🤖 AI

Foundational Requirements for Artificial General Intelligence: A Falsifiable Framework Based on Signal Prediction

Dit artikel stelt een falsifieerbaar kader voor voor Kunstmatige Algemene Intelligentie gebaseerd op principes van signaalvoorspelling afgeleid uit de cognitieve neurowetenschap, waarbij een operationele testomgeving wordt geïntroduceerd om deze fundamentele vereisten empirisch te evalueren.

Oorspronkelijke auteurs: Matej Šprogar

Gepubliceerd 2026-06-01

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Matej Šprogar

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een robot probeert te bouwen die werkelijk "slim" is op dezelfde manier als een mens. De meeste mensen proberen robots vandaag de dag te onderwijzen door ze een miljoen voorbeelden te geven van hoe ze schaken, gedichten schrijven of auto's rijden. Maar dit artikel betoogt dat we het probleem achterstevoren bekijken. In plaats van de robot te leren wat hij moet doen, moeten we uitzoeken wat de fundamentele, laag-niveau regels zijn die een brein (biologisch of kunstmatig) in staat stellen om überhaupt te leren.

De auteur, Matej Šprogar, stelt een nieuwe manier voor om "Artificial General Intelligence" (AGI) te testen. In plaats van te vragen: "Kan deze robot een wiskundetoets maken?", vraagt hij: "Beschikt deze robot over de fundamentele bouwstenen van leren?"

Hier is een eenvoudige uiteenzetting van de kernideeën van het artikel:

1. Het kernidee: Leren door de toekomst te raden

Het artikel suggereert dat ware intelligentie niet gaat over het onthouden van feiten; het gaat over het voorspellen van de toekomst.

De analogie: Stel je voor dat je door een donker bos loopt. Je hoort een takje knappen. Een slim systeem hoort niet alleen een geluid; het raadt onmiddellijk: "Er komt een hert aan," of "Er is een tak gevallen," en bereidt de volgende stap voor.
De claim van het artikel: Een intelligent systeem moet in staat zijn om naar een stroom van ruwe gegevens te kijken (zoals een sequentie van enen en nullen, vergelijkbaar met hoe neuronen vuren) en te raden wat er volgt. Het leert door te proberen de volgende "frame" van de werkelijkheid te voorspellen op basis van de voorgaande.

2. De "falsifieerbare" test (De 12 regels)

Omdat we geen perfecte definitie van "intelligentie" hebben, probeert de auteur niet te bewijzen dat een systeem slim is. In plaats daarvan zet hij een valstrik op. Hij stelt 12 specifieke regels op die elk werkelijk slim systeem moet volgen.

Als een systeem zelfs maar aan één van deze regels faalt, kan het niet als algemeen intelligent worden beschouwd. Echter, het passeren van alle 12 regels garandeert niet dat het een genie is; het betekent alleen dat het nog niet betrapt is op valsspelen.

Hier zijn de 12 regels uitgelegd met alledaagse analogieën:

