Mostik laat AI-modellen samenwerken via wiskundige 'brug'

TL;DR

• Wat: Startup Mostik bouwt een wiskundige brug waarmee een klein AI-model kennis uit een groot model kan overnemen — zonder dat het grote model alles zelf hoeft te draaien.
• Waarom relevant: Je kunt hiermee straks mogelijk grote-model-kwaliteit krijgen tegen een fractie van de kosten.
• Wat je ermee kunt: Houd in de gaten of je AI-leverancier dit soort hybride oplossingen aanbiedt — het kan je rekenkosten flink drukken.

Ik viel over een bericht van WIRED over een startup genaamd Mostik. Het bedrijf beweert dat het AI-modellen van totaal verschillende grootte met elkaar kan laten samenwerken — niet door ze tekst uit te laten wisselen, maar via de wiskundige waarden in hun gewichten. Dat klinkt abstract, maar de praktische implicaties vind ik opvallend concreet.

Wat doet Mostik precies?

Mostik — Russisch voor "bruggetje" — is opgericht door CEO Sasha Malysheva en heeft als wetenschappelijk hoofd Stanislav Smirnov aan boord. Het kernidee: twee AI-modellen hoeven niet allebei dezelfde taal te spreken om van elkaar te leren. In plaats van tekst heen en weer te sturen (zoals bij de meeste AI-systemen), maakt Mostik een wiskundige verbinding tussen de weights van twee modellen.

Even kort: weights zijn de miljoenen tot miljarden getallen die bepalen hoe een AI-model een vraag omzet in een antwoord. Ze zijn het resultaat van de training. Wat Mostik zegt te doen, is die getallen direct laten "praten" tussen een groot en een klein model.

Malysheva legt het uit met een vergelijking uit de statistiek: als je een groep mensen laat schatten hoe zwaar iets is, is het gemiddelde van al die schattingen vaak nauwkeuriger dan de schatting van één expert. Dat principe — ensemble learning — past Mostik toe op AI-modellen met totaal verschillende architecturen.

De demonstratie: groot model, klein model, halve kosten

Om te laten zien dat het werkt, bouwde Mostik een brug tussen twee Chinese open-weight modellen:

• GLM-5.2 — een groot model met 753 miljard parameters
• Qwen-3.5 — een klein model met 4 miljard parameters, klein genoeg om op een telefoon te draaien

Het resultaat van die combinatie? Prestaties die volgens Mostik precies halverwege de twee modellen landen. Dat klinkt misschien bescheiden, maar het kostenplaatje is waar het interessant wordt: de hybride draait op een twintigste van de kosten van het volledige GLM-5.2-model.

Stel dat je als ondernemer een AI-toepassing draait die nu een zwaar (en duur) model nodig heeft — klantenservice, documentanalyse, productaanbevelingen. Als je met een klein model en zo'n brug een groot deel van die kwaliteit kunt behouden tegen vijf procent van de kosten, dan verandert dat de businesscase behoorlijk.

ARC-AGI 3: een lastige test

Mostik claimt ook dat het met deze aanpak een model heeft gebouwd dat hoog scoort op ARC-AGI 3, een benchmark die bekendstaat als bijzonder moeilijk voor AI-systemen. Bij de lancering in maart 2026 scoorde elk groot AI-model onder de 1 procent, terwijl mensen alle opgaven oplosten. Inmiddels staan er modellen op het leaderboard, maar scores boven de 30 procent zijn zeldzaam.

Mostik heeft niet precies gedeeld hoe hoog hun score is — het bedrijf houdt details achter vanwege de competitie. Dat maakt het lastig om de claim onafhankelijk te verifiëren. Ik vind dat eerlijk gezegd een kanttekening die ertoe doet: een sterke claim zonder openbare cijfers vraagt om gezonde scepsis.

Wat zeggen anderen?

Karl Tuyls, voormalig wetenschapper bij Google DeepMind, wordt in berichtgeving aangehaald met de opmerking dat je met deze aanpak "grote-model-kwaliteit kunt benaderen zonder dat het grote model de hele loop afhandelt." Vladimir Arustamian, tech lead bij Lovable, ziet mogelijkheden om frontier-modellen te combineren met gespecialiseerde systemen in vakgebieden als biologie en natuurkunde.

Dat zijn positieve geluiden, maar het zijn ook vrij voorzichtige formuleringen. Niemand zegt dat dit al bewezen is op productieniveau. Wat mij opvalt, is dat de technologie fundamentele vragen oproept over wat die weights eigenlijk betekenen — en of twee losstaande systemen daar op een zinvolle manier informatie over kunnen uitwisselen. Dat is wetenschappelijk fascinerend, maar ook een teken dat we nog vroeg in dit verhaal zitten.

Wat betekent dit voor een ondernemer?

Ik denk dat de relevantie hier niet zit in Mostik zelf — het is een startup, de technologie is jong, en het is onduidelijk wanneer dit breed beschikbaar wordt. De relevantie zit in het patroon: de AI-wereld beweegt steeds meer richting hybride oplossingen waarbij je niet per se het grootste en duurste model nodig hebt voor een goed resultaat.

Voor een MKB-ondernemer is dat goed nieuws. De kosten van AI-toepassingen zijn een reële drempel. Als de industrie manieren vindt om kleine modellen slimmer te maken met hulp van grote modellen — zonder dat je voor elk verzoek een zwaar model hoeft aan te spreken — dan worden AI-toepassingen toegankelijker. Niet morgen, maar de richting is duidelijk.

Kun je je voorstellen wat het betekent als je straks een AI-assistent op een telefoon kunt draaien die tachtig procent van de kwaliteit levert van een model dat nu duizenden euro's per maand kost aan rekenwerk?

Tot slot

Voor mij is dit vooral een signaal dat de concurrentie in AI niet meer alleen gaat over wie het grootste model bouwt. Het gaat steeds vaker over wie het slimst combineert. Mostik is daar een voorbeeld van — hoe ver ze komen, moet nog blijken. Maar het idee dat een klein model op een telefoon kan meeliften op de intelligentie van een groot model via een wiskundige brug? Dat vind ik eerlijk gezegd behoorlijk elegant als concept.