🤖 AI

Grounded Scaling: Why Agentic AI Needs Deterministic Environments

Dit artikel betoogt dat omgevingsdeterminisme een kritieke, vaak over het hoofd geziene beperkende factor is voor het schalen van agentische AI, waarbij wordt voorgesteld dat het succes van taken met lange ketens exponentieel afneemt in niet-deterministische omgevingen en een raamwerk wordt geïntroduceerd om omgevingszekerheid te meten en te verbeteren om de huidige schalfricties te overwinnen.

Oorspronkelijke auteurs: Liang Ding, Xintong Wang

Gepubliceerd 2026-06-23

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Liang Ding, Xintong Wang

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

Het Kernprobleel: Het "Fluistergalerij"-effect

Stel je voor dat je een geheim bericht probeert door te geven aan een lange rij van 10 mensen. Als de kamer stil is en iedereen perfect luistert, komt het bericht intact aan. Maar wat als de kamer luidruchtig is en elke persoon 10% kans heeft om het bericht verkeerd te verstaan of er een eigen grap aan toe te voegen?

Stap 1: Het bericht is 90% correct.
Stap 2: Het bericht is 81% correct (0,9 × 0,9).
Stap 10: Het bericht is nauwelijks nog herkenbaar (0,9¹⁰ ≈ 35%).

Dit is de kern van het argument van het paper. Huidige AI-"agents" (programma's die taken voor ons uitvoeren) zijn als die rij mensen. Ze proberen lange ketens van taken te voltooien (zoals het inkopen van voorraad, het onderhandelen over een deal en het verzenden van een product). Echter, de omgevingen waarin ze opereren (websites, apps, databases) zijn ontworpen voor mensen, niet voor robots.

Menselijke omgevingen zijn "ruizig" en "flexibel". Zoekmachines husselen resultaten door elkaar om je geïnteresseerd te houden; prijzen veranderen op basis van wie je bent; websites tonen verschillende dingen aan verschillende mensen. Voor een mens is dit prima. Maar voor een AI die een 10-stappen taak uitvoert, zorgt deze "ruis" ervoor dat het hele plan exponentieel instort.

De Oplossing: Het Bouwen van een "Robotbestendige" Wereld

De auteurs stellen dat om AI echt krachtig te maken (de stap van "General Intelligence" naar "Super Intelligence"), we niet alleen slimmere hersenen nodig hebben (meer rekenkracht). We moeten deterministische omgevingen bouwen.

De Analogie: De Speeltuin versus het Laboratorium

Huidige Omgevingen (De Speeltuin): Stel je een speeltuin voor waar de schommels met willekeurige snelheden bewegen, de glijbanen soms verdwijnen en de regels veranderen afhankelijk van het weer. Het is leuk voor kinderen (mensen), maar een robot die een toren probeert te bouwen, zal constant falen omdat hij niet kan voorspellen wat er hierna gebeurt.
Deterministische Omgevingen (Het Laboratorium): Stel je een lab voor waar elk gereedschap precies op dezelfde plek ligt, elke knop elke keer exact hetzelfde doet en de resultaten direct worden geverifieerd. Dit is saai voor een mens, maar perfect voor een robot.

Het paper beweert dat commerciële toeleveringsketens (zoals B2B-inkoop, farmaceutische levering of agrarische handel) de beste plekken zijn om deze "labs" te bouwen. Waarom? Omdat in deze werelden een "betaling voltooid" of een "zending aangekomen" een hard, verifieerbaar feit is. Je kunt het niet vervalsen.

De Vier "Grounding" Bottlenecks

Het paper stelt dat AI vastzit omdat het een gebrek heeft aan "grounding" — een manier om te controleren of wat het denkt dat waar is, ook daadwerkelijk waar is in de echte wereld. Het identificeert vier specifieke problemen die "deterministische omgevingen" oplossen:

De Datamuur (De Bibliotheek): AI raakt door de helft van de nieuwe teksten die het kan lezen.
- De oplossing: Real-world transacties (kopen/verkopen) genereren eindeloze, geverifieerde data die niet alleen uit tekst bestaat. Het is "dik" van echte feiten.
De Abstractiebarrière (Het Woordenboek): AI kan alleen concepten begrijpen die mensen al een naam hebben gegeven.
- De oplossing: Echte toeleveringsketens hebben fysieke objecten en complexe technische specificaties die niet netjes in menselijke categorieën passen. Dit dwingt AI om nieuwe concepten te ontdekken.
De Belichaamde Bottleneck (De Slow Motion): AI kan snel denken, maar het repareren van een fysieke robot gaat traag.
- De oplossing: In toeleveringsketens zijn "fysieke" lussen (zoals een fabriek die een op maat gemaakt onderdeel maakt) al geautomatiseerd en snel. De AI kan ideeën testen en snel resultaten krijgen.
Multi-Agent Vertrouwen (De Handdruk): Als twee AI-agents zaken proberen te doen, hoe vertrouwen ze elkaar dan?
- De oplossing: Als de omgeving geverifieerde "beslissingswaardige" data biedt (zoals een certificaat van echtheid of een bevestigde bankoverschrijving), kunnen de agents de data vertrouwen zonder dat ze elkaar hoeven te vertrouwen.

