🤖 AI

Topical Phase Transitions in Artificial Intelligence Research: Large-Scale Evidence and an Early-Warning Signature for Emerging Topics

Dit artikel analyseert meer dan 80.000 AI-papers van 2017 tot 2025 om aan te tonen dat belangrijke onderzoeksgebieden zich ontwikkelen via abrupte "topische faseovergangen" in plaats van geleidelijke groei, en stelt een gevalideerde vroegtijdige waarschuwingssignatuur voor die in staat is om opkomende trends zoals agentic AI en redeneren te identificeren voor toekomstige monitoring.

Oorspronkelijke auteurs: Rasul Khanbayov, Hasan Kurban

Gepubliceerd 2026-06-12

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Rasul Khanbayov, Hasan Kurban

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 de wereld van kunstmatige intelligentie (AI) onderzoek niet voor als een langzame, gestage rivier, maar als een landschap waar nieuwe ideeën meestal jarenlang latent aanwezig zijn als zaden in de grond, om vervolgens plotseling binnen één nacht te transformeren in een massief, snelgroeiend bos.

Dit artikel, geschreven door onderzoekers van de Hamad Bin Khalifa University, is in essentie een grootschalig weerbericht voor de AI-wereld. Ze bekeken meer dan 80.000 onderzoeksartikelen van de vijf belangrijkste AI-conferenties tussen 2017 en 2025 om te ontdekken hoe nieuwe ideeën daadwerkelijk de overhand nemen.

Hier is de uitsplitsing van hun bevindingen met behulp van eenvoudige analogieën:

1. De verrassing van de "Faseovergang"

De meeste mensen gaan ervan uit dat nieuwe onderzoeksgebieden langzaam groeien, zoals een plant die elke dag een stukje groter wordt. De auteurs ontdekten dat dit in AI zelden het geval is. In plaats daarvan ondergaan onderwerpen vaak een "faseovergang."

De Analogie: Denk aan water. Het blijft een lange tijd vloeibaar, maar zodra het een specifieke temperatuur bereikt (een "kritiek punt"), verandert het direct in stoom.
De Realiteit: In AI kan een onderwerp jarenlang slechts in een handvol artikelen worden genoemd (de "vloeibare" staat). Dan, plotseling, binnen één tot drie jaar, explodeert het over alle belangrijke conferenties en wordt het het dominante onderwerp (de "stoom").
Het Bewijs: Ze volgden Large Language Models (LLM's) en Diffusion Models (de technologie achter beeldgeneratoren). Beiden bleven rustig tot ongeveer 2022, waarna ze razendsnel omhoog schoten om tegen 2025 de populairste onderwerpen te worden.
De Uitzondering: Niet alles explodeert. Reinforcement Learning (een methode om AI te onderwijzen via vallen en opstaan) groeide gestaag en vloeiend, zoals een boom die jaarringen vormt, zonder plotselinge sprongen. Dit helpt de onderzoekers om een "echte" explosie te onderscheiden van normale groei.

2. Het "Vroegwaarschuwingssysteem"

Het meest opwindende deel van het artikel is hun poging om een seismograaf voor deze explosies te bouwen. Ze vroegen zich af: Kunnen we de trillingen zien voordat de aardbeving toeslaat?

Ze creëerden een "Pre-Explosie Signatuur" — een checklist van vier aanwijzingen die meestal 1 tot 2 jaar voordat een onderwerp viraal gaat, verschijnen:

Recentheid: Het idee is gloednieuw (verschenen in de afgelopen 3 jaar).
Acceleratie: Het aantal artikelen over dit onderwerp is in een enkel jaar verdubbeld of verdrievoudigd.
Verspreiding: Het gebeurt niet alleen bij één conferentie; het duikt op in minstens drie verschillende grote AI-gemeenschappen.
De "Goldilocks"-grootte: Het heeft genoeg artikelen om echt te zijn (5 tot 300), maar niet zoveel dat het al oud nieuws is.

Hoe goed werkt het?
Ze testten dit systeem op historische data. Het voorspelde niet alles perfect (het miste enkele grote successen en gaf ook melding van onderwerpen die niet aansloegen), maar het was twee keer zo goed als willekeurig raden. Het identificeerde succesvol dat een onderwerp op het punt stond te exploderen in 63% van de gevallen.

