AI als wetenschapper — de systemen die zelf onderzoek beginnen te doen

In december 2023 publiceerde DeepMind een paper in Nature met een onopvallende titel: "Mathematical discoveries from program search with large language models." Het beschreef een systeem genaamd FunSearch dat combinatorische wiskundeproblemen aanviel door gebruik te maken van grote taalmodellen — in dit geval codeerend in Python — in een evolutionaire zoekopdracht.

Het resultaat was opmerkelijk voor wiskundigen. FunSearch vond nieuwe, betere oplossingen voor twee specifieke problemen: de "cap set"-probleem (waaruit volgt hoe grote verzamelingen er in bepaalde wiskundige structuren mogelijk zijn) en bin-packing-problemen (hoe je items efficiënt in containers pakt). De nieuwe oplossingen verbeterden op resultaten die menselijke wiskundigen decennia hadden opgebouwd.

Dit was anders dan AlphaFold. AlphaFold loste een biologisch probleem op door patroon-herkenning over gigantische datasets. FunSearch deed iets meer lijkend op wat wiskundigen doen — creatief nieuwe oplossingen ontwerpen, evalueren, en verbeteren.

Het was nog geen AI-wiskundige. Het was wel een stap in die richting.

Wat er anders was

Voor FunSearch en vergelijkbare systemen werd AI in wetenschap vooral als assistent gezien. Onderzoekers gebruikten AI voor literature review, voor data-analyse, voor schrijfwerk. De kern-activiteiten van wetenschap — hypothese-formulering, experimenteel ontwerp, creatieve doorbraken — bleven menselijk.

FunSearch deed iets fundamenteel anders. Het genereerde creatieve oplossingen voor een open wiskundig probleem. De mens in de loop (DeepMind-team) stelde het probleem, ontwierp het evaluatie-systeem, interpreteerde de resultaten. Maar de creatieve sprong — de specifieke wiskundige constructies die tot betere oplossingen leidden — was AI-werk.

Voor wiskundigen was dit een ontnuchtering. Wiskunde werd vaak gezien als het laatste bolwerk van puur menselijke creativiteit. De rest van de wetenschap kon empirisch — data verzamelen, patronen vinden. Maar wiskunde zelf was abstract denken, onafhankelijk van empirische observatie. Dat was de mens-exclusieve zone.

FunSearch toonde dat ook dat deels in machinale vorm te doen was. Niet alle wiskunde. Niet de allergrootste doorbraken. Maar specifiek combinatorische problemen — waar zoekruimtes groot zijn en de beste oplossing niet analytisch afleidbaar is — konden AI-gemedieerde vooruitgang zien.

AI Scientist en volledige automatisering

In augustus 2024 publiceerde Sakana AI (een Japans-Amerikaans lab opgericht door ex-Google-onderzoekers) iets ambitieuzer. Hun "AI Scientist" claimde volledige automatisering van het onderzoeksproces. Van hypothese-formulering tot experimenten (in machine learning-context) tot paper-schrijven tot peer-review.

De eerste publieke demonstratie was een paper gegenereerd door het systeem zelf over een specifiek machine learning-onderwerp. Het paper was niet Nobel-kwaliteit, maar het was gepubliceerd op ArXiv en leek op het werk van een junior-onderzoeker.

Sakana AI's claim was provocatief: ze hadden effectief een "AI Scientist-in-a-box" gebouwd die voor duizenden dollars per maand onderzoek kon doen. Scalable. Goedkoper dan een menselijke PhD-student.

Critici waren direct. Het onderzoek was oppervlakkig. De experimenten waren rudimentair. De interpretaties waren vaak onnauwkeurig. Maar sommige vinden dat dit laatste zorgwekkende was — als AI Scientist zo was, hoe lang voor er een versie kwam die serieuzer werk doet?

Anthropic's AI Co-scientist

Anthropic's benadering was anders en meer voorzichtig. In 2024-2025 werkten zij aan "AI Co-scientist"-projecten, specifiek in geneeskunde. In plaats van volledige automatisering, focus op mensen-in-de-loop samenwerking. AI doet specifieke taken (literatuur-synthese, hypothese-genereren, experimenteel ontwerp-voorstel); menselijke onderzoekers valideren en richten.

Vroege resultaten zijn bemoedigend. Het systeem heeft nieuwe medicijn-combinaties voorgesteld voor specifieke ziektes (Alzheimer, bepaalde kankertypes) die in dier-experimenten positieve resultaten lieten zien. Sommige zijn nu in klinische fase 1-trials.