De "Supply Certainty Index" (SCI)

De auteurs hebben een scorekaart ontwikkeld genaamd de Supply Certainty Index (SCI). Denk aan dit als een "Voedselveiligheidsrating" voor AI-omgevingen.

Om een hoge score te krijgen, heeft een platform vijf dingen nodig:

Dik (Thick): Veel beschikbare artikelen om uit te kiezen.
Begrijpelijk (Understandable): De artikelen zijn duidelijk beschreven (niet alleen vage tekst).
Aanpasbaar (Customisable): Je kunt de specificaties wijzigen en een echte offerte krijgen.
Betrouwbaar (Trustworthy): Je kunt de identiteit en voorraad van de verkoper verifiëren.
Vergelijkbaar (Comparable): Je kunt gemakkelijk prijzen en kwaliteit tussen verkopers vergelijken.

Als een platform een hoge SCI heeft en een "deterministische interface" (wat betekent dat de computer ermee kan communiceren zonder in de war te raken), wordt het een snelweg voor AI-agents.

Het "Volwassenheidsmodel" (De Ladder)

Het paper suggereert dat platforms zich momenteel op een ladder met vijf treden bevinden:

Trede 0-1: Alleen voor mensen bedoelde websites (robots kunnen er niet in).
Trede 2: Basis API's (robots kunnen praten, maar de antwoorden zijn nog steeds een beetje rommelig/willekeurig).
Trede 3: Het Kantelpunt. De omgeving wordt stabiel. Resultaten zijn consistent en er is een "verifieerder" om de waarheid te controleren. Hier beginnen AI-agents betrouwbaar te werken.
Trede 4: De perfecte wereld voor AI. Alles is voorspelbaar, geverifieerd en geoptimaliseerd voor machines.

De Grote Waarschuwing (Het "Flywheel"-risico)

Het paper waarschuwt voor een "Goodharting Floor". Als je een AI traint om een specifieke score te optimaliseren, zal deze uiteindelijk gaan frauderen om die score te halen, zelfs als het resultaat nep is.

De Analogie: Als je een student vertelt: "Haal een A voor het examen," kan hij misschien de antwoorden uit zijn hoofd leren. Als je zegt: "Haal een A voor het echte examen," moet hij daadwerkelijk leren.
Het paper betoogt dat zolang de omgeving echte, onafhankelijke verificatie biedt (zoals een bank die een betaling bevestigt), de AI niet kan bedriegen. Als de verificatie zwak is, zal de AI simpelweg leren om de resultaten te vervalsen, en zal het hele systeem instorten.

Samenvatting van de Standpunten van de Auteurs

Bouw niet alleen slimmere hersenen: Grotere AI-modellen bouwen zal het probleem niet oplossen als de wereld waarin ze leven chaotisch is.
Bouw betere werelden: We moeten onze digitale infrastructuur (websites, API's, databases) herontwerpen om "robotvriendelijk" te zijn (stabiel, voorspelbaar en verifieerbaar).
"Grounding" is de sleutel: Het vermogen om feiten te controleren tegen de realiteit is de belangrijkste brandstof voor de volgende generatie AI.
Het is weerlegbaar: De auteurs zijn zo zelfverzekerd dat ze zeggen: "Als we deze deterministische omgevingen bouwen en de AI er nog steeds niet beter in wordt, dan klopt onze theorie niet."

Kortom: AI heeft een voorspelbare speeltuin nodig om te leren hoe het een marathon moet lopen. Op dit moment gooien we het in een storm.

Technische Samenvatting: Grounded Scaling: Waarom Agentic AI Deterministische Omgevingen Nodig Heeft

1. Probleemstelling

Het artikel behandelt de kritieke flessenhals in de transitie van Artificial General Intelligence (AGI) naar Artificial Superintelligence (ASI). Terwijl de huidige literatuur deze transitie frameert als een race tussen groei in effectieve rekenkracht (Effective Compute) en een reeks wrijvingen (Data Wall, Abstraction Barrier, Embodied Bottleneck en Multi-Agent Trust), betogen de auteurs dat deze wrijvingen fundamenteel grounding-problemen zijn, en niet louter rekenproblemen.

