De ontdekkingsmachine

01

Waarom dit, waarom nu

Een Australische ondernemer zonder enige achtergrond in de biologie liet de tumor van zijn stervende asielhond sequencen, zocht met AI de gemuteerde eiwitten op, koppelde die aan aangrijpingspunten voor medicijnen, en ontwierp van de grond af een persoonlijk mRNA-vaccin. De hoogleraar genomica die het beoordeelde was, in zijn eigen woorden, verbijsterd. Een van de tumoren is sindsdien ongeveer gehalveerd.

Het meeste gesprek over AI gaat over wat de technologie afpakt: banen, waarheid, geld, aandacht. Dit dossier gaat over wat ze maakt. In de afgelopen twee jaar stopte AI met het lézen van de wetenschappelijke literatuur en begon ze eraan toe te voegen, en de gevestigde orde merkte het op door haar de twee hoogste prijzen in de wetenschap toe te kennen.

Het patroon is makkelijk te missen omdat het niet als één productlancering binnenkomt. Het komt binnen als een eiwit dat een promotieonderzoek kostte en nu een middag kost, een materiaal dat een carrière kostte en nu een weekend, een wiskundeprobleem dat tachtig jaar stond en in één run viel. Elk daarvan is op zichzelf een kop. Samen zijn ze een verandering in hoe snel een beschaving kan leren.

Ik ben gaan zoeken waar de grens werkelijk ligt tussen een persbericht en een resultaat, want die twee zijn in dit veld ongewoon moeilijk uit elkaar te houden. Wat volgt is die kaart zoals ze medio 2026 staat, en ze eindigt bij de vraag die een Nederlands of Europees bedrijf zou moeten stellen: als de kosten van ontdekken instorten, wat doe je dan met de tijd die je terugkrijgt?

• 2021 — AlphaFold2 lost eiwitstructuurvoorspelling in feite op, een grote uitdaging die vijftig jaar in de biologie stond.
• nov 2023 — GNoME van DeepMind stelt 2,2 miljoen nieuwe anorganische materialen voor, waarvan zo'n 380.000 stabiel worden geacht.
• okt 2024 — In één week wint AI-gebouwde wetenschap de Nobelprijs voor zowel Scheikunde als Natuurkunde.
• jul 2024 — De systemen van DeepMind halen zilver op de Internationale Wiskunde Olympiade, een jaar later goud.
• mei 2026 — Een model van OpenAI weerlegt een tachtig jaar oud vermoeden van Erdős, de eerste zelfstandige oplossing van een prominent open probleem.
• 2026 — "AI-medewetenschapper"-systemen beginnen hypotheses te genereren die de validatie in het lab overleven.

02

1. Van wetenschap lezen naar wetenschap schrijven

De eerste generatie wetenschappelijke AI was een heel goede bibliothecaris. Ze las alles en kon het samenvatten. De tweede generatie is een collega, die dingen voorstelt die nog niet in de literatuur staan, en vaak gelijk heeft.

Dat is de grens die het markeren waard is, want ze verandert waar de technologie voor is. Een bibliothecaris bespaart tijd. Een collega verandert wat mogelijk is. De cijfers hieronder zijn geen lijstje slimme demo's: elk ervan was ooit een carrière, een laboratorium of een heel vakgebied, en elk ervan past nu binnen een begrotingscyclus.

Het mechanisme eronder is telkens hetzelfde. Een wetenschappelijk probleem is meestal een zoekprobleem: ergens in een ruimte die te groot is om met de hand af te lopen ligt het antwoord, en het werk is het vinden. AI is een zoekmachine voor zulke ruimtes. Ze leest de vorm van het probleem uit miljoenen eerdere voorbeelden en stelt vervolgens de paar kandidaten voor die het testen waard zijn. Het natte lab draait het experiment nog steeds. Wat instort zijn de jaren gissen die daaraan voorafgingen.

