Wie Dharma AI volgt, weet al dat we specialisatie beschouwen als een van de bepalende principes van effectieve AI-systemen, die alles vormgeeft van kosten en prestaties tot betrouwbaarheid en soevereiniteit. Weinig artikelen hebben dat zo rigoureus beargumenteerd als het werk uit 2026 van Goldfeder, Wyder, LeCun en Shwartz-Ziv.

In dit artikel verkennen en interpreteren we ideeën uit AI Must Embrace Specialization via Superhuman Adaptable Intelligence (Goldfeder, Wyder, LeCun, & Shwartz-Ziv, 2026). De convergentiecase van het artikel – die optimalisatietheorie, biologie, organisatie-economie en machine learning omspant – biedt zowel de bewijsstructuur als de intellectuele basis voor de discussie die volgt. De framing, organisatie en redactionele synthese die hier worden gepresenteerd, zijn van Dharma.

De conventionele verwachting is redelijk: naarmate AI-systemen capabeler worden, zouden ze ook algemener moeten worden. Grotere capaciteit en bredere toepasbaarheid lijken natuurlijke metgezellen – meer middelen, betere methoden en uitgebreidere training zouden systemen moeten opleveren die meer taken met toenemend vertrouwen benaderen.

Het patroon dat daadwerkelijk verschijnt, is anders. De systemen die de meest significante resultaten behalen in een bepaald domein, zijn meestal degenen die er het nauwst op zijn gericht. De doorbraak in eiwitstructuurvoorspelling kwam van een systeem dat was ontworpen voor een enkele wetenschappelijke taak. De historische mijlpalen van AI, van dichtbij bekeken, weerspiegelen intense domeingerichtheid in plaats van uitbreidende algemeenheid.

Dit patroon herhaalt zich. Het herhaalt zich over domeinen, over decennia, over architectuurkeuzes die bijna niets gemeen hebben. Een patroon dat zo consistent is, wijst op een gemeenschappelijke oorzaak – een die helemaal niet binnen AI-onderzoek ontstaat.

Een algoritme wint door aan te sluiten bij zijn doel

In 1997 bewezen Wolpert en Macready iets dat zelden aan de oppervlakte komt in discussies over AI-architectuur: geen enkel enkel, algemeen optimalisatiealgoritme presteert beter dan alle andere voor alle mogelijke problemen (Wolpert & Macready, 1997). Het bewijs is wiskundig, niet filosofisch. Gemiddeld over elk denkbaar probleem dat een leerder kan tegenkomen, presteert elk algoritme even goed – en even slecht. Een algoritme dat wint op de ene verdeling van problemen, verliest noodzakelijkerwijs op andere. De prestaties worden herverdeeld, niet vermenigvuldigd.

De praktische implicatie is direct: “een algoritme wint door een goede match te zijn voor het doelprobleem” (Goldfeder et al., 2026). De stelling zegt niet dat algemeenheid onmogelijk is – het zegt dat algemeenheid geen prestatievoordeel is. Het consistente structurele pad naar betere prestaties is concentratie: breedte inruilen voor fit.

Dit wordt scherper wanneer eindige middelen in beeld komen. Elk echt systeem werkt onder beperkingen – eindige rekenkracht, eindige data, eindige ontwikkelingstijd. Gegeven eindige energie zal een aanpak die beschikbare middelen richt op het leren van een eindige set taken beter presteren dan een aanpak die dezelfde middelen verdeelt over een onbeperkt bereik. De rekenkunde is meedogenloos: naarmate de taakset onbegrensd groeit, krimpen de middelen per taak naar nul. Universele dekking en zinvolle prestaties staan, onder eindige middelen, in directe spanning.

De conclusie waar de stelling naartoe wijst, is niet dat algemeenheid slecht is. Het is smaller en operationeler dan dat: zoals het artikel stelt, “universele algemeenheid is een theoretisch concept, maar in praktische termen is het een mythe” (Goldfeder et al., 2026). Wat contact met echte beperkingen overleeft, is niet het systeem dat alles probeert te doen – het is het systeem dat past bij zijn doel.

De wiskunde stelt dit vast als een voorspelling, niet als een voorkeur. Of die voorspelling standhoudt in de wereld buiten de optimalisatietheorie, is een andere vraag.

Wat biologie en markten al weten

Twee andere domeinen kwamen tot dezelfde voorspelling voordat optimalisatietheorie er een naam aan gaf.

