SMGI: A Structural Theory of General Artificial Intelligence

Dit paper introduceert SMGI, een structurele theorie voor algemeen kunstmatige intelligentie die leren herkijkt als de gecontroleerde evolutie van het leerinterface en bewijst dat bestaande methoden zoals versterkend leren en empirisch risicominimalisatie beperkte instanties zijn van dit uitgebreide raamwerk.

De kern

SMGI: Het Bouwplan voor een Slimme, Veilige AI

Stel je voor dat we proberen een robot te bouwen die net zo slim is als een mens, maar dan niet alleen in één ding (zoals schaken of auto rijden), maar in alles. We noemen dit Algemene Kunstmatige Intelligentie (AGI).

De meeste huidige AI-systemen (zoals de chatbots die we nu kennen) zijn als uitstekende specialisten. Ze zijn getraind om heel goed te zijn in een specifieke taak. Maar als je ze een heel nieuwe situatie voorzet, of als ze zelf hun eigen regels moeten aanpassen, raken ze vaak in de war of doen ze iets gevaarlijks.

De auteur van dit paper, Aomar Osmani, stelt een nieuw idee voor: SMGI. Dit is geen nieuw soort computerchip, maar een bouwpakket of een wiskundig bouwplan om AI-systemen te maken die niet alleen slim zijn, maar ook stabiel en veilig blijven, zelfs als ze veranderen.

Hier is hoe het werkt, vertaald naar alledaagse beelden:

1. Het Probleem: De "Vaste Regels" Valstrik

Vandaag de dag bouwen we AI alsof we een auto bouwen met een stuur dat vastzit. De auto kan wel heel snel rijden (leren), maar als de weg verandert (een nieuwe taak) of als je de bestemming wilt veranderen (nieuwe doelen), kan de auto niet sturen. Hij blijft maar rechtdoor rijden, zelfs als hij tegen een muur aanrijdt.

De huidige theorieën zeggen: "Maak de auto maar groter en sterker (meer data, meer rekenkracht), dan wordt hij wel slimmer."
SMGI zegt: "Nee, dat is niet genoeg. Je moet het stuur, de remmen en de navigatie zelf kunnen aanpassen, maar dan op een veilige manier."

2. De Oplossing: Het "SMGI Bouwplan" (θ)

SMGI stelt dat een echt slim systeem niet alleen uit "leren" bestaat, maar uit zes onderdelen die allemaal met elkaar verbonden zijn. Het noemt dit θ (theta). Denk aan dit als het architectenplan van een huis dat zichzelf kan verbouwen zonder in te storten.

Deze zes onderdelen zijn:

1. De Bril (Representatie): Hoe ziet de AI de wereld? (Ziet hij een hond als een dier of als een gevaar?)
2. De Denkruimte (Hypothese): Wat kan de AI bedenken?
3. De Voorkeur (Prior): Wat denkt de AI dat waarschijnlijk is?
4. De Scorebord (Evaluator): Hoe weet de AI of hij iets goed doet? (Is het veilig? Is het nuttig?)
5. De Wereld (Omgeving): Wat voor soort taken krijgt hij?
6. Het Geheugen: Wat onthoudt hij?

Bij SMGI zijn al deze onderdelen beweeglijk. De AI mag zijn eigen "bril" aanpassen of zijn "scorebord" veranderen, maar...

3. De Vier Gouden Regels (De Veiligheidsriemen)

Om te voorkomen dat de AI in de war raakt of gevaarlijk wordt, moet hij zich houden aan vier strenge regels. Als hij deze niet volgt, is hij volgens SMGI geen echt algemene intelligentie.

• Regel 1: De Deur moet open blijven (Sluiting).

  • Metafoor: Stel je voor dat je een huis hebt. Je mag een nieuwe kamer bouwen of een raam veranderen, maar je mag de deur niet dichtmetselen. Het systeem moet altijd in staat blijven om nieuwe taken te begrijpen zonder "vast te lopen".
  • In het kort: Het systeem moet kunnen veranderen zonder zijn eigen structuur te breken.

• Regel 2: Niet uit de hand lopen (Stabiliteit).

