CTM-AI: A Blueprint for General AI Inspired by a Model of Consciousness

Dit artikel introduceert CTM-AI, een principieel blauwdruk voor algemeen kunstmatige intelligentie die het Conscious Turing Machine-model integreert met foundation-modellen om state-of-the-art prestaties te bereiken in multimodaal begrip en agentische taken door dynamische selectie en integratie van diverse gespecialiseerde en algemene verwerkers.

De kern

Het Grote Idee: Een "Bewust" Team van Experts

Stel je voor dat je probeert een zeer lastig raadsel op te lossen. Je hebt een team van experts in de kamer: een visueel kunstenaar, een muzikant, een logicus, een historicus en een komiek.

In de meeste huidige AI-systemen is er meestal een "baas" (een centrale manager) die iedereen vertelt wat ze moeten doen, of een enkele superintelligente persoon die probeert alles alleen te doen.

CTM-AI doet iets anders. Het is geïnspireerd door een theorie over hoe menselijk bewustzijn werkt (de Conscious Turing Machine). In plaats van een baas, gebruikt het een systeem waarbij:

1. Iedereen tegelijkertijd werkt.
2. Er geen centrale baas is.
3. Ze concurreren om gehoord te worden.
4. Ze delen wat ze leren om samen slimmer te worden.

Het artikel beweert dat deze aanpak een flexibeler, "algemeen" AI creëert dat complexere taken beter aankan dan huidige systemen.

---

Hoe Het Werkt: De "Stadhuis" Analogie

Beschouw het CTM-AI-systeem als een drukke stadhuisvergadering waar een probleem (een vraag van een gebruiker) wordt aangekondigd. Hier is het stap-voor-stap proces dat het artikel beschrijft:

1. De "Onbewuste" Menigte (De Processors)

Stel je een kamer voor vol met honderden specialisten (genaamd LTM Processors). Sommigen zijn goed in het zien van beelden, anderen in het horen van geluiden, weer anderen in het gebruik van hulpmiddelen zoals rekenmachines of webbrowsers, en sommigen zijn gewoon "vrije agenten" die klaarstaan om nieuwe vaardigheden te leren.

• Wat ze doen: Wanneer er een vraag binnenkomt, denkt iedereen in de kamer er tegelijkertijd over na op basis van hun eigen specialiteit.
• De Output: Iedereen schrijft een korte notitie (een "chunk") op die bevat:
  • De Kern: Hun beste gok of bevinding.
  • De Score: Hoe zeker ze zijn.
  • De Vraag: Een vervolgvraag die ze aan iemand anders willen stellen om het raadsel op te lossen.

2. De "Up-Tree" Competitie (Wie Mag Spreken?)

De kamer is te luidruchtig voor iedereen om tegelijk te spreken. Daarom gebruiken ze een stemsysteem (de Up-Tree).

• De notities worden doorgegeven via een ladder van rechters.
• De rechters vergelijken de notities en scores.
• De Winnaar: Alleen de allerbeste notitie (die met het hoogste vertrouwen en de meeste relevantie) wint het recht om hardop uitgesproken te worden. Dit wordt de "bewuste" gedachte van het systeem.

3. De "Down-Tree" Uitzending (De Aankondiging)

Zodra de winnaar is gekozen, wordt hun notitie uitgezonden naar iedereen in de kamer (de Down-Tree).

• Nu weet elke specialist wat de "bewuste" gedachte is.
• Dit werkt hun geheugen bij. Ze delen allemaal nu dezelfde context.

4. De "Link" Vorming (Het Fluisternetwerk)

Dit is het magische deel. Als Specialist A beseft dat Specialist B informatie heeft die helpt bij het verklaren van de winnende notitie, vormen ze een Link.