03

2. Eiwitten: eerst vouwen, dan uitvinden

Eiwitten zijn de machines van de biologie en hun functie ligt vast in hun vorm. Vijftig jaar lang betekende die vorm achterhalen röntgenkristallografie, eiwit voor eiwit, vaak een heel promotieonderzoek voor één structuur. Tegen 2021 had de mensheid er ongeveer 200.000 met de hand opgelost. Toen voorspelde AlphaFold2 de structuur van zo'n 200 miljoen, vrijwel elk eiwit dat de wetenschap kent, en zette ze online voor iedereen. Volgens DeepMind gebruiken inmiddels ruim twee miljoen onderzoekers in 190 landen ze.

Voorspellen was het eerste bedrijf. Het tweede is vreemder. Systemen als AlphaProteo lezen niet langer alleen de structuur van bestaande eiwitten; ze ontwerpen nieuwe die nooit bestonden, binders die zich aan een gekozen doelwit hechten met een kracht die drie tot driehonderd keer hoger ligt dan wat screenen oplevert. Werk dat jaren proberen kostte, kost nu dagen. Die bandbreedte is het cijfer van de makers zelf, wat het onthouden waard is, al wordt de richting niet serieus betwist.

Voor een farmaceut is dit het verschil tussen jagen en fabriceren. Het oude model doorzocht de natuur en enorme chemische bibliotheken naar een molecuul dat toevallig paste. Het nieuwe model benoemt het doelwit en vraagt de machine er een sleutel voor te bouwen. Daarom is de medicijnpijplijn, lang de traagste en duurste in de industrie, de eerste plek waar de compressie op een balans zichtbaar wordt.

04

3. Materialen: de bibliotheek van achthonderd jaar

Dezelfde beweging speelt in de materiaalkunde, waar de voortgang altijd geknepen werd door hoeveel kandidaat-verbindingen een lab kan maken en testen. Eind 2023 stelde GNoME van DeepMind in één inspanning 2,2 miljoen nieuwe anorganische kristalstructuren voor, waarvan er zo'n 380.000 stabiel genoeg werden geacht om te maken, en volgens DeepMind zelf staat die vangst gelijk aan ongeveer 800 jaar eerdere menselijke kennis, in één keer gegenereerd.

De kandidaten doen ertoe voor precies de technologieën waar we elders over schrijven: betere batterijen, efficiëntere zonnecellen, supergeleiders, de fysieke stapel van de elektrotechnische transitie. Een stabiele nieuwe verbinding is geen afgerond product. Het is een aanknopingspunt, en het tekort zat nooit in ideeën maar in aanknopingspunten die de kosten van het proberen waard waren.

Voorstellen was de zet van 2023. Tegen 2026 was de lus verder gesloten. MatterGen van Microsoft keert het probleem om, meldt het bedrijf, en ontwerpt een materiaal op eigenschappen die je opgeeft, een gewenste geleidbaarheid of magnetisme, en komt binnen ruwweg twintig procent van het doel uit. Tegelijk draaien zelfsturende labs, gesloten lussen van AI en robotica, inmiddels duizenden experimenten met weinig menselijke tussenkomst, waarmee jaren van maken-testen-herhalen tot weken samengedrukt worden.

Dit is ook de casus die het meest om een koel hoofd vraagt, en waar ik het hardst tegen het enthousiasme in zou gaan. De cijfers van GNoME kregen een serieuze tegenwerping: onafhankelijke onderzoekers betoogden dat veel van de structuren die de studie nieuw noemde duplicaten of kleine varianten van bekende waren, en sommigen riepen op de kernclaims van het artikel te corrigeren. De 2,2 miljoen is dus te lezen als gegenereerde kandidaten en niet als bevestigde nieuwe materialen. De eerlijke les is degene waar dit dossier telkens op terugkomt: de machine is buitengewoon in voorstellen, en voorstellen is niet bewijzen.

Het patroon herhaalt zich. Vouw een eiwit, vind een eiwit uit. Voorspel een structuur, voorspel een materiaal. Telkens verandert de machine een onmogelijk grote zoektocht in een korte lijst die een mens werkelijk kan testen. De schaarse grondstof is niet langer verbeelding maar labtijd.