Het onbeschreven blad: Het systeem moet beginnen met nul kennis. Het mag geen vooraf geprogrammeerde "cheat codes" of vooraf geladen feiten over de wereld hebben. Het moet alles vanaf nul leren, net als een menselijke baby.
Het uurwerk-brein: Als je het systeem exact dezelfde input twee keer geeft, moet het exact hetzelfde reageren. Het mag niet willekeurig of chaotisch zijn; het moet consistent zijn.
Het permanente litteken: Elk stukje informatie dat het systeem ziet, moet een blijvende afdruk achterlaten op zijn "geheugen". Het kan het verleden niet vergeten of overschrijven; elke ervaring verandert het voor altijd.
Tijd doet ertoe: De volgorde van gebeurtenissen moet van belang zijn. Als je een "rook"-signaal ziet gevolgd door een "vuur"-signaal, is dat anders dan het zien van "vuur" gevolgd door "rook". Het systeem moet begrijpen dat de tijd in één richting stroomt.
De "hersteltijd": Net zoals een echte neuron een fractie van een seconde nodig heeft om te rusten voordat hij weer vuurt, kan het systeem niet twee identieke signalen direct achter elkaar verwerken. Het heeft een kleine "adempauze" nodig tussen de inputs door.
De capaciteitslimiet: Het systeem kan niet alles leren. Het heeft een limiet. Het zou eenvoudige paren gebeurtenissen gemakkelijk moeten kunnen leren, maar naarmate de zaken langer en complexer worden, zou het uiteindelijk tegen een muur aan moeten lopen waarbij het niet meer kan leren.
Flexibele timing: Het systeem moet in staat zijn om patronen te leren die snel gebeuren (zoals een drumritme) en patronen die langzaam gebeuren (zoals de seizoenen). Het kan niet vastzitten op slechts één snelheid.
Hard vs. Makkelijk: Als het patroon simpel is, moet het systeem het snel leren. Als het patroon rommelig en complex is, moet het langer duren. De leersnelheid moet overeenkomen met de moeilijkheidsgraad.
Context doet ertoe: Hoe snel het systeem leert, moet afhangen van wat het al weet. Als de nieuwe informatie past bij wat het gisteren heeft geleerd, moet het snel gaan. Als het in strijd is met wat het gisteren leerde, moet het langzaam gaan.
De ruisfilter: Als je het systeem een bekend patroon geeft maar één deel ervan verstoort (zoals een liedje met een krakende plaat), moet het in staat zijn om de fout te "horen" en te raden welke noot de juiste had moeten zijn.
De sprong in het diepe (Generalisatie): Als het systeem een patroon leert, moet het in staat zijn om te raden wat er volgt in een sequentie die het nog nooit eerder heeft gezien. Het moet niet alleen memoriseren; het moet de regel begrijpen.
Real-time snelheid: Het systeem moet zijn beslissing onmiddellijk nemen. Het kan niet een jaar denken over een eenvoudige input. Het moet binnen een vaste, korte tijd reageren, ongeacht hoeveel het heeft geleerd.

3. De "Testomgeving" (Het examen)

De auteur heeft een digitale digitale examenvorm gebouwd genaamd de AGITB (Artificial General Intelligence Testbed) om te controleren of computers aan deze 12 regels kunnen voldoen.

De opzet: De computer krijgt een stroom van willekeurige 10-bit getallen gevoerd (zoals een stroom lichtschakelaars die aan en uit gaan).
Het doel: De computer moet het volgende getal in de stroom voorspellen.
Het resultaat: Tot nu toe heeft geen enkel bestaand AI-systeem de volledige test gehaald.
- Waarom? Moderne AI (zoals de chatbots die je gebruikt) faalt meestal op de regel "Het onbeschreven blad" omdat ze zijn voorgetraind op enorme hoeveelheden data. Ze falen op de "Real-time" regel omdat ze te traag zijn of enorme computers nodig hebben om na te denken. Ze falen op de "Permanente litteken" regel omdat ze vaak hun geheugen resetten.

4. Waarom dit ertoe doet

Het artikel stelt dat de huidige AI als een papegaai is. Het kan herhalen wat het heeft gehoord, maar het begrijpt de stroom van de tijd of het leren van ruwe ervaringen zonder vooraf geladen informatie niet echt.

Om een robot te bouwen die werkelijk "levend" en aanpasbaar is, moeten we stoppen met het proberen aan te leren van hoog-niveau vaardigheden (zoals het schrijven van essays) en in plaats daarvan systemen bouwen die aan deze 12 laag-niveau regels voldoen. Als een machine deze test kan doorstaan, betekent dit dat het de potentie heeft voor algemene intelligentie. Als het faalt, is het slechts een gespecialiseerde tool.

Kortom: Het artikel zegt: "We weten niet precies wat 'intelligentie' is, maar we weten wel wat het niet is. Hier zijn 12 regels die een slim brein moet volgen. Als jouw robot ook maar één van deze regels breekt, is hij nog niet slim."

