Het AI-verhaal werd vooral gedomineerd door de prestaties van modellen op belangrijke benchmarks in de sector. Naarmate het veld echter volwassener wordt en bedrijven echte waarde proberen te halen uit de vooruitgang op het gebied van AI, zien we parallel onderzoek naar technieken die AI-toepassingen helpen produceren.
Bij VentureBeat volgen we AI-onderzoek dat kan helpen begrijpen waar de praktische implementatie van technologie naartoe gaat. We kijken uit naar doorbraken die niet alleen gaan over de ruwe intelligentie van één enkel model, maar over de manier waarop we de systemen eromheen construeren. Nu we 2026 naderen, zijn hier vier trends die de blauwdruk kunnen vormen voor de volgende generatie robuuste, schaalbare bedrijfsapplicaties.
Continu leren
Continu leren lost een van de belangrijkste uitdagingen van de huidige AI-modellen op: hen nieuwe informatie en vaardigheden aanleren zonder hun bestaande kennis te vernietigen (vaak aangeduid als “catastrofale vergetelheid“).
Traditioneel zijn er twee manieren om dit op te lossen. Eén daarvan is het opnieuw trainen van het model met een mix van oude en nieuwe informatie, wat duur, tijdrovend en uiterst ingewikkeld is. Dit maakt het ontoegankelijk voor de meeste bedrijven die modellen gebruiken.
Een andere oplossing is om modellen van informatie in context te voorzien via technieken als RAG. Deze technieken actualiseren echter de interne kennis van het model niet, wat problematisch kan blijken als u zich van de kennisgrens van het model verwijdert en de feiten in conflict komen met wat waar was op het moment dat het model werd getraind. Ze vereisen ook veel techniek en worden beperkt door de contextvensters van de modellen.
Door continu te leren kunnen modellen hun interne kennis bijwerken zonder dat ze opnieuw hoeven te trainen. Google heeft hieraan gewerkt met verschillende nieuwe modelarchitecturen. Eén ervan is Titanenwat een andere primitief suggereert: een aangeleerde langetermijngeheugenmodule waarmee het systeem historische context kan opnemen op het moment van gevolgtrekking. Intuïtief verplaatst het een deel van het ‘leren’ van offline gewichtsupdates naar een online geheugenproces, wat dichter bij de manier komt waarop teams al denken over caches, indexen en logs.
Ingebed leren belicht hetzelfde thema vanuit een andere invalshoek. Het behandelt een model als een reeks geneste optimalisatieproblemen, elk met zijn eigen interne workflow, en gebruikt dit raamwerk om catastrofaal vergeten op te lossen.
Standaard op transformatoren gebaseerde taalmodellen hebben dichte lagen die het langetermijngeheugen opslaan dat is verworven tijdens de voortraining, en aandachtslagen die de onmiddellijke context bevatten. Nested Learning introduceert een ‘continuümgeheugensysteem’ waarbij geheugen wordt gezien als een spectrum van modules die met verschillende snelheden worden bijgewerkt. Hierdoor ontstaat een geheugensysteem dat beter is afgestemd op continu leren.
Continu leren is een aanvulling op het werk om agenten te voorzien van kortetermijngeheugen door middel van contextengineering. Naarmate het volwassener wordt, kunnen bedrijven een generatie modellen verwachten die zich aanpassen aan veranderende omgevingen en dynamisch beslissen welke nieuwe informatie ze internaliseren en welke ze in het kortetermijngeheugen opslaan.
Wereldmodellen
Wereldmodellen beloven AI-systemen de mogelijkheid te geven hun omgeving te begrijpen zonder de noodzaak van door mensen gelabelde gegevens of door mensen gegenereerde tekst. Met wereldmodellen kunnen AI-systemen beter reageren op onvoorspelbare en niet-distributiegebeurtenissen en robuuster worden tegen de onzekerheden van de echte wereld.
Belangrijker nog is dat wereldmodellen de weg vrijmaken voor AI-systemen die verder kunnen gaan dan alleen tekst en taken kunnen oplossen waarbij fysieke omgevingen betrokken zijn. Wereldmodellen proberen de regelmatigheden van de fysieke wereld rechtstreeks uit observatie en interactie te leren.
Er zijn verschillende benaderingen voor het creëren van wereldmodellen. DeepMind bouwt Genieeen familie van generatieve end-to-end-modellen die een omgeving simuleren, zodat een agent kan voorspellen hoe de omgeving zal evolueren en hoe acties deze zullen veranderen. Het neemt een afbeelding of prompt op, samen met gebruikersacties, en genereert een reeks videoframes die weerspiegelen hoe de wereld verandert. Genie kan interactieve omgevingen creëren die voor verschillende doeleinden kunnen worden gebruikt, waaronder het trainen van robots en zelfrijdende auto’s.
Wereldlaboratoriaeen nieuwe startup opgericht door AI-pionier Fei-Fei Li hanteert een iets andere aanpak. Marble, het eerste AI-systeem van World Labs, gebruikt generatieve AI om een 3D-model te creëren op basis van een afbeelding of prompt, dat vervolgens kan worden gebruikt door een natuurkunde- en 3D-engine om de interactieve omgeving die wordt gebruikt om robots te trainen weer te geven en te simuleren.
Een andere benadering is de Joint Embedding Predictive Architecture (JEPA), verdedigd door Turing Award-winnaar en voormalig Meta AI-chef Yann LeCun. JEPA-modellen leren latente representaties van onbewerkte gegevens, zodat het systeem kan anticiperen op wat er gaat gebeuren zonder elke afzonderlijke pixel te genereren.
