AnswersPublished19 sources
AI die zichzelf verbetert? Voorlopig vooral de systemen eromheen
De stevigste aanwijzingen gaan over AI die helpt de infrastructuur, trainingsomgevingen en software rond modellen te verbeteren, niet over systemen die zelfstandig hun opvolgers bouwen. Een vijfdelig raamwerk onderscheidt het uitvoeren van vooraf bepaalde verbeteringen van het zelf kiezen van verbeteringen en het aa...
Gepubliceerd doorBewerkt met GPT-6 LunaAfbeeldingen gegenereerd met GPT Image 2
Research answer
Key takeaways
- De stevigste aanwijzingen gaan over AI die helpt de infrastructuur, trainingsomgevingen en software rond modellen te verbeteren, niet over systemen die zelfstandig hun opvolgers bouwen.
- Een vijfdelig raamwerk onderscheidt het uitvoeren van vooraf bepaalde verbeteringen van het zelf kiezen van verbeteringen en het aanpassen van het verbeterproces.
- Een aantal opvallende claims over projecten en een vermeende Leiphone enquête is niet bevestigd door de beschikbare bronnen.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: As of October 31, 2026, how are China’s AI labs pursuing recursive self-improvement by improving the machinery around models rather than rew. Article summary: The direction described in your question is system-level self-improvement: agents improve the software, environments and workflows used to run agents and develop successor models, rather than directly editing their own w. Topic tags: general, documentation, general web, academic, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, w
AI die zichzelf verbetert, hoeft niet per se zijn eigen modelgewichten te herschrijven. Een agent kan ook de software, hulpmiddelen, testomgevingen of werkprocessen aanpassen waarmee AI-systemen worden gebouwd en gebruikt. Dat soort verbetering van de ‘machinekamer’ speelt in enkele gerapporteerde Chinese projecten een rol. De beschikbare bronnen rechtvaardigen echter een beperktere conclusie dan dat AI al zelfstandig zijn eigen opvolgers maakt.
Wanneer is verbetering echt recursief?
Een prompt aanpassen of code schrijven is op zichzelf nog geen recursieve zelfverbetering. De strengere maatstaf is of een systeem een blijvende, geaccepteerde verandering aanbrengt in het proces dat toekomstige verbeteringen oplevert — zodat de volgende ronde met dat verbeterde proces verdergaat.
Onderzoek naar zelfverbeterende agent-harnassen beschrijft bijvoorbeeld een cyclus waarin een agent uitvoeringssporen analyseert op terugkerende zwakke punten, wijzigingen aan het harnas voorstelt en die met regressietests controleert. 52 Een andere studie hanteert een striktere definitie: pas wanneer een geaccepteerde herschrijving van de code van een AI-onderzoeksagent wordt gebruikt in de volgende bewerkingsronde, is er sprake van recursie. De samenvatting meldt zeven opeenvolgende verbeteringen in een experiment van acht dagen. Dat is een resultaat in een specifieke agentopstelling, geen bewijs voor algemene, onbeperkte zelfverbetering.
56
Met een harnas wordt hier de softwarelaag bedoeld die bepaalt hoe een agent werkt, bijvoorbeeld welke hulpmiddelen hij kan gebruiken en hoe zijn taken worden uitgevoerd.
Wat laten de bronnen over China zien?
Een bericht van 36Kr uit september meldde dat een infrastructuuragent, aangedreven door GLM-5.3, de inferentie-engine van het model optimaliseerde op een cluster met meer dan 100.000 in China gemaakte chips. Volgens het bericht duurde het minder dan twee weken en verdrievoudigde de totale doorvoer ten opzichte van de oorspronkelijke uitgangswaarde. 21 Dat is een gerapporteerd voorbeeld van AI-ondersteunde optimalisatie van infrastructuur. Het bewijst op zichzelf niet dat de agent zelfstandig het doel koos, de resultaten controleerde of het proces voor een volgende optimalisatieronde verbeterde.
De documentatie van Moonshot AI over Kimi K3 laat een andere laag zien. Het bedrijf bracht AgentEnv uit, dat wordt beschreven als infrastructuur voor gedistribueerde omgevingen voor reinforcement learning — een trainingsmethode waarbij systemen leren op basis van beloningen. Ook stelde Moonshot technologieën voor het trainingssysteem beschikbaar, waaronder een communicatiebibliotheek en een snelle attention-kernel. 25 Zulke hulpmiddelen ondersteunen modeltraining en agentontwikkeling, maar hun bestaan toont niet aan dat een agent zelfstandig betere trainingsomgevingen of een opvolgend model heeft ontworpen.
