Active inference schuift AI en robotica naar een nieuw paradigma

Artificial intelligence is lange tijd gebouwd op brute kracht: grotere modellen, meer data, snellere chips. De keerzijde daarvan is bekend: enorme energiekosten, afhankelijkheid van datasets en een beperkt vermogen om flexibel in te spelen op onverwachte situaties. Active inference belooft dit te doorbreken. Maar is het ook een opstap naar AGI?

Active inference als aanpak is geïnspireerd door de neurowetenschappen, en ziet intelligentie als het vermogen om voortdurend voorspellingen te maken, onzekerheid te verkleinen en proactief te handelen. De afgelopen maanden zijn hierin concrete mijlpalen bereikt die active inference van een niche-theorie naar een serieuze innovatiestroom duwen.

Wat is active inference?

De basisgedachte komt van Karl Friston’s free energy principle. Het idee: hersenen en biologische systemen streven ernaar onzekerheid te minimaliseren. Ze doen dit door de wereld te modelleren en hun voorspellingen bij te stellen zodra de werkelijkheid afwijkt. Active inference vertaalt dit principe naar kunstmatige systemen. Een robot of softwareagent reageert niet passief, maar vormt een intern model van de omgeving en handelt om dat model te laten kloppen. Daarmee ontstaat een fundamenteel andere vorm van intelligentie: proactief, anticiperend en contextgevoelig.

Doorbraak in robotica

De meest tastbare vooruitgang komt uit de robotica. In juli 2025 presenteerde het bedrijf VERSES een architectuur waarmee robots zonder voorafgaande pretraining complexe huishoudelijke taken konden uitvoeren. In tests haalden ze een succesratio van 66,5 procent, aanzienlijk beter dan de 54,7 procent van conventionele deep learning-systemen die miljarden trainingsstappen vereisen. Cruciaal is dat de robots niet simpelweg leerde patronen kopiëren, maar via hun interne model konden anticiperen op variaties in de omgeving. Wanneer een object niet op de verwachte plek lag, herstelde de robot zijn plan en vond een alternatieve oplossing. Dat niveau van adaptiviteit is nieuw in het veld.

These are the droids you’re looking for: 

Intrinsieke motivatie als motor

Naast robotica groeit de theoretische basis. Nieuwe publicaties laten zien dat active inference kan functioneren zonder externe beloningssignalen. In plaats van een programmeur die strikte regels instelt voor wat goed of fout is, minimaliseert het systeem zelf onzekerheid in zijn voorspellingen. Deze intrinsieke motivatie voorkomt dat AI vastloopt in zogeheten reward hacking, waarbij een model leert het beloningssysteem te exploiteren zonder de taak werkelijk uit te voeren. Simulaties wijzen uit dat agenten hierdoor consistenter gedrag vertonen, vooral in omgevingen waar niet alles vooraf kan worden vastgelegd.

Biologische en cognitieve inspiratie

Recent onderzoek combineert active inference met biologische experimenten. Generatieve modellen die gevoed zijn met gedragsdata uit psychologie en neurowetenschap leiden tot agenten die menselijker en robuuster reageren. Deze aanpak is veelbelovend voor de zorg. Een zorgrobot die niet alleen reageert op directe commando’s, maar ook subtiel waarneemt of iemand stress ervaart en daarop anticipeert, sluit beter aan bij menselijke behoeften. Hetzelfde principe kan doorgetrokken worden naar adaptieve interfaces in software, die intenties herkennen en proactief ondersteunen zonder dat gebruikers eindeloos menu’s hoeven door te klikken.

Commerciële toepassingen in opkomst

Bedrijven zoals VERSES brengen inmiddels platformen uit die active inference inzetten buiten robotica. Hun Genius-suite richt zich op sectoren als telecom, gezondheidszorg en industrie. Het idee is dat netwerken zichzelf optimaliseren op basis van variërende belasting, dat medische assistenten beter inspelen op patiëntgedrag en dat productieprocessen minder stilvallen bij verstoringen. In de media- en entertainmentsector wordt geëxperimenteerd met systemen die de ervaring van gebruikers dynamisch aanpassen. Daarmee krijgt active inference een rol als generieke motor voor adaptieve technologie.

Strategische implicaties en kritiek

De verschuiving naar active inference heeft gevolgen voor de hele AI-keten. Ontwikkelaars moeten anders denken: niet langer draait alles om het maximaliseren van externe beloningen of het verzamelen van gigantische datasets, maar om het bouwen van generatieve modellen die onzekerheid minimaliseren. Dat vraagt multidisciplinariteit. Neurowetenschappers, psychologen en ingenieurs moeten samenwerken om realistische modellen te ontwikkelen die gedrag en omgeving goed voorspellen. Voor Europa kan dit een unieke kans zijn om zich te onderscheiden van China en de VS, door in te zetten op mensgerichte en biologisch geïnspireerde AI in plaats van enkel brute schaal.

De belofte van active inference is groot, maar de praktijk kent obstakels. Schaalbaarheid blijft een probleem: het toepassen van probabilistische voorspellingen op industriële schaal vraagt enorme rekenkracht. Ook is de interpretatie van de resultaten lastig. Wanneer een systeem “onzekerheid minimaliseert”, wat betekent dat concreet in de praktijk? Er bestaat een risico dat active inference een containerbegrip wordt dat zijn scherpe betekenis verliest. Verder kost het veel inspanning om benchmarks te ontwikkelen die aantonen dat deze aanpak consequent beter presteert dan deep learning in uiteenlopende domeinen.

Route naar AGI?

De komende jaren zullen cruciaal zijn om te zien of active inference uitgroeit tot een dominant paradigma of een aanvulling blijft op bestaande methoden. De eerste signalen zijn positief: robots die zonder training adaptief handelen, simulaties die menselijker gedrag laten zien, en de eerste commerciële toepassingen die breed uitgerold worden. Als onderzoekers en bedrijven erin slagen de kinderziektes te overwinnen, kan active inference een nieuwe standaard zetten voor hoe we intelligentie bouwen. Efficiëntie en robuustheid blijken dan geen toevallige bijproducten, maar directe gevolgen van systemen die de wereld proactief proberen te begrijpen.

Veel onderzoekers zien active inference bovendien als een mogelijke route richting artificial general intelligence: AGI. Waar huidige AI vaak vastzit in smalle taken, biedt een generatief model dat onzekerheid minimaliseert een universele strategie om uiteenlopende problemen aan te pakken. Het combineert perceptie, planning en actie in één raamwerk, precies wat ontbreekt in veel bestaande systemen. Daarmee is active inference geen garantie voor AGI, maar wel een bouwsteen die de kloof tussen smalle AI en bredere intelligentie kan helpen dichten.

Het verhaal van active inference maakt duidelijk dat AI geen rechtlijnige race om schaal is. Door onzekerheid centraal te stellen en intelligentie te zien als het actief voorspellen en aanpassen aan de omgeving, ontstaat een fundament dat dichter bij biologische intelligentie ligt. Wat zich nu aandient, is geen incrementele verbetering maar een nieuwe logica voor hoe systemen leren en handelen. Efficiëntie, flexibiliteit en mensgerichtheid komen voort uit begrip, niet uit brute kracht. Daarmee kan active inference de motor worden van de volgende AI-golf.

Bronnen

• VERSES AI leads active inference breakthrough in robotics
• StockTitan – VERSES unveils robotics architecture
• VERSES blog – Active inference for robot planning & control
• VERSES Genius en communitytoepassingen
• Arxiv – The Missing Reward: Active Inference in the Era of Experience
• Arxiv – Simulating Biological Intelligence with Active Inference