Door Pesach Benson en Omer Novoselsky • 5 november 2026

Jeruzalem, 5 november 2026 (TPS-IL) — Onderzoekers van Tel Aviv University en Stanford University hebben aangetoond dat kunstmatige intelligentie (AI)-modellen algemene leervaardigheden kunnen ontwikkelen zonder getraind te zijn op gegevens uit de echte wereld. Dit opent mogelijk een nieuwe weg voor AI-ontwikkeling nu trainingsmateriaal van hoge kwaliteit steeds schaarser wordt.

De bevindingen kunnen helpen bij het aanpakken van een van de grootste knelpunten in de sector: het aanbod van door mensen gegenereerde trainingsdata.

“We laten zien dat een model gestaag beter kan worden in het voorspellen van echte tekst, beelden, audio, muziek, DNA en code zonder ooit op iets daarvan getraind te zijn”, vertelde dr. Yoav Levine aan The Press Service of Israel. Het onderzoek, gepubliceerd als preprint op het online onderzoeksarchief arXiv, is nog niet aan peerreview onderworpen.

Het onderzoek werd geleid door Levine van de School of Computer Science and AI van Tel Aviv University en uitgevoerd als onderdeel van het postdoctorale werk van dr. Kfir Dolev, in samenwerking met onderzoekers van Stanford University.

In tegenstelling tot conventionele AI-systemen, die leren van enorme verzamelingen boeken, websites, afbeeldingen en opnames, gebruikt de nieuwe aanpak twee netwerken die vanaf nul beginnen en samen leren. De ene genereert korte computerprogramma’s die reeksen symbolen produceren, terwijl de andere leert het volgende symbool te voorspellen. Het eerste netwerk krijgt feedback over hoeveel zijn oefeningen het tweede helpen verbeteren, en leert zo geleidelijk nuttigere uitdagingen te genereren.

“De gebruikelijke aanname is dat AI rekenkracht en data nodig heeft. Wij vragen ons af hoe ver je kunt komen zonder data, uitsluitend op basis van rekenkracht”, zei Levine tegen TPS-IL.

Hij vergeleek de aanpak met AlphaZero, dat schaken en Go leerde door tegen zichzelf te spelen in plaats van menselijke partijen te bestuderen. De onderzoekers ontdekten dat de eigen vooruitgang van het lerende model kon dienen als maatstaf voor succes, waarmee het andere netwerk werd aangestuurd om steeds nuttigere oefeningen te genereren.

Om te testen of de vaardigheden ook buiten de kunstmatige training overdraagbaar waren, evalueerden de onderzoekers het model op materiaal uit de echte wereld dat het nog nooit eerder was tegengekomen. Het voorspellende vermogen verbeterde op meerdere domeinen naarmate er meer rekenkracht werd toegevoegd. Ook kon het regels afleiden uit voorbeelden die tijdens het testen werden gepresenteerd, zonder aanvullende training.

De onderzoekers ontdekten ook dat het systeem zelfstandig wiskundige structuren genereerde, waaronder meetkundige rijen, Fibonacci-achtige patronen en kwadratische en derdegraads reeksen. Levine zei dat geen daarvan voorkwam in 164 miljoen willekeurig gekozen programma’s uit dezelfde ruimte, wat erop wijst dat het systeem ze ontdekte omdat ze zijn lerende partner hielpen betere voorspellingen te doen.

Voorbij de data-flessenhals

De methode zou een nieuwe bron van trainingsmateriaal kunnen bieden op gebieden waar data schaars of duur te verkrijgen zijn.

“Dit doet ertoe wanneer data van hoge kwaliteit de flessenhals worden, zoals velen verwachten bij door mensen gegenereerde tekst of code, en nog meer op gebieden waar data schaars of duur zijn”, zei Levine tegen TPS-IL.

Het zou ook kunnen dienen als voorbereidende trainingsfase voorafgaand aan conventionele AI-training. In hun experimenten ontdekten de onderzoekers dat modellen die waren blootgesteld aan zelf gegenereerde oefeningen sneller leerden wanneer ze data uit de echte wereld kregen.

Er zijn echter aanzienlijke beperkingen. De experimenten betroffen modellen met minder dan 25 miljoen parameters, meer dan 10.000 keer kleiner dan de grootste AI-systemen van vandaag. Of de resultaten op die schaal standhouden, blijft onbekend. Levine zei dat de onderzoekers nu onderzoeken of de aanpak kan worden uitgebreid naar aanzienlijk grotere modellen.

Zelfsturend leren kan ook feitelijke kennis over de wereld niet vervangen. Een systeem kan wiskundige patronen ontdekken door berekeningen, maar het kan niet zelfstandig historische feiten vaststellen of leren over de fysieke werkelijkheid zonder die waar te nemen.

“Zelf spelen leert algemene structuur, de patronen die in veel soorten gegevens worden gedeeld, maar geen feiten over onze wereld, zoals wie Hamlet heeft geschreven”, zei Levine tegen TPS-IL. “Die moeten nog steeds uit echte data komen, dus in die opzichten is het een aanvulling op menselijke data in plaats van een vervanging ervan.”

De onderzoekers gingen ook in op het risico dat AI-systemen hun eigen fouten herhalen en versterken.

“Ons lerende model traint op wat programma’s als uitvoer geven wanneer ze daadwerkelijk worden uitgevoerd. De data zijn precies wat elk programma berekent, dus er zijn geen hallucinaties om te versterken”, legde Levine uit aan TPS-IL. “De risico’s waarmee we wel te maken hebben, zijn dat de programmaschrijver vast komt te zitten in een smalle niche, vergeet wat hij eerder heeft gevonden, of zijn beloningssysteem manipuleert. We waken hiertegen door reële leervooruitgang te belonen, een archief van uiteenlopende programma’s bij te houden, eerdere programma’s opnieuw af te spelen zodat ze niet worden vergeten, en de generator dicht bij een eenvoudige beginverdeling over programma’s te houden.”

De volgende grote mijlpaal, aldus Levine, zou zijn om aan te tonen dat de aanpak werkt met modellen die miljarden parameters bevatten en dat zelf gegenereerde training een meetbare hoeveelheid conventionele trainingsdata kan vervangen. Uiteindelijk willen onderzoekers bepalen of een AI-model kan blijven verbeteren door tegen zichzelf te spelen, zelfs nadat het al het beschikbare trainingsmateriaal uit de echte wereld heeft uitgeput.