Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Stel je voor dat je probeert uit te vinden hoe een groep vreemden met elkaar verwant is, alsof je een stamboom bouwt voor een enorm publiek. In de wereld van de biologie doen wetenschappers dit voortdurend met bacteriën en virussen om te begrijpen hoe ze evolueren. Het hulpmiddel dat ze gebruiken om deze bomen te tekenen, heet "Neighbour Joining".
Jarenlang was de snelste manier om deze bomen te tekenen als een meesterhandwerksman die een op maat gemaakte, handafgestemde beitel gebruikt. Deze "beitel" is een stuk computercode genaamd RapidNJ. Het is ongelooflijk snel omdat het is gebouwd door expert-menselijke programmeurs die elke schroef hebben bijgesteld om het zo efficiënt mogelijk te laten werken.
Het Experiment: Kan een AI-leerling het beter doen?
Dit artikel stelt een gedurfde vraag: in 2026 kan een superintelligente AI-coding-assistent, die optreedt als een zeer bekwame leerling, een hulpmiddel bouwen dat zelfs sneller is dan de handafgestemde beitel van de meesterhandwerksman?
Om dit te testen, lieten de onderzoekers de AI niet zomaar gissen. Ze stelden een strikte "veiligheidsriem" op. Denk aan deze riem als een strenge kwaliteitscontroleur. Elke keer dat de AI een nieuwe regel code schreef, controleerde de inspecteur deze tegen een betrouwbaar referentiepunt (QuickTree genaamd) om ervoor te zorgen dat het antwoord 100% correct was. Als de AI een fout maakte, werd de code direct afgewezen. Dit zorgde ervoor dat de AI, terwijl het probeerde sneller te zijn, nooit de nauwkeurigheid opofferde.
Het Resultaat: Een Nieuwe Kampioen
De AI, geleid door deze strenge inspecteur, creëerde een nieuw hulpmiddel genaamd SwiftNJ.
Toen ze SwiftNJ in een directe confrontatie tegen de oude kampioen (RapidNJ) zetten op een testset van 59 verschillende datapuzzels:
- Was SwiftNJ gemiddeld bijna twee keer zo snel (specifiek duurde het slechts ongeveer 56% van de tijd die het oude hulpmiddel nodig had).
- Het versloeg het oude hulpmiddel in 58 van de 59 tests.
- Cruciaal: op 400 extra tests produceerde SwiftNJ exact dezelfde perfecte stambomen als de betrouwbare referentie, wat bewees dat het geen kortere wegen insloeg om zijn snelheid te bereiken.
De Conclusie
Deze studie toont aan dat in de specifieke, hoog-risico wereld van het bouwen van evolutionaire bomen, een door mensen geleide AI de beste door mensen geschreven code die jarenlang is geoptimaliseerd, daadwerkelijk kan overtreffen. Het suggereert dat als je een AI een strikt "reglement" geeft om ervoor te zorgen dat het nooit fouten maakt, het slimme afkortingen kan vinden om complexe wetenschappelijke hulpmiddelen veel sneller te laten werken. Het artikel stopt echter daar, met de opmerking dat we nog moeten zien of deze truc werkt voor andere soorten wetenschappelijke problemen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.