AI-agenten doen zelfstandig wiskundig onderzoek — zonder aansturing

TL;DR

• Wat: Onderzoekers lieten AI-agenten uit verschillende modelfamilies zelfstandig samenwerken aan wiskundige problemen — zonder menselijke aansturing — en behaalden daarmee nieuwe records op meerdere open wiskundige vraagstukken.
• Waarom relevant: Dit laat zien dat AI-systemen niet alleen taken uitvoeren, maar ook zelfstandig richting kunnen kiezen en kennis kunnen opbouwen — een patroon dat op termijn ook in bedrijfsomgevingen relevant wordt.
• Wat je ermee kunt: Volg hoe multi-agentsystemen zich ontwikkelen; de stap van wiskundig onderzoek naar complexe bedrijfsoptimalisatie is kleiner dan je denkt.

Ik kwam dit paper tegen via een post van AI-onderzoeker Akhaliq op X: een team van drie onderzoekers — Stephen Chung, Wenyu Du en William J. Wesley — bouwde een systeem genaamd the Station, waarin AI-agenten zonder centrale regie wiskundig onderzoek doen. Wat mij opviel: de agenten vonden niet alleen nieuwe oplossingen, maar schreven ook stellingen en analyses om die oplossingen te verklaren.

Wat is 'the Station' precies?

Het idee achter the Station is verrassend eenvoudig in concept. Je zet AI-agenten uit verschillende modelfamilies — denk aan agenten gebaseerd op uiteenlopende large language models — samen in één omgeving. Ze krijgen geen script, geen taakverdeling, geen stap-voor-stap instructies. In plaats daarvan opereren ze als een soort open onderzoeksgroep: elke agent kiest zelfstandig een onderzoeksrichting, voert experimenten uit, en deelt bevindingen via een gedeelde wetenschappelijke kennisbank.

Vergelijk het met een kantoor waar je vijf specialisten neerzet, elk met een eigen achtergrond, en zegt: "Hier liggen de onopgeloste problemen — ga aan de slag." Geen manager die taken toewijst, geen vaste vergaderstructuur. Alleen een gedeeld archief waar iedereen resultaten in kan zetten en uit kan lezen.

Ik vind het eerlijk gezegd fascinerend dat dit überhaupt werkt. Het gaat hier niet om een chatbot die jouw vraag beantwoordt, maar om agenten die zelf bepalen waar ze aan werken.

Wat hebben die agenten dan gevonden?

De resultaten zijn concreet en verifieerbaar. De agenten werkten aan vijf problemen uit de zogenaamde AlphaEvolve-catalogus — een verzameling open wiskundige constructieproblemen die ook door Google DeepMind's AlphaEvolve-systeem zijn onderzocht. Wat ze vonden:

• Kakeya-verzamelingen over eindige velden: een nieuwe oneindige familie van oplossingen.
• Kissing-configuraties: een exacte configuratie van 604 punten in dimensie 11. Ter vergelijking: AlphaEvolve van Google DeepMind kwam tot 593 punten op hetzelfde probleem. Dat verschil is in de wiskundige wereld significant.
• Erdős' minimum-overlap-probleem: een substantieel verbeterde ondergrens.
• Book Ramsey-getallen: nieuwe oneindige families ontdekt.
• Discretized Kakeya-naaldprobleem en sign uncertainty: nieuwe records.

Voor niet-wiskundigen: dit zijn problemen waar menselijke wiskundigen soms jarenlang aan werken. Dat een systeem zonder menselijke sturing hier nieuwe records neerzet, is op zijn minst opmerkelijk.

Niet alleen antwoorden, ook uitleg

Wat ik bijzonder interessant vind, is dat de agenten niet alleen numerieke constructies produceerden — zeg maar: de antwoorden — maar ook stellingen en analyses schreven die uitleggen waarom die constructies werken. Dat is een stap verder dan brute-force rekenkracht. Het raakt aan iets wat je interpreteerbaar onderzoek zou kunnen noemen: het systeem legt zijn eigen redenering bloot.