• Onbewuste Communicatie: In plaats van weer door de luidspreker te gaan, praten ze direct met elkaar.
• Fusie: Ze combineren hun kennis. Bijvoorbeeld: als de "Visuele" specialist een verdrietig gezicht ziet, en de "Audio"-specialist een vrolijke toon hoort, koppelen ze zich aan elkaar om te beseffen dat de persoon sarcastisch is.
• Dit gebeurt "onbewust" (op de achtergrond) om een rijker begrip op te bouwen voordat de volgende ronde van competitie begint.

5. De Lus (Itereren)

Het systeem herhaalt deze cyclus. Het geeft niet zomaar één antwoord; het blijft zijn begrip verfijnen, nieuwe links vormen en meer bewijs verzamelen totdat het zeker genoeg is om het definitieve antwoord te geven.

---

Wat Hebben Ze Eigenlijk Gebouwd?

De onderzoekers hebben een werkend computerprogramma gebouwd genaamd CTM-AI dat deze "Stadhuis"-structuur gebruikt. Ze hebben het niet alleen theoretisch onderzocht; ze hebben het getest tegen echte wereldproblemen.

De Tests (De "Examens"):

1. Humor en Sarcastisme Begrijpen (MUStARD & UR-FUNNY):
   • De Uitdaging: Sarcastisme is moeilijk omdat je de toon moet horen, het gezichtsuitdrukking moet zien en de woorden moet lezen, allemaal tegelijk.
   • Het Resultaat: CTM-AI behaalde de hoogste scores (rond de 72%) in vergelijking met andere geavanceerde AI-modellen. Het versloeg systemen die proberen alles in één keer te doen of systemen die een centrale manager gebruiken.
2. Hulpmiddelen Gebruiken (StableToolBench):
   • De Uitdaging: Een AI vragen om een rekenmachine te gebruiken, het weer te zoeken of een vlucht te boeken.
   • Het Resultaat: CTM-AI verbeterde zijn slagingspercentage met meer dan 10 punten in vergelijking met standaard AI-agenten. Het werd beter in het uitzoeken welke tool te gebruiken en hoe ze te combineren.
3. Navigeren op het Web (WebArena-Lite):
   • De Uitdaging: Door websites klikken om specifieke informatie te vinden of een taak te voltooien.
   • Het Resultaat: Het was aanzienlijk beter in het navigeren door complexe websites dan standaard AI-agenten.

Waarom Is Dit Anders?

Het artikel benadrukt twee belangrijke verschillen tussen CTM-AI en andere AI:

• Geen "Baas": De meeste AI-systemen hebben een centrale manager (zoals een projectmanager in een bedrijf) die agenten vertelt wat ze moeten doen. CTM-AI heeft geen manager. De "baas" is de competitie zelf. Dit maakt het flexibeler; als een nieuw type probleem ontstaat, heeft het systeem geen nieuwe manager nodig, het heeft alleen de juiste experts nodig om te concurreren en te winnen.
• Zelfverbeterende Links: Terwijl het systeem problemen oplost, leren de specialisten wie ze moeten aanspreken. Als de "Visie"-expert altijd hulp nodig heeft van de "Tekst"-expert, vormen ze een permanente link. Na verloop van tijd bouwt het systeem zijn eigen efficiënte communicatienetwerk op, net zoals mensen leren om bepaalde mensen in hun sociale kring te vertrouwen.

De Conclusie

Het artikel presenteert CTM-AI als een blauwdruk voor een slimmere, aanpasbaardere AI. Door na te bootsen hoe menselijk bewustzijn werkt – met gebruik van een globale werkruimte waar ideeën concurreren, winnen en zich vervolgens verspreiden naar iedereen – kan het systeem complexe, meerstapsproblemen beter oplossen dan huidige "enkel-brein" of "baas-beheerde" AI-systemen.

Belangrijke Opmerking: De auteurs stellen expliciet dat ze geen bewust wezen bouwen. Ze gebruiken een model van bewustzijn als blauwdruk om een betere, effectievere machine te bouwen. Ze claimen niet dat de AI iets "voelt"; ze claimen dat de structuur van zijn denken het slimmer maakt.

