Wetenschap en techniek vertrouwen al lang op een simpel, menselijk ritme: iets proberen, zien of het werkt, leren van de fout, en het opnieuw proberen. Decennialang is deze cyclus de motor van ontdekking geweest, waarbij een onderzoeker een prototype bouwt, het test en de resultaten gebruikt om de volgende versie te verfijnen. Maar naarmate computers krachtig genoeg zijn geworden om hun eigen code te schrijven en hun eigen experimenten uit te voeren, is er een nieuwe vraag ontstaan. Kan een machine leren van haar eigen fouten op dezelfde manier als een mens dat doet? De uitdaging is niet alleen dat de machine een resultaat krijgt, maar dat zij begrijpt waarom zij dat resultaat kreeg. Wanneer een computer duizend variaties van een ontwerp probeert, produceert zij vaak een berg data die vertelt wat er is gebeurd, maar niet welke specifieke verandering het verschil maakte. Zonder die helderheid is de machine gedwongen om steeds weer dezelfde lessen opnieuw te leren, waardoor tijd en energie worden verspild aan paden die nergens toe leiden.

Dit is het probleem dat een team onderzoekers bij Sapient Intelligence probeerde op te lossen. Zij bouwden een systeem genaamd PRAXIST, ontworpen niet alleen om oplossingen te vinden, maar om een duidelijke, controleerbare geschiedenis op te bouwen van hoe die oplossingen zijn ontdekt. In plaats van elke poging te behandelen als een nieuw begin, behandelt PRAXIST onderzoek als een voortdurende conversatie. Het neemt de resultaten van één experiment, breekt ze af in specifieke lessen — wat werkte, wat faalde en wat slechts een gelukkige gok was — en slaat die lessen op als een permanent verslag. Wanneer het systeem zijn volgende ronde experimenten start, kijkt het niet alleen naar de beste score uit het verleden; het kijkt naar de specifieke mechanismen die die score hebben verdiend. Het vraagt zich af: "Is dit deel van het ontwerp daadwerkelijk de oorzaak van de verbetering, of was het iets anders?" Door die vraag te beantwoorden, kan het systeem alleen de nuttige delen van zijn geschiedenis meenemen, waardoor het met veel minder inspanning dan voorheen sterkere en betrouwbaardere oplossingen bouwt.

De onderzoekers testten deze aanpak op een enorme set van vijfenzeventig verschillende machine-learning engineering-uitdagingen, variërend van het identificeren van ziekten in medische beelden tot het voorspellen van trends op de aandelenmarkt. Ze vergeleken hun systeem met een krachtige, standaard AI-codeassistent die draait op een van de meest geavanceerde taalmodellen die beschikbaar zijn. De resultaten waren opmerkelijk. De standaard assistent slaagde erin om op ongeveer drieënzeventig procent van de taken een medaille te verdienen, maar besteedde bijna achttentenduizend dollar aan rekenkosten om dat te doen. Het PRAXIST-systeem, dat gebruikmaakt van een ander onderliggend model en een veel slimmere manier om zijn werk te organiseren, verdiende medailles op tachtig procent van de taken, terwijl het slechts ongeveer drieduizend dollar uitgaf. Met andere woorden: het nieuwe systeem vond betere oplossingen voor ongeveer één twaalfde van de kosten.

Maar de ware innovatie ligt niet alleen in de besparingen, maar in de methode. De onderzoekers observeerden dat de meeste geautomatiseerde systemen hun geschiedenis behandelen als een simpele lijst met scores, waarbij ze alleen het hoogste getal bewaren en de rest weggooien. PRAXIST behandelt de geschiedenis echter als een stamboom. Elke keer dat het systeem een nieuw stuk software of een nieuw controlemechanisme bouwt, legt het de specifieke ontwerpkeuzes vast die tot succes of falen hebben geleid. Als een bepaalde wijziging in een algoritme voor het landen van een raket ervoor zorgde dat het voertuig crashte, wordt dat falen niet geregistreerd als een doodlopend spoor, maar als een waardevolle les die toekomstige pogingen vertelt wat te vermijden. Als een specifieke aanpassing aan een handelsstrategie de winst verbeterde, wordt dat succes getagd met de exacte reden waarom het werkte, zodat het systeem weet dat het diezelfde aanpassing in een andere context moet gebruiken. Dit proces stelt het systeem in staat om "getypeerd bewijs" te erven, wat betekent dat het precies weet welke delen van een oplossing bewezen werken en welke nog slechts gissingen zijn.

Om te zien hoe dit in de echte wereld werkt, paste het team PRAXIT toe op vier complexe, open-eind engineering-problemen die geen enkel juist antwoord hadden. In één geval vroegen ze het systeem om een controller te ontwerpen voor een herbruikbare raket die verticaal moet landen. Het startpunt was een controller die slechts vier procent van de tijd slaagde. Een standaard geautomatiseerde optimizer probeerde honderden variaties en slaagde erin de succesratio te verbeteren naar zeventien procent, maar kon de raket niet elke keer veilig laten landen. PRAXIST koos echter een ander pad. Het probeerde niet alleen willekeurige veranderingen; het bouwde een lijn van verbeteringen. Het voegde eerst een regulator toe om brandstof te beheren, daarna een gids om de overgang tussen vluchtfases te beheersen, en tot slot een specifiek wiskundig instrument om de krachten op de vinnen van de raket in evenwicht te brengen. Aan het einde van de campagne had het systeem een controller geproduceerd die de raket in elke testronde succesvol liet landen, een perfect score van honderd procent. Cruciaal was dat het systeem de hele reis vastlegde, waarbij het precies liet zien hoe elke kleine verbetering leidde tot het uiteindelijke succes.