Deze benadering — AI als co-auteur en versneller — is waarschijnlijk representatiever voor wat er in de nabije toekomst zal gebeuren dan Sakana's volledige automatisering. Mensen blijven nodig voor oordeel, contextualisering, en creatieve sprongen. AI levert de doorloop-efficiency en specifieke analytische capaciteiten.

De publicatie-crisis

Een van de acute problemen van AI in wetenschap is de invloed op wetenschappelijke literatuur. Sinds 2022 zijn de cijfers duidelijk: een significant deel van academische papers bevat AI-gegenereerde content. Veel is legitiem (AI voor schrijf-hulp). Veel is problematisch (paper mills die volledige fake-papers produceren).

"Paper mills" — commerciële operaties die onderzoekspapers produceren voor verkoop, vaak aan mensen die moeten publiceren voor promoties — waren altijd al een probleem. AI heeft dat probleem geïntensiveerd. Honderdduizenden papers per jaar worden door deze operaties geproduceerd. Veel komen in journalen terecht. Sommige worden geciteerd. De wetenschappelijke literatuur wordt langzaam vervuild.

Wetenschappelijke uitgevers proberen detectie in te zetten. Sommige journalen hebben strenger peer-review. Retracties — papers die worden teruggetrokken wegens fraude of onbetrouwbaarheid — bereiken jaarlijks records. In 2023-2024 werden meer dan 10.000 papers geretracteerd.

Dit is deels een AI-probleem en deels een incentive-probleem in academische wetenschap (the pressure to publish). AI versterkt het bestaande incentive-probleem.

Wat AI goed doet in wetenschap

Los van de problematische kant zijn er legitieme, impactvolle AI-toepassingen in wetenschap:

Literature synthesis. AI kan duizenden papers in een domein snel samenvatten, patronen identificeren, overzichten genereren. Voor wetenschappers die proberen een nieuw veld te leren of specifieke vragen te beantwoorden, is dat enorm tijdbesparend.

Hypothese-generatie. AI-systemen kunnen op basis van bestaande literatuur en data mogelijke hypothesen voorstellen die menselijke onderzoekers niet hadden bedacht. Sommige proved waardevol als startpunten voor onderzoek.

Data-analyse. Grootschalige, complexe datasets (genomic, astronomical, klimatologisch) worden steeds meer door AI verwerkt. Patronen die mensen niet kunnen zien — of niet binnen redelijke tijd — worden toegankelijk.

Materialen-ontdekking. Zoals gemeld in eerder artikel — AI genereert kandidaten voor nieuwe materialen die experimenteel gevalideerd kunnen worden. Dramatic versnelling van materialen-onderzoek.

Drug discovery. Zoals gemeld in eerder artikel — AI helpt moleculen ontwerpen, targets identificeren, toxiciteit voorspellen.

Experimenteel ontwerp. AI kan optimale experiment-ontwerpen voorstellen — welke condities te testen, hoeveel monsters nodig zijn, hoe resultaten te verzamelen.

Peer review-assistentie. Sommige journalen experimenteren met AI voor eerste-ronde-review — papers valideren op basiskwaliteit voor ze naar menselijke reviewers gaan.

Al deze zijn operationele verbeteringen — ze maken wetenschap sneller en breder toegankelijk. Ze veranderen de fundamentele aard van wetenschap niet.

De verandering van wetenschap?

Maar er zijn aanwijzingen dat AI wel de fundamentele aard van wetenschap verandert. Drie voorbeelden:

Black-box-kennis. Als AlphaFold een eiwit-structuur voorspelt zonder mensen te laten zien waarom, is dat dan "wetenschap"? Traditioneel wetenschap is niet alleen over correct zijn, maar over begrijpen waarom. AI-voorspellingen leveren correctheid zonder altijd begrip. Dat is een kwalitatieve verandering.

Schaal-veranderingen. Met AI kunnen we experimenten op schalen doen die eerder onhaalbaar waren. Miljoenen virtuele tests. Enorme simulaties. De wetenschappelijke methode — hypothese, experiment, conclusie — blijft, maar de schaal waarop ze werken, verandert. Dat verschuift wat "wetenschap" praktisch is.

Publicatie en kennis-creatie. Met AI-generatie en AI-curatie kan de snelheid van kennis-productie enorm toenemen. Maar ook de snelheid van fout-kennis-productie. De wetenschappelijke community moet mechanismen ontwikkelen om relevant onderzoek van ruis te onderscheiden, op een schaal die eerder niet nodig was.

