Onderzoek van VUB en UNamur toont hoe AI-agenten eigen "kunstmatige natuurlijke taal" ontwikkelen om te communiceren over complexe data

AI-systemen ontwikkelen spontaan een eigen taal die is afgestemd op hun sensoren, in plaats van menselijke taal te kopiëren.

14/10/2026

BRUSSEL, 14 oktober 2026 – Onderzoekers van het Artificial Intelligence Lab van de VUB en de Universiteit van Namen (UNamur) tonen in een nieuwe grootschalige studie aan hoe autonome AI-systemen zonder menselijke tussenkomst spontaan een functionele, gedeelde taal kunnen ontwikkelen. In tegenstelling tot Large Language Models zoals ChatGPT, die bestaande menselijke taal patronmatig aanleren, bouwen deze AI-agenten een eigen communicatiesysteem op dat rechtstreeks verankerd is in hun specifieke sensoren en omgeving. De bevinding vormt een belangrijke stap voor de communicatie tussen autonome systemen, zoals zelfrijdende auto's, robots en industriële sensoren.

Een abstractielaag voor niet-menselijke zintuigen

Huidige AI-taalmodellen richten zich op het begrijpen en genereren van menselijke talen zoals het Nederlands of Engels. Die menselijke talen zijn historisch gegrond in onze eigen zintuiglijke waarnemingen. Wanneer fysieke of virtuele AI-agenten uitgerust worden met sensoren waarvoor mensen geen directe zintuiglijke tegenhanger hebben – zoals lidar, sonar, infrarood of chemische analyse – schiet bestaande menselijke taal tekort.

Jérôme Botoko Ekila, doctoraatsonderzoeker aan het AI Lab van de VUB, licht toe: "In plaats van AI-systemen te dwingen te communiceren in een menselijke taal die niet past bij hun sensoren, laten we hen toe om hun eigen 'kunstmatige natuurlijke taal' te laten evolueren. Ze bouwen doeltreffende concepten op die exact zijn afgestemd op wat zij via hun sensoren waarnemen, ook al gaat het om data die voor mensen onbegrijpelijk is."

Omdat sensoren van verschillende machines of voertuigen in de praktijk nooit identiek gekalibreerd kunnen worden, biedt taal volgens de onderzoekers de ideale uitkomst.

Paul Van Eecke, professor kunstmatige intelligentie aan de VUB: "In industriële of fysieke toepassingen is het simpelweg onrealistisch om te verwachten dat alle sensoren van verschillende robots of voertuigen perfect identiek gekalibreerd zijn. Mensen lossen dat probleem op met taal: als ik zeg dat ik bij de 'rode auto' sta, begrijpen we elkaar zonder dat onze ogen exact dezelfde kleurwaarden registreren. Taal vormt een abstractielaag boven sensorwaarden, en dat is precies wat we deze AI-agenten nu autonoom laten opbouwen."

Zelforganisatie en evolutie

In plaats van vooraf geprogrammeerde woorden of vaste codes, gaven de onderzoekers de agenten enkel de basismechanismes mee die ten grondslag liggen aan menselijke taalevolutie: het lokaal uitvinden van woorden, het aanpassen van conceptuele prototypes en het verwerken van feedback bij communicatief succes of fouten.

Katrien Beuls, professor aan UNamur, legt uit: "Het fascinerende is dat er geen centrale computer is die de regels oplegt. We laten telkens twee agenten op lokaal niveau met elkaar communiceren. Puur door die individuele interacties en updates ontstaat er spontaan een globale conventie in de hele populatie. Dit principe van zelforganisatie zorgt ervoor dat de taal zich automatisch optimaliseert: de agenten creëren precies genoeg categorieën om hun taken efficiënt uit te voeren, zonder overbodige details."

Getest op 37 datasets

De universele toepasbaarheid van de methode werd aangetoond op 37 uiteenlopende en complexe datasets. Zo ontwikkelden de agenten succesvol een eigen woordenschat om te communiceren over onder meer fysicochemische analyses van wijn, NASA-data over exoplaneten visuele datasets beelden van vogels of gezichten. In al deze situaties slaagden de agenten erin om data efficiënt samen te vatten in nieuwe, gedeelde concepten.

Transparant en adaptief

Een opvallend voordeel van de ontwikkelde systemen is de transparantie. In tegenstelling tot veel "black box" AI-modellen, kunnen onderzoekers exact achterhalen wat een specifiek ontwikkeld woord betekent doordat het prototype direct terug te leiden is naar de onderliggende sensorwaarden.

Bovendien zijn deze evolutionaire taalsystemen uiterst robuust. Wanneer de omgeving verandert, wanneer sensoren ruis vertonen of wanneer individuele agenten een verschillende bouw hebben, past de taal zich via continue interactie automatisch aan de nieuwe omstandigheden aan.

Referentie

Botoko Ekila, J., Verheyen, L., Nevens, J., Beuls, K., & Van Eecke, P. (2026). Emergent Communication in Continuous Worlds: Self-Organisation of Conceptually Grounded Vocabularies at Scale. Transactions of the Association for Computational Linguistics, vol. 14, pp. 2234–2257. DOI: 10.1162/TACL.a.799

Financiering en samenwerking

Dit onderzoek is tot stand gekomen binnen een samenwerking tussen het Artificial Intelligence Laboratory van de Vrije Universiteit Brussel (VUB) en de Faculté d'informatique van de Université de Namur (UNamur), en werd gefinancierd door het Fonds Wetenschappelijk Onderzoek - Vlaanderen (FWO) en het Fonds de la Recherche Scientifique (FNRS) via een WEAVE-project.

Contact

(tel. nrs. beschikbaar bij de redactie)