05

4. Wiskunde: van antwoorden naar objecten

Wiskunde is de schoonste test of een AI redeneert of onthoudt, want een werkelijk nieuwe stelling kan niet in de trainingsdata zitten. Het grootste deel van het afgelopen decennium kon AI het helemaal niet. In het afgelopen jaar veranderde dat twee keer, en de tweede keer veranderde het van aard.

In juli 2024 losten AlphaProof en AlphaGeometry 2 van DeepMind problemen van de Internationale Wiskunde Olympiade op zilverniveau op, met achtentwintig punten, één onder de goudgrens. Een jaar later haalde een geavanceerde Gemini goud door vijf van de zes problemen te kraken. Dat was een machine die een test beklom die voor de slimste menselijke tieners is gebouwd: indrukwekkend, en nog altijd een test met bekende antwoorden. Toen weerlegde in mei 2026 een model van OpenAI het planaire eenheidsafstandsvermoeden van Erdős, een open vraag die in 1946 werd gesteld. Het reciteerde geen bewijs dat iemand had opgeschreven, maar vond een nieuwe familie meetkundige constructies die geen enkele wiskundige ooit op papier had gezet.

Twee dingen maakten dit meer dan een kunstje. Externe wiskundigen controleerden de constructie en bevestigden dat ze standhoudt, en zonder dat deel had ik er niet over geschreven. En het stond niet op zichzelf: in de eerste maanden van 2026 leverde een apart systeem genaamd AxiomProver volledige machineverifieerbare bewijzen van vier eerder onopgeloste problemen, in één geval door een verband te zien met een negentiende-eeuws resultaat dat mensen hadden gemist, en kraakte een algemeen model een getaltheoretisch vermoeden met een strategie die geen wiskundige had geprobeerd.

Het onderscheid is het hele verhaal. Olympiadeproblemen oplossen is vragen beantwoorden waarvan we al wisten hoe we ze moesten stellen. Een open vermoeden kraken is een object voortbrengen dat er niet was. Tachtig jaar lang nam het vakgebied aan dat de beste rangschikkingen eruitzagen als nette roosters, en een machine liet zien dat dat niet zo is. Dat is het moment waarop het gereedschap ophield student te zijn en bijdrager werd.

06

5. Geneeskunde: een vaccin voor een hond, een antibioticum uit gif

Nergens is de compressie beter te voelen dan in de geneeskunde. De hond uit de opening is het ene verhaal. Eén persoon, een chatbot en zo'n drieduizend dollar legden een afstand af waar vroeger een lab, een team en jaren financiering voor nodig waren. Het is ook één ongecontroleerd geval, gerapporteerd door de betrokken hoogleraar, dus ik zou het behandelen als een demonstratie van toegankelijkheid en niet als bewijs van werkzaamheid.

Het andere verhaal komt van de University of Pennsylvania, waar onderzoekers een AI-model genaamd APEX richtten op de chemie die de evolutie al miljoenen jaren verfijnt: het gif van slangen en spinnen en schorpioenen. Het scande in enkele uren ruim veertig miljoen peptiden, markeerde een paar honderd kandidaten, en van de achtenvijftig die het team synthetiseerde doodden er drieënvijftig resistente bacteriën zonder menselijke cellen te schaden.

Antibioticaresistentie is een van de traagst bewegende rampen in de geneeskunde, juist omdat nieuwe antibiotica vinden duur en onrendabel werk is dat de industrie grotendeels heeft laten liggen. Een model dat in een middag tweeduizend volledig nieuwe antibacteriële motieven uit de natuurlijke chemie leest, lost het probleem niet op. Het verandert de economie van het überhaupt proberen, en die economie is wat de zoektocht stillegde.