Zoals het artikel de biologische casus beschrijft: elke prestatieverbetering in de ene niche gaat ten koste van elders. Een generalist draagt eigenschappen die geschikt zijn voor veel omgevingen, maar optimaal voor geen enkele – competentie te dun uitgesmeerd om een bepaalde conditie te domineren. Er zijn geen prestatieverbeteringen zonder afwegingen; de middelen die in de ene capaciteit worden geïnvesteerd, zijn niet beschikbaar voor een andere. Selectie begunstigt ontwerpen die zijn afgestemd op lokale omstandigheden boven die welke zijn geoptimaliseerd voor uniforme dekking van alle mogelijke omgevingen. De organismen die overleven om zich voort te planten, zijn niet de meest algemeen capabele – ze zijn de meest specifiek passende. Het resultaat, opgebouwd over evolutionaire tijdschalen, is niet dat generalisten domineren – het is dat specialisten niches vullen. Zoals het artikel stelt:

“Specialisatie is geen toeval van de biologie; het is een voorspelbaar gevolg van beperkte middelen, concurrerende doelen en omgevingen die prestaties belonen op een kleine subset van evolutionair relevante uitdagingen” (Goldfeder et al., 2026).

Concurrerende markten volgen dezelfde dynamiek via andere middelen. Organisaties en strategieën die niet aan prestatiedrempels voldoen, worden geëlimineerd – niet door uitsterven, maar door uittreding, stopzetting van financiering en vervanging door beter passende alternatieven. Concurrentie fungeert als een selectiemechanisme: het versterkt effectieve strategieën en elimineert ineffectieve. Het mechanisme heeft niets gemeen met biologische selectie – geen overerving, geen mutatie, geen evolutionaire tijdschaal. De selectie-eenheid is niet het organisme maar de organisatie, het product, de strategie. Toch is de structurele druk hetzelfde: eindige middelen, prestatie-eisen en het systematisch verwijderen van entiteiten die te breed zijn verspreid om uit te blinken waar het telt. Geconcentreerde capaciteit verslaat verspreide capaciteit wanneer prestatiestandaarden duidelijk en consistent zijn.

Evolutie en markten werken via volledig verschillende mechanismen – verschillende tijdschalen, verschillende selectie-eenheden, verschillende overervingsmechanismen. Toch produceren beide dezelfde uitkomst onder druk van middelen: fit boven breedte. De stelling voorspelt dit. Biologie en markten komen er onafhankelijk toe. Wanneer een derde domein tot dezelfde bevinding komt via volledig andere middelen, houdt het patroon op een stelling te lijken en begint het te lijken op iets algemeners over hoe beperkte systemen zich gedragen.

Machine learning herontdekt steeds specialisatie

Hetzelfde patroon is naar voren gekomen binnen machine learning – niet afgeleid van optimalisatietheorie, maar bereikt door de opgebouwde ervaring van het bouwen van systemen en kijken wat ze verbetert.

De duidelijkste vorm is negatieve transfer: een meetbare verslechtering die optreedt wanneer een systeem dat op meerdere taken is getraind, lijdt omdat die taken concurreren in plaats van samenwerken (Ruder, 2017). Wanneer taken structuur delen, helpt gezamenlijke training. Maar wanneer taken concurreren om representatiecapaciteit, of conflicterende gradiënten opleggen tijdens training, dalen de prestaties op individuele taken onder wat een toegewijd systeem zou bereiken. De winst van breedte wordt een kostenpost voor diepte. Het is een gedocumenteerd gevolg van het verdelen van eindige capaciteit over taken die tegen elkaar in trekken. De specialist, die geen dergelijke concurrentie ondervindt, betaalt deze kosten niet.

De architectuur van grensverleggende modellen biedt een andere vorm van bewijs. Mixture-of-experts-systemen bereiken hun breedte niet door uniforme algemeenheid over alle parameters, maar door elke invoer naar een gespecialiseerde subset van het netwerk te routeren – waarbij verschillende experts worden geactiveerd voor verschillende taken. Deze architectuurkeuze weerspiegelt de biologische en marktpatronen: de algehele capaciteit van het systeem is de som van gespecialiseerde componenten, elk geoptimaliseerd voor een smalle strook van de probleemruimte. De trend naar specialisatie in AI is geen tijdelijke fase – het is de voorspelbare uitkomst van beperkte systemen die optimaliseren voor prestaties. Zolang middelen eindig blijven en prestatie-eisen intensiveren, zal de toekomst van AI toebehoren aan systemen die niet alleen capabel zijn, maar precies zijn afgestemd op hun doelen.