In een ander experiment pakte het systeem het probleem van autonome handel aan. Het doel was om een strategie te creëren die aandelen koopt en verkoopt om de winst over een langere periode te maximaliseren. De baseline-strategie, die simpelweg een gelijk deel van elke beschikbare aandelen koopt, bereikte een jaarlijkse groei van drieëntwintig procent. PRAXIST ontdekte een complexere, adaptieve strategie die leerde van marktpatronen en zijn gedrag aanpaste op basis van uitvoeringskosten. Deze nieuwe strategie bereikte een groei van drieënvijftig procent, meer dan het dubbele van de baseline. Het systeem vond niet zomaar een gelukkige combinatie; het herleidde de ontdekking naar specifieke veranderingen, zoals hoe de strategie met risico omging en hoe het de timing van de transacties beheerde. De onderzoekers konden de "afstamming" van het systeem bekijken en het exacte moment zien waarop de strategie leerde een veelvoorkomende valkuil te vermijden die de prestaties negatief beïnvloedde.

Het systeem bewees ook zijn waarde in het gebied van robotica en fysica. In een test met een robot die camera's en lasers gebruikt om te navigeren, verspilde het standaard systeem een enorme hoeveelheid rekenkracht door constant de kaart bij te werken met redundante informatie. PRAXIST realiseerde zich dat de robot niet elke videoframe nodig had; de robot hoefde alleen te kijken wanneer de nieuwe informatie daadwerkelijk nuttig was. Door de robot te leren om onnodige updates over te slaan, verminderde het systeem de visuele verwerkingstijd met tweeënzeventig procent zonder de nauwkeurigheid van de navigatie te verliezen. Vergelijkbaar daarmee ontwierp het systeem in een simulatie voor het besturen van een kernfusiereactor een controller die het onstabiele plasma langer stabiel hield dan de bestaande door mensen ontworpen controllers, ondanks het feit dat de fysica die hierbij betrokken is berucht moeilijk te voorspellen is.

Wat deze resultaten zo significant maakt, is de transparantie die ze bieden. In traditioneel geautomatiseerd onderzoek is het vaak een "black box" wanneer een systeem een oplossing vindt. Je weet dat het werkt, maar je weet niet waarom, en je kunt niet gemakkelijk zeggen of het succes zal standhouden in een iets andere situatie. PRAXIST verandert dit door een gedetailleerd verhaal aan elk resultaat te koppelen. Het legt de "afstamming" van de oplossing vast, een keten van bewijs die laat zien welke mechanismen zijn getest, welke zijn gevalideerd en welke zijn verworpen. Dit betekent dat menselijke wetenschappers het werk van het systeem kunnen bekijken, de logica erachter kunnen begrijpen en zelfs de beste onderdelen kunnen overnemen om iets nieuws te bouwen. Het verandert de computer van een hulpmiddel dat simpelweg antwoorden produceert in een collaborator die haar redenering documenteert.

De onderzoekers benadrukken dat deze aanpak niet bedoeld is om menselijke wetenschappers te vervangen, maar om hen een krachtiger instrument te geven. Door het saaie werk van het testen van duizenden variaties en het organiseren van de geleerde lessen op te nemen, bevrijdt het systeem mensen om zich op het grote plaatje te concentreren. Het vermogen om kennis te erven over generaties van experimenten heen betekent dat het systeem niet telkens opnieuw moet beginnen wanneer het met een nieuw probleem wordt geconfronteerd. Het kan de wijsheid van haar eerdere fouten en successen meenemen, waardoor een fundament van betrouwbare kennis wordt gebouwd dat sterker wordt bij elke poging. Deze verschuiving van een simpele zoektocht naar de beste score naar een diep begrip van het bewijs achter de score, vertegenwoordigt een fundamentele verandering in hoe we complexe engineering-uitdagingen benaderen.

Uiteindelijk gaat het verhaal van PRAXIST over de kracht van geheugen in machines. Lange tijd waren computers uitstekend in berekeningen, maar slecht in het gestructureerd leren van hun eigen geschiedenis. Dit systeem laat zien dat wanneer je een machine de mogelijkheid geeft om niet alleen te registreren wat er gebeurde, maar ook waarom het gebeurde, zij problemen kan oplossen die voorheen buiten bereik lagen. Dat doet zij niet door algemeen slimmer te zijn, maar door zorgvuldiger te zijn over wat zij onthoudt en hoe zij dat geheugen gebruikt. Het resultaat is een systeem dat niet alleen efficiënter en kosteneffectiever is, maar ook betrouwbaarder, omdat elke oplossing die het biedt gepaard gaat met een helder, controleerbaar verslag van hoe deze is bereikt. Dit is de toekomst van autonoom onderzoek: niet een machine die gokt naar een oplossing, maar een die een nalatenschap van bewijs opbouwt, experiment voor experiment.