Levendige verhalen roepen scepsis op, dus hier dezelfde verschuiving op een nuchtere klinische tijdlijn. In juli 2026 startte Insilico Medicine een fase III-onderzoek met rentosertib, het eerste medicijn waarvan zowel het ziektedoelwit als het molecuul door generatieve AI zijn gevonden, voor een longziekte met weinig goede opties, en het tussentijdse onderzoek toont een meetbare verbetering van de longfunctie. Isomorphic Labs van Google DeepMind bracht datzelfde jaar zijn eerste door AI ontworpen kankermiddelen naar mensen. Er is nog geen door AI ontworpen medicijn goedgekeurd, en de meeste kandidaten zullen falen zoals de meeste medicijnkandidaten falen. De mijlpaal is stiller en groter: de pijplijn begint nu in software.

07

6. De medewetenschapper: hypotheses, niet alleen antwoorden

De stap voorbij voorspellen en ontwerpen is degene die werkende wetenschappers het meest verontrust: systemen die de hypothese zelf voorstellen. In mei 2026 ging dat van demo naar peer review, toen Nature de AI-medewetenschapper van Google publiceerde, een verzameling agents die zich naar een hypothese toe redeneren door dwars door de literatuur te lezen en verbanden op te diepen die een specialist zou kunnen missen. De voorstellen werden vervolgens getest en hielden stand, aldus de auteurs. Het systeem bracht kandidaten naar boven voor het hergebruik van bestaande medicijnen bij acute myeloïde leukemie die tumorcellen onderdrukten bij klinisch relevante doses, plus een apart idee over cellulaire stress dat Calico Life Sciences aan de labtafel bevestigde.

Dat is een echte verschuiving in de werkverdeling. De bibliothecaris beantwoordde je vraag; de medewetenschapper vertelt welke vraag het stellen waard is. Het is ook makkelijk te overdrijven, en de voorbehouden houden we voor de volgende sectie, want dezelfde capaciteit die een briljante hypothese genereert, genereert er tien plausibele foute bij, en ze uit elkaar houden is nog steeds mensenwerk. De eerlijke samenvatting is smal en groot tegelijk: voor het eerst is het idee zelf iets waar een machine aan kan bijdragen.

De flessenhals in de wetenschap zat nooit alleen in het denken. Hij zat in de kosten en de tijd van het testen van dat denken. Storten die allebei in, dan verschuift de snelheidsbeperking naar een nieuwe plek.

08

7. De week waarin AI twee Nobelprijzen won

Als iets hiervan hype was, is het Nobelcomité een vreemde plek om te eindigen. In één week van oktober 2024 won AI-gebouwde wetenschap allebei de prijzen die het zwaarst wegen, en het onderscheid ertussen is veelzeggend.

De Scheikundeprijs ging naar David Baker voor computationeel eiwitontwerp, en naar Demis Hassabis en John Jumper voor AlphaFold en eiwitstructuurvoorspelling. Dat is een prijs voor wat AI ontdekte. De Natuurkundeprijs, een dag eerder bekendgemaakt, ging naar John Hopfield en Geoffrey Hinton voor de neurale-netwerkfundamenten waarop moderne machine learning is gebouwd. Dat is een prijs voor de machinerie die de ontdekking mogelijk maakte. Het gereedschap dat de scheikundeprijs verdiende, was zelf een toepassing van de natuurkundeprijs. De gevestigde orde behandelde dit niet als een curiositeit maar als de komst van een nieuw instrument, op het niveau van de microscoop of de telescoop, en dat oordeel is het serieus nemen waard.

09

8. Wat er werkelijk is samengedrukt

Het loont precies te zijn over wat er versnelt, want het woord ontdekking verbergt drie verschillende klussen. De eerste is zoeken: de veelbelovende kandidaat vinden in een ruimte die te groot is om af te lopen. De tweede is voorspellen: weten wat een structuur of materiaal zal doen voordat je het bouwt. De derde is genereren: iets werkelijk nieuws voorstellen. AI is in alle drie sterk geworden, en ze stapelen.

Wat níét is samengedrukt, is de fysieke wereld. Cellen groeien nog steeds op hun eigen tempo, onderzoeken duren nog steeds jaren, een batterij moet nog steeds gebouwd en doorlopen worden. Dat is het beslissende onderscheid voor wie geneigd is exponentiële curves als directe magie te lezen. AI stort het deel van de wetenschap in dat op papier en in silico gebeurt, het gissen en het ziften, wat vaak het langste en duurste deel is. Ze schaft de wetten die atomen en biologie besturen niet af. Het resultaat is een scheefgegroeid ontdekkingsproces, waarin de voorkant van de pijplijn op softwaresnelheid draait en de achterkant nog altijd op de snelheid van materie.