Technische Samenvatting: Fundamentele Vereisten voor Kunstmatige Algemene Intelligentie

Probleemstelling
Het artikel behandelt het fundamentele gebrek aan een precieze definitie van intelligentie en het beperkte begrip van de werking van biologische hersenen, wat de ontwikkeling van Kunstmatige Algemene Intelligentie (AGI) belemmert. Huidige AI-systemen bereiken vaak een hoge prestatie op specifieke taken door te optimaliseren voor specifieke benchmarks, waarbij zij gespecialiseerde competentie verwarren met algemene intelligentie. Deze systemen vertrouwen vaak op bestaande semantische structuren of hoogwaardige symbolische representaties, waardoor ze falen in het adresseren van het "probleem van de gronding van symbolen" (symbol grounding problem), waarbij symbolen zonder sensorische interactie geen intrinsieke betekenis hebben. De auteurs stellen dat het richten op hoogwaardige gedragingen binnen vooraf gedefinieerde taken onvoldoende is; in plaats daarvan moet de focus verschuiven naar de laag-niveau, architectuuronafhankelijke gedragsvereisten die noodzakelijk zijn voor het ontstaan van algemene intelligentie.

Methodologie
De auteurs stellen een falsifieerbaar kader voor dat gebaseerd is op de hypothese dat hoogwaardige intelligentie voortkomt uit laag-niveau signaalverwerking. In plaats van intelligentie te definiëren, definiëren zij een reeks noodzakelijke (hoewel niet voldoende) voorwaarden waaraan een systeem moet voldoen om als kandidaat voor AGI te worden beschouwd.

De Hypothese: Een systeem dat in staat is tot menselijke algemene intelligentie, moet voldoen aan twaalf specifieke vereisten. Deze vereisten karakteriseren adaptieve systemen die leren door middel van voorspelling over ruimtelijk en temporeel gestructureerde binaire signalen zonder externe semantische kennis.
De Testomgeving (AGITB): Om deze vereisten te operationaliseren, introduceren de auteurs de Artificial General Intelligence Testbed (AGIT, AGITB). Dit is een transparante, herbruikbare set empirische tests, één voor elke vereiste.
- Inputruimte: Het systeem verwerkt sequenties van 10-bits binaire vectoren ( $L=10$ ). De inputruimte wordt beperkt door een "absolute refractaire periode" (geen bit kan in opeenvolgende tijdstappen '1' zijn), wat een specifieke subset van toegestane sequenties creëert.
- Taak: Het systeem moet de volgende input in een sequentie voorspellen op basis van de geschiedenis ervan.
- Evaluatiecriteria: De testomgeving hanteert een "alles-of-niets"-criterium. Een systeem moet alle twaalf taakspecifieke vereisten doorstaan om als kandidaat te worden beschouwd. De tests zijn ontworpen als stresstests (bijv. 5.000 herhaalde pogingen) om robuustheid te waarborgen in plaats van statistische significantie.
- Falsifieerbaarheid: Het kader is ontworpen om gefalsifieerd te worden. Als een aantoonbaar niet-intelligente entiteit (bijv. een smal algoritme) alle twaalf tests zou doorstaan, zou de hypothese dat deze vereisten noodzakelijk zijn voor AGI worden verworpen.

De Twaalf Vereisten
Het kader identificeert twaalf minimale, interagerende vereisten:

Onwetend Startpunt (Uninformed Start): Modellen moeten beginnen vanuit een identieke, lege initiële configuratie zonder omgeving-specifieke kennis.
Determinisme: De evolutie van het model moet deterministisch zijn met betrekking tot de inputgeschiedenis.
Spoor (Trace): Elke input moet een permanent intern spoor achterlaten; configuraties mogen nooit herhalen (geen cycli).
Tijd: De evolutie van het model moet strikt afhangen van de volgorde van inputs (niet-commutatief).
Absolute Refractaire Periode: Leren is beperkt tot sequenties waarbij opeenvolgende inputs paren van niet-overlappende signalen zijn (biologisch plausibele spike-beperkingen).
Onvermijdelijke Verzadiging (Inevitable Saturation): Systemen hebben een eindige capaciteit; ze kunnen niet alle mogelijke sequenties leren, hoewel alle toegestane sequenties van lengte-2 leerbaar moeten zijn.
Temporele Adaptiviteit: Het systeem moet sequenties met variërende cycluslengtes leren en zich aanpassen aan veranderingen in de temporele schaal.
Inhoudsgevoeligheid (Content Sensitivity): De adaptatietijd moet variëren op basis van de complexiteit van de inputsequentie.
Contextgevoeligheid (Context Sensitivity): De adaptatietijd moet variëren op basis van de interne configuratie van het model (geschiedenis).
Denoising (Ruisreductie): Een geïnformeerd model moet beter presteren dan constante baselines bij het voorspellen van gecorrumpeerde inputs binnen een bekende sequentie.
Generalisatie: Het model moet ongeziene voortzettingen van een sequentie beter voorspellen dan toeval na het observeren van een prefix.
Real-time Levendigheid (Real-time Liveness): Elke modelupdate moet binnen een vaste wandkloktijdlimiet worden voltooid, onafhankelijk van de inputgeschiedenis.

