RSI is de nieuwe AGI: waarom het net zo moeilijk te vatten is

Al jaren praten we over AGI (Artificial General Intelligence) als het ultieme doel van AI-ontwikkeling. Machines die net zo slim zijn als mensen, op elk gebied. Maar in de praktijk blijkt AGI een bewegend doelwit. Zodra AI een mijlpaal bereikt, verschuiven we de doelpalen. Nu duikt er een nieuw begrip op: RSI (Recursive Self-Improvement). En net als bij AGI weet niemand precies wat het betekent.

Wat is RSI eigenlijk?

Recursive Self-Improvement betekent dat een AI-systeem zichzelf kan verbeteren. Het schrijft betere code voor zichzelf, optimaliseert zijn eigen algoritmen, of ontwerpt efficiëntere hardware. Elke verbetering maakt het systeem slimmer, waardoor het weer betere verbeteringen kan maken. Een sneeuwbaleffect.

Het klinkt simpel. In de praktijk is RSI net zo lastig te definiëren als AGI. Wanneer is een systeem echt 'zelfverbeterend'? Moet het zijn eigen broncode kunnen herschrijven? Of telt het als het nieuwe trainingsdata genereert voor een volgende versie?

Waarom RSI nu relevant wordt

AI-modellen beginnen code te schrijven die hun eigen training verbetert. OpenAI's GPT-modellen helpen bij het genereren van trainingsdata voor nieuwere versionen. Google's AlphaCode schrijft algoritmen die efficiënter zijn dan wat mensen maken. Meta's Llama-modellen optimaliseren hun eigen inferentie-snelheid.

Deze ontwikkelingen lijken op vroege vormen van RSI. Maar experts zijn het niet eens over waar de grens ligt tussen 'geavanceerde automatisering' en 'echte zelfverbetering'.

Het meetprobleem

Bij AGI hadden we hetzelfde probleem. We zeiden dat een computer 'intelligent' wordt als hij de Turing Test haalt. Dat gebeurde. Toen verplaatsten we het doel naar 'redeneren zoals mensen'. Ook dat lukte. Nu praten we over 'bewustzijn' of 'echte creativiteit'.

RSI volgt hetzelfde patroon. Elke keer als een AI-systeem een aspect van zelfverbetering beheerst, beweren critici dat het 'nog geen echte RSI' is. Het systeem moet ook hardware ontwerpen. Of complete nieuwe architecturen bedenken. Of zichzelf vanaf nul opbouwen.

Concrete voorbeelden van proto-RSI

Verschillende bedrijven werken aan elementen van RSI:

Code-generatie: GitHub Copilot schrijft code die GitHub Copilot beter maakt. Het genereert trainingsdata, test algoritmen, en optimaliseert zijn eigen functies.

Training-optimalisatie: Meta's AI-systemen ontwerpen nieuwe trainingsmethoden die sneller en goedkoper zijn dan bestaande technieken.

Hardware-design: Google's TPU-chips zijn deels ontworpen door AI-systemen die de vorige generatie TPU's gebruikten.

Praktische gevolgen voor bedrijven

Voor Nederlandse organisaties betekent de RSI-discussie drie concrete dingen:

Snellere AI-ontwikkeling: Als systemen zichzelf verbeteren, versnelt innovatie exponentieel. Wat nu twee jaar kost, kan over vijf jaar in zes maanden gebeuren.

Minder voorspelbare roadmaps: Bedrijven kunnen niet meer rekenen op stabiele AI-mogelijkheden. Een systeem dat vandaag bepaalde beperkingen heeft, kan die morgen hebben weggewerkt.

Nieuwe afhankelijkheden: RSI-systemen maken organisaties afhankelijker van AI-leveranciers. Als je concurrent een zelfverbeterend systeem heeft en jij niet, loop je snel achter.

Waarom definitie ertoe doet

Het lijkt academisch, maar de definitie van RSI heeft praktische gevolgen. Regelgevers moeten weten wanneer een systeem 'te krachtig' wordt. Investeerders willen weten welke bedrijven echte doorbraken maken. Bedrijven moeten inschatten welke AI-partners strategisch waardevol blijven.

Zonder heldere criteria ontstaat dezelfde verwarring als bij AGI. Iedereen claimt de eerste te zijn, niemand weet wat het precies betekent, en belangrijke beslissingen worden genomen op basis van marketingtermen in plaats van technische realiteit.

De economische kant

RSI verandert de economie van AI-ontwikkeling. Traditioneel kost elke nieuwe AI-generatie miljarden aan onderzoek en compute-kracht. Met RSI kunnen systemen hun eigen opvolgers bouwen tegen een fractie van de kosten.

Dat creëert winnaar-neemt-alles dynamiek. Het eerste bedrijf dat echte RSI bereikt, kan concurrenten permanent achter zich laten. Niet omdat ze beter zijn, maar omdat hun systemen sneller verbeteren dan menselijke teams kunnen bijhouden.

Investerings-implicaties

Venture capital stroomt naar bedrijven die beweren RSI-mogelijkheden te hebben. Maar zonder heldere definitie wordt het gokken. Investeerders financieren marketing-claims in plaats van technische prestaties.

Nederlandse scale-ups moeten realistisch blijven over hun RSI-ambities. Echte zelfverbetering vereist resources die alleen de grootste tech-bedrijven hebben.

Wat bedrijven nu moeten doen

Wacht niet op perfecte RSI-definitie voordat je actie onderneemt. Focus op drie praktische stappen:

Monitor de markt: Volg welke AI-systemen daadwerkelijk zichzelf verbeteren, niet welke het claimen. Kijk naar resultaten, niet naar persberichten.

Experimenteer met automatisering: Test AI-tools die hun eigen processen optimaliseren. Begin klein met code-review automation of training-data-generatie.

Bereid je organisatie voor: RSI-systemen vereisen andere vaardigheden van je team. Minder programmeurs die code schrijven, meer engineers die AI-systemen aansturen.

De realiteitscheck

RSI klinkt futuristisch, maar de bouwstenen bestaan al. Het gaat niet om science fiction, maar om de volgende stap in AI-automatisering. Nederlandse bedrijven die nu beginnen met experimenteren, lopen niet achter wanneer RSI mainstream wordt.

Het echte probleem is niet of RSI komt. Het komt eraan, geleidelijk en in stukjes. Het probleem is dat we te veel tijd besteden aan definitie-discussies en te weinig aan praktische voorbereiding.

RSI wordt net zo alledaags als machine learning nu is. De vraag is niet wanneer het perfect wordt, maar hoe snel je organisatie zich aanpast aan systemen die zichzelf blijven verbeteren.