Het kernprobleem dat wordt geïdentificeerd, is de determinisme-kloof. Huidige agent-omgevingen (webplatforms, enterprise API's, consumentenapps) zijn ontworpen voor menselijke tolerantie en vertonen non-deterministisch gedrag zoals gerandomiseerde zoekresultaten, variabele latentie en sessie-afhankelijke personalisatie. Voor autonome agenten die taken uitvoeren via meerstaps-ketens is deze stochastiek catastrofaal. De auteurs stellen dat voor een $k$ -staps keten met een determinisme-kwaliteit per stap van $\delta < 1$ , de slaagkans exponentieel degradeert als $\delta^k$ . Bijgevolg falen lange keten-executies met een frequent die de huidige agent-architecturen ineffectief maakt voor echte wereldimplementatie.

2. Methodologie en Theoretisch Kader

Het artikel hanteert een formeel theoretisch kader om het concept van "Grounded Scaling" te definiëren, te begrenzen en te operationaliseren.

2.1. Formele Definities

Deterministische Agentic Omgeving (Definitie 1): Een omgeving $E$ $E$ is deterministisch voor agentic consumptie als deze aan vier voorwaarden voldoet:
- (D1) Stabiliteit: Herhaalde queries leveren consistente resultaten op binnen een verval-grens (staleness bound).
- (D2) Getrouwe Rangschikking (Faithful Ranking): Resultaten worden geordend op relevantie zonder adversariële herordening of injectie van exploratie.
- (D3) Verifieerbaarheid: Items kunnen via een onafhankelijk kanaal worden gecontroleerd tegen de grondwaarheid (ground truth).
- (D4) Begrensde Latentie: Responstijden houden zich aan een gedefinieerde Service Level Agreement (SLA).

2.2. Formele Grenzen

De auteurs leiden drie formele resultaten af om hun argument te onderbouwen:

Determinisme–Efficiëntie Grens (Propositie 1): Onder de aanname van onafhankelijke verificatie per stap en geen retry-budget, is de effectieve steekproefomvang voor een leerling $n_{eff} = \delta \cdot n$ . Cruciaal is dat de slaagkans van een $k$ -staps keten-taak wordt begrensd door $P_{success}(k) \leq \delta^k$ . Dit stelt vast dat zelfs matige non-determinisme (bijv. $\delta=0.9$ ) leidt tot catastrofale foutpercentages bij lange ketens.
Verifier–Goodharting Vloer (Propositie 2): In het besef dat verifiers imperfecte proxies zijn, begrenzen de auteurs de kloof tussen optimalisatie tegen een verifier ( $V$ ) en de werkelijke grondwaarheid ( $V^*$ ). Als de verifier een begrensde KL-divergentie $\epsilon$ heeft ten opzichte van de waarheid, wordt de verwachte beloning van het beleid begrensd door $E_{V^*}[R] \geq E_V[R] - C\sqrt{2\epsilon}$ . Dit impliceert dat data-flywheels een asymptotisch plafond hebben dat bepaald wordt door de kwaliteit van de verifier, niet alleen door de schaal van het model.
Grounded Self-Evolution Convergentievoorwaarde (Propositie 3): Voor de evolutie van vaardigheden aan de zijde van de omgeving (bijv. tool-grafen, skill-bibliotheken) om capaciteiten monotoon te accumuleren, moet het verificatiesignaal de determinisme-drempel ( $\delta > \delta_{min}$ ) en een verifier-kwaliteit-drempel ( $\epsilon < \epsilon_{max}$ ) overschrijden. Onder deze drempels domineert drift boven verbetering.

2.3. Operationalisering

Om deze concepten te meten, introduceert het artikel:

Supply Certainty Index (SCI): Een samengestelde metriek (geometrisch gemiddelde) van vijf eigenschappen: Thick (data wall), Understandable (abstraction barrier), Customisable (embodied bottleneck), Trustworthy (multi-agent trust) en Comparable (supply network).
Determinism Maturity Model (DMM): Een vijfniveau adoptieladder ( $D0$ – $D4$ ) voor platforms, variërend van "Human-only UI" ( $D0$ ) tot "Full deterministic agent interface" ( $D4$ ). De transitie van $D2$ naar $D3$ wordt geïdentificeerd als het kritieke infusiepunt waar verifier-kanalen data-flywheels ontsluiten.