Technische samenvatting

Technische Samenvatting: CTM-AI: Een Blauwdruk voor Algemene AI Geïnspireerd door een Model van Bewustzijn

Probleemstelling

Ondanks aanzienlijke vooruitgang blijven huidige AI-systemen beperkt in scope en missen ze de flexibele, adaptieve en multisensorische intelligentie die kenmerkend is voor menselijke capaciteiten. Hoewel theorieën over bewustzijn (zoals de Global Workspace Theory) potentieel architecturale inspiratie bieden, zijn ze grotendeels abstract of puur theoretisch gebleven, zonder empirische validatie in praktische systemen. Omgekeerd vertrouwen bestaande multi-agent frameworks vaak op rigide centrale orkestrators of vooraf gedefinieerde workflows die generalisatie belemmeren. Er bestaat een kritieke kloof tussen theoretische modellen van bewustzijn en de implementatie van praktische, algemene AI-systemen die diverse modaliteiten en hulpmiddelen dynamisch kunnen coördineren zonder een centraal uitvoerend orgaan.

Methodologie: De CTM-AI Architectuur

Het artikel introduceert CTM-AI, een concreet systeem dat de Conscious Turing Machine (CTM) — een formeel model van bewustzijn van Blum & Blum (2021; 2022) — instantieert met behulp van moderne foundation modellen. In tegenstelling tot traditionele agentische workflows met een centrale "dirigent", hanteert CTM-AI een volledig gedecentraliseerde architectuur waarbij de informatieflow wordt bepaald door gedistribueerde competitie en uitzending.

Kerncomponenten

Het systeem wordt gedefinieerd als een 7-tupel: <STM, LTM, Up-Tree, Down-Tree, Links, Input, Output>.

1. Long-Term Memory (LTM) Processors: Een federatie van parallelle, onafhankelijke processors. Deze omvatten:
   • Sensory Processors: Gespecialiseerd in visie, audio en tekst.
   • Extended Processors: Wrappers voor externe tools en API's.
   • Cognitive Processors: Verantwoordelijk voor redenering en planning.
   • Motor Processors: Genereren van outputs (dialogen, API-aanroepen).
   • Ongespecialiseerde "Free" Processors: Slots voor het verwerven van nieuwe vaardigheden in de loop van de tijd.
2. Short-Term Memory (STM): Een werkruimte met beperkte capaciteit die op elk tijdstip één "chunk" informatie bevat, wat de huidige "bewuste" inhoud van het systeem vertegenwoordigt.
3. Communicatiemechanismen:
   • Up-Tree Competitie: Een hiërarchische (of vereenvoudigde globale) competitie waarbij alle LTM-processors een "chunk" indienen (bevat een samenvatting, vervolgvragen en een zelfbeoordeelde score). De winnaar komt in de STM terecht.
   • Down-Tree Uitzending: De winnende chunk wordt uitgezonden naar alle processors, waardoor hun privégeheugens worden bijgewerkt en de informatie globaal beschikbaar wordt.
   • Links en Fusie: Processors vormen bidirectionele links op basis van de relevantie van hun informatie voor de uitgezonden inhoud. Gelinkte processors nemen deel aan "onbewuste" communicatie, wisselen vragen uit en fuseren kennis direct, waarbij ze de STM-flesnek omzeilen.

Inferentie-dynamiek

CTM-AI werkt via een iteratieve lus (Algoritme 1):

1. Chunk Inferentie: Alle processors genereren chunks op basis van observaties en privégeheugen. Scores worden ontbonden in gewicht (relevantie), intensiteit (zekerheid) en stemming (onverwachte aard).
2. Competitie: De Up-Tree selecteert de hoogst scorende chunk voor de STM.
3. Uitzending: De STM-inhoud wordt uitgezonden naar alle processors.
4. Linkvorming & Fusie: Processors met hoge relevantiescores vormen links en wisselen informatie uit om hun context te verrijken.
5. Iteratie: De verrijkte geheugens voeden de volgende iteratie. De lus gaat door totdat een zekerheidsdrempel wordt bereikt of een maximum aantal iteraties is bereikt.

