Twee onderzoekers hebben een nieuw theoretisch raamwerk gepubliceerd dat een andere weg naar kunstmatige algemene intelligentie (AGI) bewandelt dan bestaande benaderingen. In een paper dat op arxiv.org verscheen, introduceren Borui Cai en Yao Zhao het concept van een 'intelligence foundation model' (IFM), dat zich niet richt op het leren van patronen binnen specifieke domeinen, maar op de onderliggende mechanismen van intelligentie zelf.
Fundamenteel andere benadering
Waar bestaande foundation-modellen zich specialiseren in patroonherkenning binnen afgebakende terreinen zoals taal, beeld of tijdreeksen, stelt het IFM een andere ambitie centraal: het verwerven van de algemene principes van intelligentie door direct te leren van uiteenlopende intelligente gedragingen. Taal, visie en andere cognitieve vermogens worden daarbij beschouwd als uitingen van intelligent gedrag, niet als losse domeinen die elk een eigen model vereisen.
Het paper werd op 13 november 2025 ingediend en op 9 augustus 2026 voor het laatst herzien. Het is gebaseerd op het uitgangspunt dat intelligent gedrag voortkomt uit de collectieve dynamiek van biologische neurale systemen. Die observatie vormt de basis voor de twee kerncomponenten van het voorgestelde model.
Neuronale dynamiek als bouwsteen
Het eerste onderdeel is een nieuwe netwerkarchitectuur, aangeduid als het 'state neural network'. Dit netwerk is ontworpen om de temporele dynamiek van biologische neuronen na te bootsen, waardoor het systeem informatie kan opslaan, integreren en verwerken over de tijd heen. Dit ontwerp probeert de dynamische processen van biologische neuronen te emuleren.
Het tweede onderdeel is een nieuw leerdoel, 'neuron output prediction' genaamd. Dit principe moet het systeem trainen om neuronale outputs te voorspellen op basis van collectieve dynamiek. Volgens de auteurs biedt dit een uniform computationeel principe om de structurele dynamiek van intelligentie te leren uit intelligent gedrag.
Stap richting AGI
De onderzoekers stellen dat deze combinatie van biologische fundering en computationele schaalbaarheid een basis kan vormen voor systemen die in staat zijn tot generalisatie, redeneren en adaptief leren over verschillende domeinen heen. Daarmee zou het model een stap betekenen in de richting van daadwerkelijke kunstmatige algemene intelligentie.
Het concept van intelligentie zelf is echter complex en kent vele interpretaties.
Wetenschappelijke context
Het paper is ingediend bij het domein Artificial Intelligence van arXiv en is beschikbaar met een DOI via DataCite. Het manuscript kent sinds de eerste indiening meerdere versies; de huidige versie is de vierde. Die revisies zijn onderdeel van de versiegeschiedenis van het voorgestelde raamwerk.
Of het IFM daadwerkelijk de belofte van algemene intelligentie kan waarmaken, zal moeten blijken uit vervolgonderzoek. Het paper presenteert vooralsnog een voorstel. Concrete resultaten van implementaties worden in de samenvatting niet vermeld.
De publicatie biedt een alternatief perspectief op AGI: in plaats van foundation-modellen te laten specialiseren in patroonleren binnen specifieke domeinen, richt het IFM zich op het leren van de onderliggende principes van intelligent gedrag.