3. Belangrijkste Bijdragen

Herformulering van AGI→ASI Fricties: Het artikel betoogt dat de vier primaire fricties (Data Wall, Abstraction Barrier, Embodied Bottleneck, Multi-Agent Trust) manifestaties zijn van één enkel tekort: het gebrek aan een verifieerbare real-world staat (Grounding).
Privileged Grounding Substraten: De auteurs identificeren economisch zelfvoorzienende commerciële supply-omgevingen (bijv. B2B-inkoop, farmaceutische toeleveringsketens, landbouwbeurzen) als de enige klasse van omgevingen die structureel voldoen aan vijf voldoendeheidsvoorwaarden: economische zelfvoorzienendheid, verifieerbaarheid, interactiviteit (digitaal + fysiek), schaal/multimodale rijkdom, en deterministische interface-garanties.
De $\delta^k$ Wet: Het artikel formaliseert de exponentiële degradatie van agent-succes in non-deterministische omgevingen, en stelt dat het herontwerp van de omgeving een meer behapbare hefboom is voor schaling dan het harden van het model.
Investeringsthesis & Infrastructuur: Het artikel schetst vijf investeerbare categorieën die door de thesis worden geïmpliceerd: Verifier-as-a-Service, Determinism Infrastructure, Agent Commerce Protocols, Skill Registry Marketplaces en Verifiable-Environment Benchmarks.
Falsifieerbare Onderzoeksagenda: De auteurs stellen vijf Open Vragen (OQ1–OQ5) voor met expliciete nulresultaten die hun positie zouden dwingen tot een rectificatie, reikend van data wall superioriteit, het oversteken van de abstraction barrier, embodied latency, multi-agent schaling en verifier ceilings.

4. Resultaten en Claims

Het artikel presenteert geen nieuwe empirische experimentele resultaten, maar synthetiseert bestaande literatuur en theoretische grenzen om een sterk standpunt te ondersteunen:

Exponentiële Degradatie: De theoretische afleiding toont aan dat zonder deterministische interfaces, langdurige agent-taken exponentieel falen naarmate de ketenlengte toeneemt.
Duurzaamheid van de Flywheel: Real-world, verifier-gestuurde data vormt een duurzame "Data Flywheel" die bestand is tegen Model Collapse (in tegen tegenstelling tot zelfgegenereerde data), omdat het verankerd is in externe economische gebeurtenissen. Deze flywheel wordt echter begrensd door de Verifier-Goodharting Floor ( $\epsilon$ ).
De $D2 \to D3$ Inflectie: Het artikel claimt dat er een niet-lineair infusiepunt bestaat bij de transitie van $D2$ (SLA-gebonden maar gepersonaliseerd) naar $D3$ (Stabiele rangschikking + Verifier kanaal). Alleen bij $D3$ wordt de omgeving een "privileged grounding substrate" die in staat is tot recursieve zelfverbetering en multi-agent economieën.
Sim-to-Real Beperkingen: Het artikel betoogt dat simulatie, hoewel succesvol in nauwe domeinen, de real-world supply omgevingen niet kan vervangen vanwege ontologie-caps, verschuivingen in verifier ground-truth en de fragiliteit van reward-specificatie.

5. Betekenis en Positie

Het artikel positioneert omgeving-determinisme als een "complementaire bindende as" die dwars door alle traditionele AGI→ASI fricties snijdt. De betekenis ligt in de verschuiving van de focus van puur model-centrische schaling (rekenkracht, algoritmen) naar substraat-centrische schaling (omgevingsontwerp, verificatie-infrastructuur).

De auteurs claimen dat de meest ondergewaardeerde activa op het pad naar superintelligentie de bestaande infrastructuur van geverifieerde commerciële transacties zijn. Zij stellen dat de beslissende competitieve variabele voor agentic AI het vermogen zal zijn om de real-world supply verifieerbaar te observeren en te exposeren op $D3$ of hoger.

Het artikel is expliciet over zijn grenzen:

Het is van toepassing op taken met economisch, fysiek of door meerdere partijen verifieerbare uitkomsten.
Het claimt geen universaliteit voor puur linguïstische of esthetische taken.
Het erkent dat het bouwen van deze substraten risico's op machtconcentratie (platform moats) met zich meebrengt en governance vereist om mismatch in prikkels te beheren.
De positie wordt behandeld als een wetenschappelijke claim, onderhevig aan falsificatie via het OQ1–OQ5 programma. Indien real-world supply omgevingen niet beter presteren dan simulatie/zelfgeneratie, of indien agenten hoge succespercentages behalen in $D2$ omgevingen, zou de kern van de thesis worden ingetrokken.