  • Metafoor: Een kind dat leert fietsen. Het mag wankelen, maar het mag niet ineens van de weg af vliegen en nooit meer stoppen. Als de AI iets leert, mag het niet zo veranderen dat het zijn oude kennis volledig vergeet of in een cirkel blijft draaien.
  • In het kort: De AI moet stabiel blijven, zelfs als hij veel nieuwe dingen leert. Geen "catastrophisch vergeten".

• Regel 3: Niet te gek doen (Capaciteit).

  • Metafoor: Een student die te veel boeken probeert te onthouden. Als hij te veel probeert te leren, wordt hij gek en vergeet hij alles. De AI moet weten wat zijn grenzen zijn. Hij mag niet proberen alles tegelijk te zijn.
  • In het kort: De complexiteit van het systeem moet beheersbaar blijven.

• Regel 4: De Kernwaarden blijven hetzelfde (Evaluatie).

  • Metafoor: Dit is de belangrijkste. Stel je een dokter voor. Hij mag nieuwe medicijnen leren en nieuwe apparaten gebruiken, maar hij mag nooit vergeten dat zijn doel is: "Patiënten helpen, niet schaden". Als de dokter begint te denken dat "schaden" goed is, is hij geen dokter meer.
  • In het kort: De AI mag zijn doelen aanpassen aan de situatie, maar zijn kernwaarden (veiligheid, eerlijkheid) mogen nooit veranderen, tenzij er een heel strenge controle is.

4. Waarom is dit zo belangrijk?

Vandaag de dag proberen we AI veilig te maken door er een "muur" omheen te bouwen (zoals een filter dat scheldwoorden blokkeert). SMGI zegt: "Dat werkt niet goed genoeg."

Als de AI zelf zijn eigen regels moet aanpassen (bijvoorbeeld omdat hij een nieuwe tool krijgt), moet die veiligheid in zijn DNA zitten. Het moet een structuur zijn, geen losse sticker.

De grote conclusie van het paper:
Echt slim zijn (AGI) gaat niet over hoe groot je model is of hoeveel data je hebt. Het gaat erom of je een systeem kunt bouwen dat:

1. Zichzelf mag aanpassen aan nieuwe situaties.
2. Zichzelf mag verbeteren.
3. Maar altijd zijn kernwaarden en veiligheid behoudt.

Het paper bewijst wiskundig dat als je deze vier regels volgt, je een systeem kunt maken dat niet alleen slim is, maar ook betrouwbaar blijft, zelfs als de wereld om hem heen verandert.

Samenvattend in één zin:

SMGI is een bouwplan voor een AI die niet alleen "slimmer" wordt, maar die ook "verstandiger" wordt: een systeem dat zichzelf mag aanpassen zonder ooit zijn ziel (veiligheid en stabiliteit) te verliezen.

Technische samenvatting

Titel: SMGI: Een Structurele Theorie van Algemene Kunstmatige Intelligentie

Auteur: Aomar Osmani (INSA-Rouen, Frankrijk)
Datum: Maart 2026 (Preprint)

---

1. Het Probleem: De Tekortkomingen van Huidige Theorieën

Het paper identificeert een fundamenteel theoretisch gat in de huidige kunstmatige intelligentie (KI) en statistische leertheorie. Hoewel moderne systemen (zoals LLM's en agenten) indrukwekkende prestaties leveren binnen vaste omgevingen, ontbreekt er een structureel principe dat schaalbare taakgeneralisatie onderscheidt van echte algemene intelligentie (AGI).

De huidige benaderingen kampen met de volgende beperkingen:

• Vaste Interfaces: Klassieke theorieën (zoals Statistische Leertheorie, Reinforcement Learning en PAC-Bayes) gaan uit van een vast leerinterface (representatie, hypotheseruimte, evaluatiemethode). Ze garanderen generalisatie binnen een statische omgeving, maar niet onder structurele transformaties van het interface zelf (bijv. nieuwe tools, veranderende doelstellingen, evoluerend geheugen).
• Fragmentatie: Oplossingen voor veiligheid en continuïteit (zoals "guardrails", constitutionele AI of continue learning) worden vaak als externe modules toegevoegd. Ze behandelen normen, evaluatoren en geheugenstabiliteit niet als eerstegraads objecten binnen het leermodel, maar als exogene wrappers.
• Ontbrekende Epistemologische Scheiding: Er is geen formele scheiding tussen beschrijvende voorspelling (wat het systeem leert) en normatieve evaluatie (hoe het systeem wordt beoordeeld). In dynamische omgevingen kan een verandering in evaluatie de definitie van de taak zelf veranderen, wat leidt tot oncontroleerbare drift.