10

9. De eerlijke tegenwerping

Een dossier dat alleen juicht is nutteloos. Er zijn echte redenen om het hoofd koel te houden, en de mensen die dit werk doen zijn er meestal als eersten bij om ze te noemen.

Het validatiegat. Een voorspelde structuur, een voorspeld materiaal of een voorgestelde hypothese is een aanknopingspunt en geen feit. AlphaFold voorspelt een vorm met een zekerheidsscore, en gebieden met lage zekerheid zijn werkelijk onzeker. GNoME stelde miljoenen materialen voor, en het trage harde werk van ze daadwerkelijk maken heeft daar maar een fractie van geraakt. De machine heeft de flessenhals verplaatst van ideeën naar verificatie, en verificatie is nog steeds duur. Het interessantste antwoord daarop is het zelfsturende lab, dat AI op zijn eigen experimenten richt, en waar dat werkt begint het gat te sluiten. Het is vroeg, en het grootste deel van de pijplijn draait nog op de snelheid van materie.

Reproduceerbaarheid en "vibe physics". Naarmate AI vakgebieden overspoelt met kandidaat-resultaten, dreigt een wassende stroom plausibel ogende wetenschap die niemand tijd heeft na te kijken. Sommige van de luidste recente doorbraken zijn beter te omschrijven als suggestief dan als vastgesteld. Onderzoekers van Anthropic stellen de half schertsende term vibe physics voor voor zelfverzekerde modeluitvoer die goed voelt en niet verdiend is. Het juiste antwoord is meer verificatie, niet minder enthousiasme.

De mens ontwerpt nog steeds het experiment. Bij elk resultaat in dit dossier bepaalde een wetenschapper wat er gevraagd werd, wat te vertrouwen viel en wat er in de echte wereld getest moest worden. De medewetenschapper stelt voor en de mens beschikt. Het gat dat de modellen nog niet oversteken is oordeel onder onzekerheid, de smaak om te weten welke van tien plausibele hypotheses een jaar labtijd waard is. Die vaardigheid steeg in waarde, niet omgekeerd.

De eerlijke lezing: de voorkant van de ontdekkingspijplijn is getransformeerd, de achterkant niet, en de schaarse menselijke vaardigheid is verschoven van ideeën genereren naar ideeën beoordelen. Alle drie zijn tegelijk waar, en een serieuze strategie houdt ze alle drie vast.

11

10. Waarom dit zwaarder weegt dan de banenkoppen

De feed staat vol met AI die dingen afpakt. Dit dossier gaat bewust over AI die dingen maakt, want het maken is het grotere verhaal en het krijgt chronisch te weinig gewicht. Een model dat marketingteksten schrijft is een productiviteitsgereedschap. Een model dat een antibioticum, een batterijmateriaal of een kankervaccin ontwerpt, is een hefboom op de snelheid waarmee een hele samenleving haar moeilijkste problemen oplost, van ziekte tot energie tot voedsel.

Dat herkadert de exponentiële curve op een manier die uitmaakt voor hoe een bestuurder plant. Wie gelooft dat AI vooral een goedkopere manier is om het kenniswerk van vandaag te doen, optimaliseert op kosten. Wie gelooft dat ze de tijdlijn van ontdekking zelf samendrukt, plant voor een decennium waarin de grond onder zijn sector sneller beweegt dan zijn productplanning aanneemt. Het tweede geloof is wat het Nobelcomité en de medicijnpijplijnen en de wiskundetijdschriften inmiddels onderschrijven.

