Wetenschappers hebben een innovatieve benadering ontwikkeld voor het trainen van neurale netwerken, genaamd Forward-Forward for Regression (FFR). Deze methode vormt een efficiënt alternatief voor backpropagation, de huidige standaardtechniek bij het trainen van AI-modellen voor regressietaken. Waar traditionele systemen vaak zwaar leunen op complexe berekeningen over het gehele netwerk, biedt FFR een pad naar een meer biologisch plausibele en computationeel lichtere vorm van leren.
De ontwikkeling van FFR is een uitbreiding van het bestaande Forward-Forward (FF) algoritme. Hoewel het oorspronkelijke FF-model effectief was voor classificatie, was de toepassing op regressie — waarbij continue waarden worden voorspeld — problematisch. Volgens een publicatie op arxiv.org ontbreken in een continue doelruimte namelijk de natuurlijke tegenpolen die nodig zijn voor contrastief leren. Daarnaast bood de standaard 'goodness function' in FF onvoldoende informatie over de volgorde en grootte van waarden, wat essentieel is voor nauwkeurige voorspellingen.
Om deze hindernissen te overwinnen, hebben Xinyang Liu en collega-onderzoekers drie technische vernieuwingen geïmplementeerd. Ten eerste is er een ordinale competitieve goodness function geïntroduceerd, waarbij neuronen competitief leren onder afstand-bewuste supervisie. Ten tweede maakt het systeem gebruik van een gelaagde ladderarchitectuur. Hierbij leren ondiepe lagen grove onderscheidingspunten, terwijl diepere lagen deze informatie verfijnen tot precieze regressiewaarden. Ten slotte maakt FFR gebruik van multi-scale predictoren die in één enkele pass zowel een voorspelling als een onzekerheidsscore genereren.
De resultaten van de experimenten tonen aan dat FFR zeer dicht bij de prestaties van backpropagation (BP) komt. Uit de data in het onderzoek op blijkt dat FFR gemiddeld 98,5% van de nauwkeurigheid van BP behaalt over zes verschillende benchmarks voor regressie in de echte wereld. De meest significante winst is echter zichtbaar in de hardware-efficiëntie. Bij een netwerkdiepte van 8 lagen verbruikt FFR slechts 27% van het geheugen dat BP nodig heeft. Bij een diepte van 32 lagen is dit verbruik zelfs gedaald tot slechts 8% van de standaardmethode. Bovendien is de tijd per iteratie bij FFR ongeveer 72% van die van backpropagation, waarmee het volgens de auteurs andere BP-vrije methoden substantieel verslaat.
Terwijl dergelijke academische doorbraken de technische infrastructuur van kunstmatige intelligentie transformeren, verschuift ook de focus op de arbeidsmarkt. Er is een groeiende behoefte aan professionals die deze complexe digitale transitie kunnen beheersen. Zo richt mckinsey.org zich op het toerusten van individuen met de nodige vaardigheden voor de toekomst van werk, waarbij de nadruk ligt op het effectief en verantwoord inzetten van AI-instrumenten.
Het FFR-framework, waarvan de laatste revisie dateert van 6 oktober 2026, markeert een belangrijke stap in de zoektocht naar energie-efficiëntere AI. Door de afhankelijkheid van backpropagation te verminderen, opent deze methode de deur naar snellere trainingstijden en een lagere ecologische voetafdruk voor complexe AI-modellen. De combinatie van technische optimalisatie via en praktische vaardigheidstraining via programma's zoals die van McKinsey onderstreept de brede impact van de huidige AI-evolutie.