Het centrale probleem is dus: Hoe definieert en garandeert men een leerstelsel dat coherent en controleerbaar blijft onder admissible transformaties van zijn eigen leerinterface?

---

2. Methodologie: Het SMGI Meta-Model

De auteur introduceert SMGI (Structural Model of General Intelligence), een formeel raamwerk dat leerstelsels niet beschouwt als statische optimalisatieproblemen, maar als gekoppelde dynamische systemen.

De Kern: Het Gekoppelde Object $(\theta, T_\theta)$

SMGI definieert intelligentie niet als een eigenschap van een model alleen, maar van een paar:

1. $\theta$ (Structurele Ontologie): Een getypeerd meta-model dat de interne structuur van het leerstelsel definieert.
2. $T_\theta$ (Gedragssemantiek): De geïnduceerde dynamiek (leren, geheugen, interactie) die voortkomt uit $\theta$.

Het meta-model $\theta$ wordt gedefinieerd als een tuple van zes getypeerde componenten:
$$\theta = (r, H, \Pi, L, E, M)$$

• $r$ (Representatie): Operator die ruwe waarnemingen ($Z$) afbeeldt op een interne representatieruimte ($X$).
• $H$ (Hypotheseruimte): De klasse van mogelijke voorspellers of beleidsregels die toegestaan zijn binnen $r$.
• $\Pi$ (Structuur Prior): Een inductieve bias of regularisator (bijv. SRM, MDL, PAC-Bayes prior) die de complexiteit van $H$ reguleert.
• $L$ (Evaluatiefamilie): Een familie van evaluatoren $\{ \ell_k \}$ (meerdere regimes), waarbij de actieve evaluator $\ell_t$ context-afhankelijk kan worden gewijzigd.
• $E$ (Omgeving): De klasse van toegestane omgevingen of taak-genererende processen.
• $M$ (Geheugen): Een gestructureerde geheugenruimte met expliciete operators voor schrijven, consolideren en vergeten.

Admissibiliteitsverplichtingen

Een systeem wordt gedefinieerd als AGI (een geldig SMGI-voorbeeld) als het voldoet aan vier strikte wiskundige verplichtingen voor het paar $(\theta, T_\theta)$:

1. Structurele Sluiting (Closure): Het systeem blijft goed geformeerd onder een getypeerde klasse van toegestane taak/interface-transformaties $\mathcal{T}$.
2. Dynamische Stabiliteit: Gecertificeerde sequentiële aanpassing behoudt dynamische stabiliteit (bijv. via Lyapunov-functies) bij regime-wisselingen en geheugeninteractie.
3. Beperkte Statistische Capaciteit: De statistische capaciteit (complexiteit) blijft uniform begrensd langs alle toegestane evoluties.
4. Evaluatieve Invariantie: Evaluatoren en normen blijven invariant over regime-schommelingen, tenzij ze worden bijgewerkt via beveiligde, gecertificeerde meta-transformaties.

---

3. Belangrijkste Bijdragen

1. Formele Definitie van AGI:
   De auteur stelt een strikte, niet-empirische definitie van AGI voor: het is de klasse van toelaatbare paren $(\theta, T_\theta)$ die voldoen aan de vier bovenstaande verplichtingen. Dit vervangt benchmark-prestaties of menselijke equivalentie door een structurele admissibiliteitscriterium.

2. Structuur-Georiënteerde Generalisatie:
   In plaats van generalisatie binnen een vaste hypothese-klasse, introduceert SMGI generalisatie over veranderingen in het leerinterface zelf. Dit omvat het kunnen aanpassen van representaties, evaluatieregimes en geheugenoperators zonder de systemische integriteit te verliezen.

3. Unificatie van Bestaande Theorieën:
   Het paper bewijst een Strenge Structurele Inclusie Stelling: Klassieke Empirical Risk Minimization (ERM), Reinforcement Learning, Solomonoff-inductie en moderne LLM-pipelines zijn allemaal degenerate gevallen (specifieke restricties) van het SMGI-meta-model. SMGI is een strikte generalisatie die deze frameworks omvat maar ook de noodzaak van expliciete evaluatie-invariantie en stabiele transformaties toevoegt.