Deze veranderingen zijn niet fundamenteel slecht. Ze vereisen wel aanpassing van wetenschappelijke instituties. En die aanpassing loopt achter op de technologische verandering.

Wat gebeurt er met onderzoekers

Voor individuele wetenschappers verandert het werk. Junior-onderzoekers vinden AI-tools onmisbaar voor literature review, data-analyse, schrijven. Senior-onderzoekers gebruiken AI voor productiviteits-boost maar blijven hun creatieve invloed uitoefenen op hoger niveau.

Maar voor beginnende carrières is de situatie gemengd. Veel instap-taken — literature review, simpele data-analyse, basaal schrijfwerk — waren traditioneel hoe PhD-studenten en postdocs hun skills ontwikkelden. Als AI die taken overneemt, wat wordt dan de leerweg?

Sommige universiteiten passen curricula aan. Meer nadruk op AI-samenwerking, minder op specifieke automatiseerbare skills. Meer focus op conceptueel denken, experimenteel ontwerp, inter-disciplinaire integratie. De voorspelling: onderzoekers die dieper kunnen denken over waarom vragen belangrijk zijn en hoe ze aan te pakken, blijven waardevol. Onderzoekers die goed waren in specifieke technische taken (de taken die AI nu overneemt) moeten bijscholen.

De grote vraag

De diepste vraag: verandert AI alleen hoe we wetenschap doen, of verandert ze wat wetenschap is?

Een optimistische lezing: AI is een nieuw, krachtig gereedschap. Als microscopen, telescopen, of computers — ze verlengen onze mogelijkheden maar veranderen het fundamentele project niet. We zijn nog steeds mensen die de wereld proberen te begrijpen. AI helpt daarbij.

Een alarmere lezing: AI begint onderdelen van wetenschap over te nemen die we met menselijk begrip associeerden. Hypothese-generatie. Creatieve sprongen. Paper-schrijven. Als deze geautomatiseerd worden, wat blijft er dan over dat specifiek menselijk is in wetenschap?

Een genuanceerdere lezing: de relatie tussen mens en machine in wetenschap verandert, maar niet op een manier die wetenschap als project ondermijnt. Wetenschap blijft een menselijk project — het is altijd mensen die beslissen welke vragen belangrijk zijn, welke antwoorden waarde hebben, hoe de kennis in menselijke samenlevingen wordt ingezet. AI levert de tools en soms de specifieke output. De oordeel — het kader — blijft menselijk.

Die derde lezing is waarschijnlijk accuraat voor de komende 10-20 jaar. Voorbij dat punt wordt het speculatief. Als AI-systemen echt conceptuele doorbraken kunnen doen, als ze onafhankelijk belangrijke vragen kunnen formuleren, als ze programma's voor hele velden kunnen opstellen — dan verandert de menselijke rol fundamenteel.

Voor 2026 is die toekomst nog ver. Maar niet verzekerd ver.

Waar we staan

AI in wetenschap is in 2026 een gemengd verhaal. Indrukwekkende successen (AlphaFold, FunSearch, AI Co-scientist in geneeskunde) gaan hand in hand met zorgelijke problemen (paper mills, publicatie-vervuiling, vragen over kennis-integriteit).

De belangrijkste les is misschien dat AI in wetenschap — net zoals AI elders — geen neutrale technologie is. Hoe we haar inzetten, welke incentives we creëren, welke controles we bouwen, bepaalt welke kant domineert.

Goed gebruikt, kan AI wetenschappelijke vooruitgang versnellen op manieren die eerder onmogelijk waren. AlphaFold is bewijs. Drug discovery versnelt. Materialen-onderzoek bloeit. Dat zijn echte winsten voor de mensheid.

Slecht gebruikt, kan AI wetenschappelijke literatuur vervuilen, echte doorbraken verbergen achter ruis, en vertrouwen in wetenschap ondermijnen. Paper-mill-AI is bewijs. Retraction-records zijn bewijs.

Welke versie we eindigen met, hangt af van keuzes — niet alleen door AI-onderzoekers, maar door de wetenschappelijke instituties (journalen, universiteiten, beurzenverleners) die incentives scheppen en controle uitoefenen.

In 2026 zijn we midden in die onderhandeling. De uitkomst bepaalt veel over welke wetenschap we de komende decennia zullen hebben. En dus over welke kennis beschikbaar is voor de beslissingen die we maken.

Niet alleen voor wetenschappers. Voor ons allemaal.