Belangrijkste Bijdragen

Operationeel Kader: Het artikel biedt het eerste operationele, falsifieerbare kader dat voorspellende verwerking, continu leren en biologische gronding combineert in een enkele set architectuur-agnostische criteria.
De AGITB Testomgeving: Een publiekelijk beschikbare referentie-implementatie (C++) die systemen evalueert tegen deze twaalf vereisten.
Verschuiving naar Laag-niveau Signalen: Het werk beweegt weg van symbolische evaluatie (die lijdt onder grondingsproblemen) naar de voorspelling van ruwe binaire signalen, wat aansluit bij de neurocomputationele principes van de cerebrale cortex.
Synthese van Vereisten: De nieuwheid ligt niet in de individuele componenten, maar in de synthese van deze specifieke laag-niveau beperkingen, die afzonderlijk oplosbaar zijn door gespecialiseerde systemen, maar collectief een veel sterkere beperking opleggen aan kandidaat-architecturen.

Resultaten

Empirische Status: Tot op heden is er geen enkel niet-intelligent systeem geïdentificeerd of gerapporteerd dat de AGITB-testomgeving succesvol heeft doorstaan.
Pogingen tot Tegenvoorbeelden: De auteurs hebben geprobeerd tegenvoorbeelden te genereren met behulp van hedendaagse Large Language Models (LLM's) zoals ChatGPT, Claude en Gemini om code te synthetiseren die de tests zou kunnen doorstaan. Hoewel deze modellen code produceerden die beweerde aan de criteria te voldoen, slaagde geen van de gegenereerde oplossingen wanneer deze werd uitgevoerd onder de AGITB-evaluatieprocedure.
Systeembeperkingen: Het artikel merkt op dat bestaande systemen (symbolische programma's, standaard ANN's en LLM's) over het algemeen specifieke vereisten niet halen, met name de "uninformed start" (door pretraining) en de "real-time liveness" of "trace" vereisten (door architecturale beperkingen zoals vaste contextvensters).

Betekenis en Claims
Het artikel claimt bescheiden dat het doorstaan van de AGITB niet het bestaan van algemene intelligentie bewijst. In plaats daarvan dient de testomgeving als een kandidaat empirische mijlpaal.

Noodzakelijk, Niet Voldoende: Het voldoen aan de twaalf vereisten is gehypothetiseerd als noodzakelijk voor AGI, maar niet voldoende om hoogwaardige capaciteiten zoals redeneren of taal te garanderen.
Falsifieerbaarheid: De primaire betekenis is de mogelijkheid om de hypothese te falsifiëren. Als een smal systeem slaagt, wordt de hypothese verworpen. Totdat een dergelijk tegenvoorbeeld wordt gevonden, bakent de testomgeving een grens af die hedendaagse systemen niet overschrijden.
Methodologische Kloof: Het werk adresseert een langlopende kloof in AGI-onderzoek door een transparante, herbruikbare methode te bieden voor het evalueren van de laag-niveau gedragsbeperkingen die worden gehypothetiseerd als voorwaarden voor algemene intelligentie, bewegend voorbij vage definities of taakspecifieke benchmarks.

1. Het kernidee: Leren door de toekomst te raden

2. De "falsifieerbare" test (De 12 regels)

3. De "Testomgeving" (Het examen)

4. Waarom dit ertoe doet

Technische Samenvatting: Fundamentele Vereisten voor Kunstmatige Algemene Intelligentie

Meer zoals dit