Voor een Europese lezer zit er een scherpere rand aan. Het gereedschap van deze ontdekkingsmachine, de basismodellen en de rekenkracht erachter, wordt grotendeels elders gebouwd. De wetenschap die ze versnellen wordt echter overal bedreven, ook in de sterke laboratoria in Nederland en de rest van Europa. De kans is om de snelste, best georganiseerde gebruiker van het instrument te zijn, zoals de beste universiteiten de snelste gebruikers van de microscoop waren. De modellenrace winnen is een ander spel, en grotendeels dat van iemand anders.

12

11. Wat een bedrijf met een ontdekkingsmachine doet

De meeste bedrijven die dit lezen hebben geen nat lab, en de neiging is het hele onderwerp weg te zetten als interessant maar niet van mij. Dat lijkt ons een vergissing. De ontdekkingsmachine is een specifiek geval van een algemeen patroon, en dat patroon geldt voor elke organisatie die moeilijke problemen oplost: de kosten van opties genereren en testen dalen snel, dus de beperking verschuift naar weten welke opties het testen waard zijn en het vermogen om op het antwoord te handelen.

Dat is de hele logica van hoe wij met klanten werken, en de wetenschap maakt haar concreet. Zien wat het gereedschap inmiddels kan aan de frontlijn van het eigen vakgebied, in plaats van in het abstracte. Begrijpen waar in het werk de flessenhals zoeken of voorspellen of genereren is, want dat zijn de delen die samendrukken. En dan adopteren, door het proces zo te herontwerpen dat een mens zijn schaarse oordeel besteedt aan de korte lijst die de machine oplevert in plaats van aan het ziften dat de machine nu gratis doet.

De zet, in één zin: richt de ontdekkingsmachine op de grootste zoekruimte in je bedrijf, en organiseer je beste mensen daarna rond het beoordelen van de uitvoer in plaats van rond het produceren ervan.

De organisaties die vooruitlopen zullen dit behandelen als een verandering van methode en niet als een nieuw apparaat om aan te schroeven. Dat is eerder een verandervraagstuk dan een technisch vraagstuk, en dat is het deel dat de meeste strategieën omdraaien.

13

12. Waar wij op letten

• Validatiecapaciteit. De flessenhals zit nu bij het testen en niet bij de ideeën. Het signaal zit bij geautomatiseerde natte labs en zelfsturende experimenten die de lus sluiten, want dat is wat de achterkant van de pijplijn ontgrendelt.
• De eerste goedkeuring. Een van begin tot eind door AI ontworpen medicijn, rentosertib van Insilico, zit al in fase III, en de eerste oncologiemiddelen van Isomorphic worden getest. Het signaal om nu op te letten is de eerste duidelijke goedkeuring door een toezichthouder, die wij eerder waarschijnlijk dan onwaarschijnlijk achten binnen een jaar of twee.
• Goud, en daarna een echte stelling. Olympiadegoud is dichtbij. Het signaal om op te letten is een machine die een bewijs bijdraagt dat werkende wiskundigen daadwerkelijk overnemen en waarop ze verder bouwen.
• Infrastructuur voor reproduceerbaarheid. Naarmate kandidaat-resultaten zich vermenigvuldigen, wint het vakgebied dat snelle goedkope verificatie bouwt. De vraag is wie het controleren financiert en niet alleen het genereren.
• Europese labadoptie. Het instrument is universeel en het voordeel gaat naar wie zich als eerste organiseert om het te gebruiken. De instituten om te volgen zijn die van pilots naar staande praktijk gaan, in Nederland en daarbuiten.

14

13. Verantwoording en bronnen

Dit dossier steunt op live webresearch en een persoonlijk archief van ruim 15.000 bronnen. Dragende cijfers zijn waar mogelijk gecontroleerd. De notities hieronder geven per claim het vertrouwen en de belangrijkste voorbehouden, in de geest van ons uitgangspunt: laat zien hoe je eraan gekomen bent.

De ingekaderde figuur en het videobeeld in dit dossier komen uit publiek geplaatst materiaal en zijn in het bijschrift aan de oorspronkelijke bron toegeschreven. Grafieken met het label "BFF" zijn van ons, getekend naar de bronnen die eronder staan.

Back From the Future · BFF Inzichten · praktijkdossier · juli 2026