3. De "Cross-Domain Invasie"

Het artikel merkte ook op dat de muren tussen verschillende AI-subvelden aan het afbrokkelen zijn.

De Analogie: Stel je een groep mensen voor die alleen over koken praten en plotseling begint te praten over automotoren, en de automonteurs die beginnen te praten over koken.
De Realiteit: Lange tijd waren "Natural Language Processing" (omgaan met tekst) en "Computer Vision" (omgaan met afbeeldingen) gescheiden werelden. Maar onlangs hebben Language Models de Computer Vision-conferenties binnengevallen. Nu gebruiken onderzoekers tekstgebaseerde AI om afbeeldingen te begrijpen, wat een hybride veld creëert genaamd "Vision-Language Models."

4. De Kristallen Bol: Waar moet je op letten?

Met behulp van hun "Vroegwaarschuwingssysteem" op data uit 2025, hebben de auteurs een lijst met onderwerpen gemarkeerd die zich momenteel in de "pre-explosie" zone bevinden. Ze suggereren dat dit de onderwerpen zijn om nauwlettend in de gaten te houden over de komende jaren (2026–2028):

Reasoning & Test-Time Compute: In plaats van alleen antwoorden te onthouden, leert AI om stap voor stap na te denken ("thinking step-by-step") voordat het antwoord geeft, zoals een student die een wiskundeprobleem uitwerkt op kladpapier.
Agentic AI: De beweging van AI die alleen vragen beantwoordt naar AI die dingen doet (zoals een vlucht boeken of code schrijven) op eigen initiatief.
World Models: AI die een interne simulatie bouwt van hoe de wereld werkt, waardoor het de toekomst kan voorspellen.
Retrieval-Augmented Generation (RAG): Een methode waarbij AI feiten opzoekt in een database voordat het antwoordt om te voorkomen dat het liegt (hallucineert).
Mechanistic Interpretability: Het proberen uit elkaar te halen van de "black box" van AI om precies te begrijpen hoe het beslissingen neemt, in plaats van alleen maar te gissen.

De Kernboodschap

De auteurs benadrukken dat dit geen magische kristallen bol is die de toekomst garandeert. Het is eerder een gekalibreerd screeningsinstrument. Het vertelt je niet precies wat er gaat gebeuren, maar het verkleint de lijst met mogelijkheden zodat je niet in de verkeerde richting kijkt.

Ze ontdekten dat AI-onderzoek niet in een rechte lijn beweegt; het beweegt in sprongen. Door het patroon van deze sprongen te begrijpen, kunnen we de volgende grote golf spotten voordat deze de rest van het vakgebied overspoelt.

Technische Samenvatting: Topische Faseovergangen in AI-onderzoek

Probleemstelling

De snelle expansie van kunstmatige intelligentie (AI)-onderzoek heeft het steeds moeilijker gemaakt om de evolutie van onderzoeksinhoud en trends systematisch te volgen over belangrijke publicatieplatforms heen. Traditionele narratieve reviews worden beperkt door het volume aan literatuur dat zij kunnen dekken en de subjectiviteit van handmatige selectie, wat de analyse vaak beperkt tot smalle subgebieden. Hoewel kwantitatieve bibliometrische methoden (bijv. citatienetwerken, co-occurrence analyse) effectief de sociale structuur en de staat van het veld karakteriseren, missen ze vaak de granulariteit om de inhoudelijke en temporele dynamiek van onderzoeksthema's vast te leggen, met name het onderscheid tussen gestage groei en abrupte paradigmaverschuivingen. Bovendien hebben bestaande studies zich grotendeels gericht op tijdschriften in plaats van op de top-conferenties waar de meest grensverleggende AI voornamelijk wordt gepubliceerd. Deze studie adresseert deze hiaten door de vraag te stellen of naderende paradigmaverschuivingen gedetecteerd kunnen worden aan de hand van publicatiedynamiek voordat ze hun piek bereiken, waarbij de focus verschuift van beschrijvende analyse naar predictieve screening.