Belangrijkste Bijdragen

1. Eerste Praktische Instantiatie van CTM: CTM-AI vertaalt het abstracte, formele CTM-kader naar een uitvoerbaar AI-systeem, waarbij theoretische mechanismen (up-tree competitie, down-tree uitzending) worden verankerd in moderne foundation modellen.
2. Gedecentraliseerde, Modulaire Architectuur: Het systeem elimineert de behoefte aan een centraal uitvoerend orgaan of een rigide workflow. Processors kunnen flexibel worden toegevoegd of verwijderd, en hun prioriteiten worden dynamisch bepaald via competitie.
3. Integratie van Redenering en Agentie: Het kader demonstreert hoe gedecentraliseerde collaboratieve dynamiek redenering kan schalen buiten single-agent modellen, met integratie van multimodale perceptie, toolgebruik en agentische controle.

Experimentele Resultaten

De auteurs evalueerden CTM-AI op multimodale perceptie, toolgebruik en agentische taken, waarbij ze het vergeleken met geünificeerde foundation modellen en diverse multi-agent frameworks.

• Multimodale Perceptie (MUStARD & UR-FUNNY): CTM-AI behaalde state-of-the-art nauwkeurigheid, met scores van 72,28 op MUStARD en 72,13 op UR-FUNNY. Het presteerde beter dan geünificeerde baselines (zoals Qwen3-Omni, Gemini-2.5-Flash) en multi-agent frameworks zoals MetaGPT en Mixture-of-Agents (MoA), vaak met vergelijkbare of lagere aantallen API-aanroepen en latentie.
• Toolgebruik (StableToolBench): CTM-AI toonde aanzienlijke verbeteringen, met een >10% absolute winst in doorloopscores ten opzichte van sterke single-model baselines (bijvoorbeeld een verbetering van ~39,7% naar ~56,5% op specifieke subsets met Qwen3-8B-think).
• Agentische Taken (WebArena-Lite): Het systeem verbeterde de successcores over vijf websitecategorieën in vergelijking met ReAct-gebaseerde baselines die hetzelfde backbone-model gebruikten.
• Ablatiestudies: Het verwijderen van een kerncomponent (Up-Tree, Down-Tree, Linkvorming of Iteratie) verslechterde de prestaties, wat de noodzaak bevestigt van de volledige dynamische lus. De iteratieve lus werd geïdentificeerd als het meest kritieke component.

Betekenis en Claims

Het artikel positioneert CTM-AI als een geprincipeerde, testbare blauwdruk voor algemene AI. De betekenis ligt in het overbruggen van de kloof tussen bewustzijnstheorie en praktische AI-engineering. Door aan te tonen dat een gedecentraliseerde, op competitie gebaseerde architectuur, geïnspireerd door de CTM, centrale multi-agent systemen en geünificeerde modellen kan overtreffen, betogen de auteurs dat:

• Bewustzijnstheorieën bruikbare architecturale fundamenten voor AI kunnen bieden, voorbijgaand aan filosofische debatten.
• Gedecentraliseerde coördinatie organische aanpassing aan taakcomplexiteit toelaat, waarbij linkvorming en fusie natuurlijk schalen met de behoefte aan cross-modale of cross-tool integratie.
• Het systeem niet over-engineerd is; de kern-dynamiek is robuust voor hyperparameters en maakt effectief gebruik van zelfgerapporteerde scores voor interne kalibratie zonder externe feedback.

De auteurs benadrukken dat het doel niet is om "bewust" AI te bouwen of menselijke identiteit te repliceren, maar om modellen van bewustzijn te benutten om betrouwbaardere, adaptievere en capabelere algemene systemen te creëren.