Alle dialogen tussen de agenten, de bewijzen en de verificatiecode zijn openbaar beschikbaar gemaakt. Dat is een bewuste keuze voor transparantie die ik waardeer.

Hoe verhoudt dit zich tot wat Google DeepMind doet?

Google DeepMind publiceerde eerder AlphaEvolve, een systeem dat hele codebases evolueert om wiskundige problemen op te lossen. AlphaEvolve herontdekte de beste bekende oplossingen in 75% van de gevallen en verbeterde ze in 20%. Indrukwekkend, maar AlphaEvolve werkt met een meer gestructureerde aanpak: het evolueert code volgens een vooraf ontworpen proces.

The Station pakt het fundamenteel anders aan. Er is geen evolutionair algoritme dat code muteert. Er zijn agenten die converseren, hypotheses formuleren, en elkaars werk lezen. Het feit dat dit systeem op sommige problemen betere resultaten haalt dan AlphaEvolve — zoals die 604 versus 593 punten bij kissing-configuraties — suggereert dat ongestructureerde samenwerking tussen AI-agenten verrassend effectief kan zijn.

Ik wil daar wel een kanttekening bij plaatsen: één paper is geen definitief bewijs dat deze aanpak structureel beter werkt. Mogelijk zijn de problemen waarop the Station scoort toevallig geschikt voor deze methode. Dat zal uit vervolgonderzoek moeten blijken.

Wat betekent dit voor ondernemers?

Laat ik eerlijk zijn: je gaat morgen geen wiskundige AI-agenten inzetten in je bedrijf. Maar het onderliggende patroon is wél relevant. Wat hier werkt, is het principe van autonome agenten die zonder centrale aansturing samenwerken aan complexe problemen, met een gedeelde kennisbasis als bindmiddel.

Dat patroon zie je nu in de wiskunde, maar de stap naar bedrijfstoepassingen is denkbaar. Stel dat je als ondernemer een complexe logistieke puzzel hebt — voorraadoptimalisatie, routeplanning, prijsstrategie — waarbij meerdere variabelen tegelijk meespelen. Een multi-agentsysteem dat zelfstandig scenario's verkent en oplossingen deelt via een gedeelde kennislaag, is niet meer puur sciencefiction.

Uit recente cijfers blijkt dat in 2025 bijna 30% van het Nederlandse MKB al minstens één AI-technologie inzette. De huidige toepassingen zijn vooral praktisch: e-mailafhandeling, klantenservice, marketingcontent. Maar de technologie achter multi-agentsystemen ontwikkelt zich snel. Wat nu in een wiskundig laboratorium gebeurt, kan over een paar jaar als bouwsteen beschikbaar zijn voor complexere bedrijfsvraagstukken.

Kun je je voorstellen wat het betekent als je drie AI-agenten op je operationele data loslaat — de ene kijkt naar kosten, de andere naar klanttevredenheid, de derde naar levertijden — en ze zelfstandig een geoptimaliseerd voorstel formuleren?

Een reflectie

Wat mij aan dit onderzoek het meest bijblijft, is niet het wiskundige resultaat op zich, maar het feit dat de agenten zelf richting kozen. Ze kregen geen opdracht om specifiek aan Kakeya-verzamelingen of Ramsey-getallen te werken. Ze kozen die problemen. Dat is een fundamenteel ander soort AI dan de gereedschappen die we nu dagelijks gebruiken.

Ik denk dat we hier een vroeg voorbeeld zien van een ontwikkeling die de komende jaren veel breder wordt. Niet morgen, en waarschijnlijk niet overmorgen. Maar de bouwstenen liggen er. Voor mij is dit vooral een signaal om multi-agentsystemen in de gaten te houden — niet als hype, maar als een technologische richting die langzaam concreet wordt.