexibelere AI op de lange termijn — het idee dat AI die zichzelf kan verbeteren, uiteindelijk sneller vooruitgang boekt dan AI die alleen door mensen wordt bijgesteld. Dit is nadrukkelijk een langetermijnvisie met veel open vragen, geen technologie die vandaag al zo werkt.
Voorbeelden uit de praktijk
AlphaEvolve (Google DeepMind, 2025) is een van de meest besproken recente voorbeelden. Het is een coding agent, aangedreven door Gemini-taalmodellen, die met evolutionaire technieken bestaande algoritmes probeert te verbeteren. Het systeem genereert programmeercode, test deze automatisch op prestaties, en behoudt de beste varianten over veel generaties. DeepMind meldde onder meer verbeteringen in praktische toepassingen zoals het efficiënter plannen van rekencapaciteit in datacenters en bijdragen aan chipontwerp.
De Darwin Gödel Machine (Sakana AI en academische partners, 2025) is een onderzoeksproject dat expliciet teruggrijpt op een oud theoretisch idee (zie hieronder). Het is een coding agent die zijn eigen programmacode mag herschrijven om beter te scoren op softwareontwikkel-benchmarks. Elke wijziging wordt empirisch getest; goed presterende varianten worden bewaard en dienen als basis voor de volgende ronde aanpassingen.
Voyager (samenwerking met onder meer Stanford en NVIDIA, 2023) is een AI-agent die in het computerspel Minecraft zelfstandig leert. Het bijzondere is de "vaardigheden-bibliotheek" die het systeem opbouwt: succesvolle stukjes code voor taken (zoals het maken van gereedschap) worden opgeslagen en later hergebruikt en gecombineerd, waardoor de agent steeds complexere taken aankan zonder dat een mens telkens nieuwe code hoeft te schrijven.
AutoML-Zero (Google, 2020) liet zien dat het mogelijk is om met evolutionaire algoritmes machine-learning-algoritmes vanaf nul te "ontdekken", te beginnen bij basale wiskundige bewerkingen, zonder dat onderzoekers vooraf een neuraal-netwerkstructuur opleggen. Het is een vroeg en invloedrijk voorbeeld van hoe evolutie gebruikt kan worden om AI-bouwstenen te ontwerpen in plaats van te trainen.
Evolutionaire model-samenvoeging (Sakana AI, 2024) is een aanpak waarbij bestaande, al getrainde open-source taalmodellen via evolutionaire zoekmethoden worden gecombineerd tot nieuwe modellen, zonder de kostbare stap van opnieuw trainen met gradient descent (de gangbare, rekenintensieve manier waarop neurale netwerken worden getraind). Dit toont een andere invulling van "zelfevolutie": niet het herschrijven van code, maar het automatisch combineren van bestaande modellen tot iets beters.
Hoe ver is de techniek?
Zelfevoluerende AI bevindt zich nog stevig in de onderzoeksfase. De huidige systemen werken goed binnen nauw afgebakende domeinen — vooral programmeertaken en wiskundige algoritmes — waar prestaties objectief en automatisch te meten zijn. Ze zijn niet in staat om zichzelf in algemene zin "slimmer" te maken op elk denkbaar gebied.
Een fundamentele beperking is dat het systeem afhankelijk is van de kwaliteit van de evaluatiefunctie die mensen opstellen. Als die meetlat niet goed is, kan een AI-systeem manieren vinden om hoog te scoren zonder daadwerkelijk beter te worden — een probleem dat in de AI-veiligheidsliteratuur wel "reward hacking" wordt genoemd (het systeem "speelt het spel" van de beoordeling in plaats van het onderliggende doel echt te bereiken).
Interessant is ook het verschil met het oorspronkelijke theoretische idee. De Zwitserse onderzoeker Jürgen Schmidhuber beschreef in 2003 de "Gödel Machine": een hypothetisch zelfverwijzend systeem dat zichzelf alleen zou herschrijven nadat het wiskundig had bewezen dat de wijziging een verbetering opleverde. Dat biedt in theorie een sterke veiligheidswaarborg, maar zulke formele bewijzen zijn voor complexe, realistische systemen vrijwel onmogelijk te leveren. De huidige generatie zelfevoluerende systemen, zoals de Darwin Gödel Machine, laat dit strikte bewijsvereiste dan ook los en vertrouwt in plaats daarvan op empirisch testen: gewoon uitproberen en meten. Dat werkt praktisch beter, maar biedt minder garanties.
De vooruitgang gaat wel snel. Waar zelfverbeterende systemen tot enkele jaren geleden vooral theoretisch of zeer beperkt waren, maakt de opkomst van grote taalmodellen die zelf goede programmeercode kunnen schrijven het sinds 2023-2025 voor het eerst praktisch haalbaar om AI-systemen te bouwen die hun eigen code zinvol aanpassen. Tegelijk waarschuwen onderzoekers, ook diegenen die dit werk zelf uitvoeren, voor de risico's van onvoorspelbaar gedrag naarmate systemen meer vrijheid krijgen om zichzelf te wijzigen. Vandaar dat vrijwel alle huidige experimenten plaatsvinden in afgeschermde, gecontroleerde testomgevingen (sandboxes) met beperkte taken, niet in open, ongecontroleerde omgevingen.
Wie werken eraan?
Google DeepMind, gevestigd in het Verenigd Koninkrijk en de Verenigde Staten, is met projecten als AlphaEvolve en eerder AlphaZero een van de meest zichtbare spelers. Sakana AI, een Japans AI-bedrijf opgericht in 2023 door voormalige Google-onderzoekers David Ha en Llion Jones, heeft zich nadrukkelijk gepositioneerd rond evolutionaire benaderingen van AI, met projecten als de Darwin Gödel Machine en evolutionaire model-samenvoeging.
Op academisch vlak spelen onderzoeksgroepen aan onder meer de University of British Columbia in Canada (met onderzoeker Jeff Clune, bekend van werk aan open-ended evolutie en lifelong learning) en Amerikaanse universiteiten zoals Stanford een rol, vaak in samenwerking met de industrie. Het theoretische fundament komt van Jürgen Schmidhuber, verbonden aan het Zwitserse onderzoeksinstituut IDSIA, die als een van de grondleggers van het vakgebied geldt.
Ook grote taalmodel-ontwikkelaars als OpenAI en Anthropic doen onderzoek naar aanpalende thema's — zelfreflectie en zelfcorrectie van AI-systemen, en methodes waarbij modellen hun eigen uitvoer bekritiseren en verbeteren — al ligt de nadruk daar minder expliciet op het herschrijven van eigen code of architectuur dan bij DeepMind en Sakana AI.