JEPA-modellen zijn veel efficiënter dan generatieve modellen, waardoor ze geschikt zijn voor snelle real-time AI-toepassingen die moeten draaien op apparaten met beperkte middelen. V-JEPAde videoversie van de architectuur is vooraf getraind in ongelabelde video op internetschaal om wereldmodellen te leren door middel van observatie. Vervolgens voegt het een kleine hoeveelheid interactiegegevens van robottrajecten toe om de planning te ondersteunen. Deze combinatie suggereert een pad waarbij bedrijven overvloedige passieve video (training, inspectie, dashcams, detailhandel) benutten en beperkte, hoogwaardige interactiegegevens toevoegen waar ze controle nodig hebben.
In november LeCun bevestigde dat hij Meta zal verlaten en zal een nieuwe AI-startup lanceren die zich zal richten op “systemen die de fysieke wereld begrijpen, een persistent geheugen hebben, kunnen redeneren en complexe reeksen acties kunnen plannen.”
Orkestratie
Frontier LLM’s blijven vooruitgang boeken op zeer uitdagende benchmarks, waarbij ze vaak beter presteren dan menselijke experts. Maar als het gaat om taken in de echte wereld en workflows van agenten die uit meerdere stappen bestaan, falen zelfs sterke modellen: ze verliezen context, roepen tools aan met de verkeerde parameters en verergeren kleine fouten.
Orchestration behandelt deze storingen als systeemproblemen die met de juiste steigers en engineering kunnen worden opgelost. Een router kiest bijvoorbeeld tussen een snel klein model, een groter model voor hardere stappen, herstel voor aarding en deterministische tools voor acties.
Er zijn nu verschillende raamwerken die orkestratielagen creëren om de efficiëntie en nauwkeurigheid van AI-agents te verbeteren, vooral bij het gebruik van externe tools. Stanfords OctoTools is een open source-framework dat meerdere tools kan orkestreren zonder de noodzaak om de modellen te verfijnen of aan te passen. OctoTools maakt gebruik van een modulaire aanpak die een oplossing plant, tools selecteert en subtaken delegeert aan verschillende agenten. OctoTools kan elke algemene LLM als ruggengraat gebruiken.
Een andere aanpak is het trainen van een gespecialiseerd orkestratormodel dat de arbeid kan verdelen over verschillende componenten van het AI-systeem. Een voorbeeld hiervan is dat van Nvidia Orkesteen model met 8 miljard parameters dat verschillende tools en LLM’s coördineert om complexe problemen op te lossen. Orchestrator is getraind via een speciale leertechniek voor versterking, ontworpen voor modelorkestratie. Het kan vertellen wanneer tools moeten worden gebruikt, wanneer taken moeten worden gedelegeerd aan kleine gespecialiseerde modellen, en wanneer redeneringen en kennis uit grote generalistische modellen moeten worden gebruikt.
Een van de kenmerken van deze en andere soortgelijke raamwerken is dat ze kunnen profiteren van de vooruitgang in de onderliggende modellen. Dus nu we vooruitgang blijven zien in grensmodellen, kunnen we verwachten dat orkestratieframeworks zullen evolueren en bedrijven zullen helpen robuuste en hulpbronnenefficiënte agentapplicaties te bouwen.
Verfijning
Verfijningstechnieken maken van ‘één antwoord’ een gecontroleerd proces: suggereren, bekritiseren, herzien en verifiëren. Het omschrijft de workflow alsof het hetzelfde model gebruikt om een eerste output te genereren, er feedback op te geven en iteratief te verbeteren zonder aanvullende training.
Hoewel zelfverfijningstechnieken al een paar jaar bestaan, zijn we misschien op een punt aangekomen waarop we kunnen zien dat ze een stapsgewijze verandering teweegbrengen in agenttoepassingen. Dit kwam volledig tot uiting in de uitslag van de ARC Award, die 2025 werd gedoopt als ‘Het jaar van de verfijningslus” en schreef: “Vanuit het perspectief van de informatietheorie is verfijning intelligentie.”
ARC test modellen op ingewikkeld abstract redeneren. Uit de eigen analyse van ARC blijkt dat de best geverifieerde verfijningsoplossing, gebouwd op een grensmodel en ontwikkeld door Poetiqscoorde 54% op de ARC-AGI-2 en versloeg de nummer twee, Gemini 3 Deep Think (45%), voor de helft van de prijs.
De oplossing van Poetiq is een recursief, zichzelf verbeterend systeem dat LLM-agnostisch is. Het is ontworpen om het redeneringsvermogen en de kennis van het onderliggende model te benutten om de eigen oplossing te reflecteren en te verfijnen, waarbij indien nodig een beroep wordt gedaan op hulpmiddelen zoals codetolken.
Naarmate de modellen sterker worden, kun je door het toevoegen van zelfverfijnende lagen er meer uit halen. Poetiq werkt al samen met partners om zijn metasysteem aan te passen om ‘complexe problemen uit de echte wereld aan te pakken die grensmodellen moeilijk kunnen oplossen’.
Hoe AI-onderzoek in 2026 te volgen
Een praktische manier om het onderzoek het komende jaar te lezen, is door te zien welke nieuwe technieken bedrijven kunnen helpen om agentapplicaties van proof-of-concepts naar schaalbare systemen te verplaatsen.
Continu leren verschuift de nauwkeurigheid naar het ontstaan en vasthouden van herinneringen. Wereldmodellen brengen het in de richting van robuuste simulatie en voorspelling van gebeurtenissen in de echte wereld. Orkestratie brengt het in de richting van een beter gebruik van hulpbronnen. Verfijning brengt het in de richting van slimme reflectie en correctie van antwoorden.
De winnaars zullen niet alleen sterke modellen selecteren, ze zullen ook het controlevlak bouwen dat deze modellen correct, actueel en kosteneffectief houdt.