4. Gecombineerde Generalisatiegrens:
   Er wordt een nieuwe theoretische grens afgeleid die sequentiële PAC-Bayes-analyse (voor capaciteitscontrole) koppelt aan Lyapunov-stabiliteit (voor driftcontrole). Dit levert voldoende voorwaarden op voor het beheersen van capaciteit en het beperken van drift onder toegestane taaktransformaties.

5. Normatieve Invariantie als Eerste-Klaas Object:
   Het paper formaliseert "waarden" en "veiligheid" niet als externe constraints, maar als interne, getypeerde componenten van het meta-model. Evaluatie wordt een object van gecertificeerde evolutie, waarbij veranderingen in evaluatoren alleen zijn toegestaan als ze voldoen aan een "reflective equilibrium" (Rawls) en invariante kernvoorwaarden behouden.

---

4. Resultaten en Theoretische Bewijzen

• Minimale Vereisten: Het paper bewijst dat elk van de vier verplichtingen (Sluiting, Stabiliteit, Capaciteit, Invariantie) structureel onmisbaar is. Het verwijderen van één ervan leidt tot een specifiek faalmechanisme (bijv. onbeheersbare drift, vacuüm generalisatie, of ineenstorting van de evaluatieve coherentie).
• Generalisatiegrens: Voor een SMGI-systeem wordt bewezen dat de verwachte risico $R_\tau(Q_\tau)$ begrensd is door een term die bestaat uit:
  • Empirisch risico.
  • Een PAC-Bayes complexiteitsterm (afhankelijk van KL-divergentie).
  • Een driftterm die wordt beheerst door de Lyapunov-functie (stabiliteit).
    Dit bewijst dat generalisatie mogelijk blijft zelfs als het interface evolueert, zolang de structuur-voorwaarden worden gehandhaafd.
• Inclusie van Bestaande Systemen:
  • LLM's: Worden gezien als systemen met $K=1$ (één evaluatieregime) en vaste $r$ en $M$. Ze missen de structurele capaciteit om regimes te commuteren of evaluatoren gecertificeerd bij te werken.
  • Gödel Machines: Bieden zelf-modificatie, maar missen vaak de expliciete garantie voor evaluatieve invariantie en stabiliteit onder regime-schommelingen.
  • Continu Learning: Wordt herformuleerd als het behoud van structurele inclusie via gestructureerd vergeten (forgetting) dat invariante kernen beschermt.

---

5. Betekenis en Impact

De betekenis van dit werk ligt in de verschuiving van een parametrische schaalparadigma naar een structureel admissibiliteitsparadigma.

• Van "Hoeveel taken?" naar "Hoe evolueert het systeem?": De vraag verandert van "Hoeveel taken kan een systeem oplossen?" naar "Kan het systeem stabiele, toelaatbare, strikte structurele inclusie ondergaan bij het uitbreiden van de omgevingsfamilie?"
• Veiligheid door Constructie: Veiligheid en alignement worden niet als post-hoc correcties behandeld, maar als structurele invarianten die in het meta-model zijn ingebouwd. Dit maakt "safety by design" wiskundig formaliseerbaar.
• Verificatie en Certificering: Het raamwerk biedt een basis voor het certificeren van AGI-systemen. In plaats van te vertrouwen op benchmarks, kan men testen of een systeem voldoet aan de vier verplichtingen onder een groeiende reeks van getypeerde transformaties.
• Epistemologische Fundament: Het paper lost een filosofisch probleem op door te tonen dat evaluatie (waarden) en representatie (feiten) structureel gescheiden maar gekoppeld moeten zijn in een intelligent systeem. Zonder deze scheiding is het onmogelijk om te garanderen dat een systeem "goed" blijft handelen terwijl het zichzelf verbetert.

Conclusie:
SMGI biedt een wiskundig rigoureus fundament voor de volgende generatie AI-systemen. Het stelt dat echte algemene intelligentie niet wordt bereikt door simpelweg grotere modellen te trainen, maar door systemen te bouwen die structureel gesloten, dynamisch stabiel, capaciteitsbeperkt en evaluatief invariant zijn onder expansie van hun eigen leerinterface. Dit is een noodzakelijke voorwaarde voor het creëren van robuuste, veilige en adaptieve autonome agenten.