Wat AI kan leren van het brein van een fruitvlieg

TL;DR

• Wat: Onderzoekers ontwikkelden Spi-Fly, een algoritme geïnspireerd op het reukbrein van een fruitvlieg, dat nieuwe geuren leert herkennen zonder eerder geleerde geuren te vergeten.
• Waarom relevant: Het algoritme werkt met heel weinig voorbeelden en vergeet geen eerdere kennis — precies de eigenschappen die je als ondernemer wilt in AI-systemen die in de praktijk moeten meegroeien.
• Wat je ermee kunt: Volg de ontwikkeling van neuromorfische AI als je werkt met classificatietaken (kwaliteitscontrole, geurdetectie, productveiligheid) waar weinig trainingsdata beschikbaar is.

Ik stuitte op een bericht van Ars Technica over een nieuw algoritme dat geïnspireerd is op het brein van een fruitvlieg. Mijn eerste gedachte was eerlijk gezegd: een fruitvlieg, echt? Maar toen ik me erin verdiepte, bleek het onderzoek een probleem aan te pakken waar veel AI-systemen in de praktijk tegenaan lopen — en dat maakt het relevant voor iedereen die nadenkt over AI in de bedrijfsvoering.

Het probleem: AI die vergeet wat het geleerd heeft

Stel je voor: je traint een AI-systeem om productfouten te herkennen op een lopende band. Na drie maanden voeg je een nieuw type fout toe aan het systeem. Wat gebeurt er? Bij veel traditionele machine-learningmodellen verslechtert de herkenning van de oude fouten. Dit heet in de vakliteratuur "catastrophic forgetting" — catastrofaal vergeten. Het systeem leert iets nieuws, maar verliest tegelijk een deel van wat het al wist.

Voor een onderzoeksomgeving is dat vervelend. Voor een bedrijf dat op zo'n systeem vertrouwt, is het een serieus probleem. Je wilt niet dat je kwaliteitscontrole achteruitgaat elke keer als je het systeem bijwerkt.

En precies daar komt een fruitvlieg om de hoek.

Spi-Fly: een algoritme met drie lagen

Onderzoekers van het Okinawa Institute of Science and Technology (OIST) in Japan hebben een algoritme ontwikkeld dat ze Spi-Fly noemen. Het is gepubliceerd in het vakblad Neuromorphic Computing & Engineering (augustus 2026). De onderzoekers Dr. Kevin Max en Dr. Yang Shen hebben samengewerkt met collega's van de TU Eindhoven en de Universiteit van Kiel.

Het algoritme bootst na hoe het reukcentrum van een fruitvlieg werkt. Dat klinkt bescheiden — het brein van een fruitvlieg telt zo'n 140.000 neuronen, vergeleken met de ruwweg 86 miljard in een mensenbrein. Maar juist die eenvoud maakt het interessant.

Spi-Fly werkt met drie lagen:

1. Invoerlaag — hier komen de geursignalen binnen.
2. Verborgen laag — bevat 1.000 neuronen. Door willekeurige, "schaarse" verbindingen worden per geur maar een paar neuronen actief. Die actieve neuronen vormen samen een soort unieke streepjescode voor die specifieke geur.
3. Uitvoerlaag — herkent de streepjescodes via een eenvoudige leermethode.

De crux zit in die schaarsheid. In het fruitvliegbrein wordt zo'n 95% van de betrokken neuronen (de Kenyon-cellen) onderdrukt bij elke geur. Alleen een klein, uniek groepje wordt actief. Doordat de patronen zo weinig overlap hebben, kan het systeem een nieuwe geur leren zonder de patronen van eerdere geuren te verstoren.

Ik vind dit een elegante oplossing. Waar veel AI-modellen steeds groter en complexer worden, gaat dit algoritme juist de andere kant op: het werkt met minimale activiteit en minimale data.

Weinig voorbeelden nodig

Wat mij bijzonder opvalt, is dat Spi-Fly uitblinkt in wat onderzoekers "few-shot learning" noemen — leren van slechts een paar voorbeelden. Waar een traditioneel deep-learningmodel soms duizenden of tienduizenden voorbeelden nodig heeft om een patroon te herkennen, kan Spi-Fly na een handvol samples al classificeren.

Kun je je voorstellen wat dit betekent als je als ondernemer werkt in een domein waar data schaars is? Denk aan een nichemarkt, een nieuw product, of een situatie waarin je simpelweg niet genoeg voorbeelden hebt om een groot model te trainen. Dat is geen hypothetisch probleem — veel MKB-bedrijven die met AI willen beginnen, lopen hier in de praktijk tegenaan.

Eerlijk over de beperkingen

Ik wil hier wel bij vermelden wat de onderzoekers zelf ook aangeven: de algehele classificatieprestaties van Spi-Fly liggen onder die van de beste conventionele machine-learningmethoden. Het algoritme is dus niet per se beter in het classificeren zelf — het is beter in het blijven leren zonder te vergeten en in het leren met weinig data. Dat is een belangrijk verschil.

Ook is het algoritme nog niet getest met gemengde geursignalen, wat in de echte wereld de standaard is. De stap van lab naar praktijk is er nog niet.

Toepassingen: van explosieven tot voedselveiligheid

De onderzoekers noemen concrete toepassingsgebieden: het detecteren van explosieven, het beoordelen van allergenen, voedselveiligheid, het identificeren van drugs, en zelfs luchtkwaliteitsmeting. Dr. Max geeft aan dat het algoritme in theorie voor elk classificatieprobleem zou kunnen werken, niet alleen voor geuren.

Dat laatste vind ik het meest interessante. Als de aanpak generaliseerbaar is, zou je dezelfde principes kunnen toepassen op heel andere domeinen. Stel dat je als ondernemer een systeem hebt dat producten sorteert, of dat geluid classificeert, of dat afbeeldingen beoordeelt — en je wilt dat systeem in de loop van de tijd uitbreiden zonder het opnieuw te hoeven trainen vanaf nul. Dan is een architectuur die niet vergeet inherent waardevol.

Daarnaast werken collega's aan de TU Eindhoven en de Universiteit van Kiel aan neuromorfische hardware — chips die specifiek ontworpen zijn om dit soort algoritmen energie-efficiënt te draaien. Het idee is een "kunstmatige neus" te bouwen: sensor plus chip plus algoritme, als een compleet systeem.

Wat betekent dit voor de praktijk?

Laat ik eerlijk zijn: dit is fundamenteel onderzoek. Je kunt Spi-Fly niet morgen downloaden en in je bedrijf inzetten. Maar ik denk dat het onderliggende principe wél relevant is om in de gaten te houden.

De AI-modellen die de meeste aandacht krijgen — grote taalmodellen, beeldgeneratoren — worden steeds groter en vragen steeds meer rekenkracht en data. Tegelijkertijd is er een beweging richting kleinere, efficiëntere modellen die geïnspireerd zijn op biologische systemen. Spi-Fly past in die trend.

Voor MKB-ondernemers die nadenken over AI is de les misschien niet het specifieke algoritme, maar het principe: je hoeft niet altijd het grootste model te kiezen. Soms is een slimme, kleine architectuur — eentje die met weinig data werkt en niet vergeet — preciezer wat je nodig hebt.

Voor mij is dit vooral een fascinerend voorbeeld van hoe de natuur problemen heeft opgelost waar wij met al onze rekenkracht nog mee worstelen. Een fruitvlieg met 140.000 neuronen die iets kan wat een netwerk met miljoenen parameters niet zomaar lukt — dat stemt tot nadenken.