Methodologie

De studie maakt gebruik van een longitudinale, cross-venue analyse van 80.814 geaccepteerde main-track papers van vijf vooraanstaande AI-conferenties: ACL, CVPR, ICLR, ICML en NeurIPS, verspreid over de jaren 2017 tot 2025.

Dataverzameling en Preprocessing: Het corpus werd samengesteld uit conferentieverslagen, waarbij metadata zoals titels, auteurs-keywords en abstracts werden behouden. Dubbele vermeldingen en papers zonder noodzakelijke tekst werden verwijderd.
Extractie en Normalisatie van Thema's: Er werd een tweefasige pijplijn gebruikt:
- Extractie: KeyBERT (een BERT-gebaseerde methode) rangschikte kandidaat-frases uit titels en keywords op basis van cosinus-gelijkenis met document-embeddings, waarbij Maximal Marginal Relevance (MMR) werd toegepast om lexicale diversiteit te waarborgen.
- Normalisatie: Kandidaten werden gekoppeld aan een conferentie-specifieke gecontroleerde vocabulaire om oppervlakkige vormen te verenigen (bijv. "LLM", "large language model" en "large language models" werden behandeld als één canonieke label), terwijl de voor fijnmazige intra-venue analyse noodzakelijke onderscheidend vermogens behouden bleven. Dit adresseerde systematische terminologische verschillen tussen verschillende venues (bijv. taakgerichte labels in ACL versus methodegerichte labels in ICML).
Aggregatie en Analyse: Thema-aantallen werden geaggregeerd over temporele en venue-dimensies om trends te identificeren die op individueel paper-niveau onzichtbaar blijven. De metrieken omvatten:
- Jaarlijkse cross-venue aantallen en jaar-op-jaar groeicijfers.
- Compound Annual Growth Rate (CAGR).
- Populariteitsscore: Een samengestelde score ( $P_k$ ) die genormaliseerd proportie (volume) combineert met genormaliseerde trend (recente acceleratie ten opzichte van de baseline).
Definitie van Early-Warning Signature: De auteurs definieerden een "pre-explosie signature" bestaande uit vier criteria, waarvan de drempelwaarden bevroren waren op de 2017–2021 data om out-of-sample validiteit te garanderen:
- Recentheid: Het keyword bereikte voor het eerst $\ge$ 3 papers/jaar binnen de voorafgaande drie jaar.
- Acceleratie: Een jaar-op-jaar groei van $\ge$ 2,5 $\times$ in ten minste één van de twee meest recente jaarlijkse intervallen.
- Cross-venue spreiding: Het keyword verscheen in ten minste 3 van de 5 gemonitorde venues.
- Pre-verzadigingsschaal: Jaarlijks aantal papers tussen de 5 en 300 (boven de ruis, onder de verzadiging).

Belangrijkste Resultaten

De analyse laat zien dat belangrijke AI-thema's niet vloeiend voortschrijden, maar vaak ondergaan aan topische faseovergangen: ze blijven jarenlang marginaal voordat ze binnen een venster van één tot drie jaar over meerdere venues heen exploderen.

Faseovergangen versus Gestage Groei:
- Large Language Models (LLMs): Vertoonden een scherpe discontinuïteit, met een stijging van minder dan 340 papers per jaar over alle venues vóór 2022 naar 3.720 in 2025. Tegen 2025 waren LLMs het dominante cross-venue thema, waarmee ze traditionele NLP-taken (bijv. neurale machinevertaling) en reinforcement learning overtroffen.
- Diffusion Models: Kwamen met een vergelijkbare abruptheid tevoorschijn, met een groei van bijna nul vóór 2021 naar 2.101 papers in 2025 (een toename van ~16 $\times$ over drie jaar).
- Reinforcement Learning (RL): Diende als tegenvoorbeeld; het vertoonde een gestage, monotone exponentiële groei (8,7 $\times$ toename van 2017 tot 2025) zonder een statistisch identificeerbaar kantelpunt, wat het onderscheidt van echte faseovergangen.
Cross-domein Penetratie: De studie documenteert de ontbinding van traditionele grenzen tussen NLP en computer vision. Vision-language modellen en LLM-gerelateerde thema's stegen scherp in CVPR, een venue die vóór 2020 geen LLM-gerelateerde papers kende, wat wijst op een convergentie van onderzoeksgemeenschappen.
Thema-consolidatie: Onderzoeksinspanningen concentreren zich rond een kleiner aantal dominante thema's (LLMs, Diffusion, RL), terwijl traditionele taakspecifieke NLP-categorieën zijn gestagneerd of afgenomen.