Ook infrastructuurverbetering en modeltraining zijn niet hetzelfde. Volgens de documentatie van Z.ai gebruikt GLM-5.3 hetzelfde basismodel als GLM-5.2; de verbeteringen zijn volgens het bedrijf het resultaat van post-training. 2 Dat is een gedocumenteerde manier om een model te verbeteren, maar geen bewijs dat de winst uitsluitend voortkomt uit veranderingen aan de omliggende techniek.
Een raamwerk met vijf niveaus
Het artikel The Last AI Built by Humans, dat in september verscheen, beschrijft vijf oplopende niveaus van autonomie: vooraf bepaalde verbeteringen uitvoeren; verbeterstrategieën kiezen; zelf toekomstige leerervaring opdoen; zich aanpassen op basis van gebruik en feedback uit de omgeving; en uiteindelijk het verbeterproces zelf verbeteren. 33 Ook berichtgeving over het artikel beschrijft die indeling als een route naar AI-systemen die hun eigen opvolgers bouwen.
35
De niveaus helpen verschillende soorten automatisering uit elkaar te houden. Een agent die een door mensen ontworpen experiment uitvoert, doet iets anders dan een agent die zelf bepaalt wat er verbeterd moet worden. En beide zijn iets anders dan een systeem dat zijn eigen verbetercyclus betrouwbaar kan aanpassen en controleren. Het artikel biedt een raamwerk om die verschillen te bespreken; de hier beschikbare bronnen tonen niet aan dat de meeste geavanceerde AI-systemen op niveau één of twee zitten.
Wat is nog niet bevestigd?
De beschikbare bronnen onderbouwen geen gedetailleerde claims over het dagelijkse aantal sandbox-omgevingen van DSec, benchmarks van ModelBests trainingsframework en kernels, het gerapporteerde aantal Moonshot-sandboxes en herstelprocedures, of een vermeende trainingsrun van Alibaba. Ook zijn er geen bevindingen beschikbaar uit de genoemde Leiphone-enquête. Het Leiphone-stuk in de bronnen is een technisch rapport over Kimi K3, geen enquête naar recursieve zelfverbetering. 24
Onafhankelijk onderzoek naar agent-harnassen wijst bovendien op een praktisch aandachtspunt: betere prestaties kunnen hogere uitvoeringskosten met zich meebrengen. De afweging tussen taakresultaat en het gebruik van rekenkracht of hulpmiddelen hoort dus bij de beoordeling. 54 Bij claims over zelfverbetering is het ook van belang om te weten wie het doel vaststelt, wie bepaalt of een wijziging werkt en of die wijziging de volgende verbeteringsronde daadwerkelijk vooruithelpt.
De voorzichtigste conclusie is: veelbelovende automatisering van de techniek rond AI-ontwikkeling, maar geen bewezen, onbeperkte recursieve zelfverbetering. Infrastructuuragenten en zelfverbeterende harnassen zijn betekenisvol wanneer hun verbeteringen blijven bestaan en later werk versterken. Maar gerapporteerde hogere doorvoer, herbruikbare hulpmiddelen of herhaalde trainingsrondes bewijzen op zichzelf niet dat een AI-systeem betrouwbaar kan bepalen wat beter moet, zijn eigen resultaten kan beoordelen en een betere opvolger kan bouwen.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "AI die zichzelf verbetert? Voorlopig vooral de systemen eromheen"?
De stevigste aanwijzingen gaan over AI die helpt de infrastructuur, trainingsomgevingen en software rond modellen te verbeteren, niet over systemen die zelfstandig hun opvolgers bouwen.
What are the key points to validate first?
De stevigste aanwijzingen gaan over AI die helpt de infrastructuur, trainingsomgevingen en software rond modellen te verbeteren, niet over systemen die zelfstandig hun opvolgers bouwen. Een vijfdelig raamwerk onderscheidt het uitvoeren van vooraf bepaalde verbeteringen van het zelf kiezen van verbeteringen en het aanpassen van het verbeterproces.
What should I do next in practice?
Een aantal opvallende claims over projecten en een vermeende Leiphone enquête is niet bevestigd door de beschikbare bronnen.
Sources
ar5iv.labs.arxiv.orgar5iv.labs.arxiv.org · html · 2606[2606.09498] Self-Harness: Harnesses That Improve Themselves
arxiv.orgRecursive self-improvement of AI research agents - arXiv
m.36kr.com做一个能自迭代的后训练平台，Mind Lab要让更多企业拥有 ...
kimi.comKimi K3 开放日：模型权重、技术报告和关键Infra 技术同步开放
docs.z.aiGLM-5.3 - Overview - Z.AI DEVELOPER DOCUMENT