Prestaties van de Early-Warning Signature

De studie operationaliseerde de faseovergangsstructuur in een screeningsinstrument. Toegepast op de 2022-data om de uitkomsten van 2023–2025 te voorspellen:

Precisie: 27% (19 van de 71 gesignaleerde thema's explodeerden daadwerkelijk).
Recall: 63% (19 van de 30 werkelijke explosies werden gesignaleerd).
Base Rate: 13,5% (het explosiepercentage over alle 223 gemonitorde thema's).
Interpretatie: De signature slaagde erin de kandidaat-set te verkleinen tot tweemaal de base rate van een willekeurige kans, hoewel het thema's mist die niet aan het strikte "recentheid"-criterium voldeden (bijv. interpretability, dat sterke groei vertoonde maar de 2022-window voorafging).

Voorspellingen voor 2026–2028

Door de signature toe te passen op de 2025-data, identificeert de studie de volgende kandidaat-thema's om te monitoren, waarbij wordt opgemerkt dat zij aan alle vier de criteria voldoen:

Reasoning en Test-Time Compute: Snelle groei in keywords zoals "reasoning" (4,6 $\times$ groei) en "chain-of-thought", wat wijst op een verschuiving naar het schalen van intelligentie tijdens de inferentiefase.
Agentic AI: Groei in termen gerelateerd aan autonome agenten en multi-agent systemen, wat duidt op een verschuiving van passieve tekstgeneratie naar actieve workflow-executie.
World Models: Toenemende belangstelling voor interne representaties van de omgeving voor planning, snijdend met video-generatie onderzoek.
Retrieval-Augmented Generation (RAG): Vertoont reeds een spreiding over vijf venues, ter oplossing van LLM-beperkingen met betrekking tot kennislimieten en hallucinaties.
State Space Models (SSMs): Een architecturaal alternatief voor Transformers (bijv. Mamba) dat lineaire complexiteit biedt voor lange contexten.
Mechanistic Interpretability: Groeiende vraag naar het reverse-engineeren van de interne werking van modellen voor veiligheid en regelgevende naleving.

Betekenis en Claims

De primaire bijdrage van het artikel is een grootschalige, cross-venue karakterisering van hoe AI-onderzoek zich reorganiseert via discrete faseovergangen in plaats van geleidelijke evolutie. De auteurs presenteren hun "early-warning signature" expliciet niet als een voorspellingsmodel met gegarandeerde nauwkeurigheid, maar als een gekalibreerde screening-heuristiek met een gekwantificeerde historische succesratio.

De betekenis ligt in:

Methodologische Rigor: Het bieden van een empirische, in plaats van een metaforische, definitie van faseovergangen door abrupte pieken (LLMs, Diffusion) te contrasteren met gestage groei (RL).
Predictieve Bruikbaarheid: Het bieden van een mechanisme om opkomende thema's te detecteren voordat ze hun piek bereiken, gevalideerd tegen een hold-out testset.
Veldbewustzijn: Het benadrukken van de kruisbestuiving tussen NLP en computer vision, wat de visie van deze als onafhankelijke onderzoeks-silo's uitdaagt.

De auteurs erkennen beperkingen, waaronder de afhankelijkheid van keyword-extractie (die latente thema's kan missen die niet in de auteur-keywords zijn opgenomen), de exclusie van workshop-papers, en het feit dat de predictieve claim rust op een enkele retrospectieve split van de data van één vakgebied. Zij concluderen dat hoewel de signature de toekomstige uitkomsten niet kan garanderen, het een verdedigbare, datagedreven methode biedt om de scope van onderzoek te verfijnen voor onderzoekers, instellingen en financieringsinstanties die het traject van het veld volgen.