AETHER Raad Synthese: Model Incest — De Feedbackloop Die Stilletjes Elk AI-Systeem op Aarde Vergiftigt

1. HAAK

Ergens rond eind 2022 bereikte het digitale archief van de menselijke beschaving een keerpunt dat niemand op een kalender markeerde. Vóór dat moment was het internet — met al zijn ruis, vooroordelen en onvolkomenheden — overwegend menselijk. Daarna kantelde de balans. Frontier AI-modellen getraind op het corpus van het internet begonnen datzelfde corpus te overspoelen met hun output, en de modellen die hen zullen volgen drinken nu uit een bron die ze zelf hebben verontreinigd. De technische literatuur noemt het resultaat "modelcollaps". De beschavingsimplicaties hebben nog geen naam, omdat we nog niet volledig hebben doorgrond wat het betekent wanneer het primaire substraat van menselijke digitale kennis zichzelf begint op te eten. Dit is geen bug in een bepaald model. Het is een structureel defect in het hele paradigma — en het verergert met elke generatie.

[Consensus: HOOG — Alle vijf modelreacties convergeren op dit kader. De recursieve vervuiling van trainingsdata wordt unaniem geïdentificeerd als een beschavingsrisico van de eerste orde, niet als een technisch ongemak van de tweede orde.]

2. HET SIGNAAL

De Onderzoeksbasis

Het baanbrekende artikel is Shumailov et al. (2023), "De Vloek van Recursie", gepubliceerd in Nature door onderzoekers van Oxford, Cambridge en medewerkers. Het toonde empirisch aan wat theoretisch werd vermoed: wanneer generatieve modellen worden getraind op de output van eerdere generatieve modellen, ondergaan ze progressieve degeneratie — ze verliezen de staarten van hun oorspronkelijke datadistributie, vernauwen richting de modus, en collaberen uiteindelijk in repetitieve onsamenhangendheid. Een parallelle studie van Alemohammad et al. (2023), "Zelf-Consumerende Generatieve Modellen Worden Gek", bevestigde deze bevindingen en toonde aan dat zelfs gemengde training (het combineren van echte en synthetische data) de degradatie niet elimineert tenzij het aandeel authentieke menselijke data boven een kritische drempel blijft.

[Consensus: HOOG — Alle modellen citeren Shumailov et al. als fundamentele referentie. Grok, Claude Opus en Gemini Pro citeren ook het Alemohammad "MAD" artikel. De onderzoeksbasis is goed gevestigd en onbetwist.]

De Contentvloed

De schattingen van AI-gegenereerde content op het open web variëren tussen modellen maar convergeren op een consistente trajectorie:

| Bron | Schatting | Tijdsbestek |

|---|---|---|

| Originality.ai (geciteerd door Grok, Claude Opus) | ~40–57% van bemonsterde Engelstalige webcontent toont sterke AI-generatiemarkers | 2024–2025 |

| Europol (geciteerd door Claude Opus, Gemini Pro) | Tot 90% van online content zou synthetisch kunnen zijn | Geprojecteerd 2026 |

| Epoch AI (geciteerd door Gemini Pro) | Hoogwaardige menselijke tekst uitgeput voor trainingsdoeleinden | Geprojecteerd 2026 |

| Imperva (geciteerd door Claude Opus) | 49,6% van al het internetverkeer is bot-gegenereerd | 2024 |

[Vertrouwen: GEMIDDELD-HOOG — Exacte percentages variëren naar methodologie en bemonsteringskader, maar de richtinggevende bevinding is unaniem: AI-gegenereerde content heeft de meerderheidsdrempel op het open web overschreden of is deze aan het overschrijden. De trend is exponentieel, niet lineair.]

Detectiefalen

Alle modellen zijn het erover eens dat er geen betrouwbaar, schaalbaar mechanisme bestaat om AI-gegenereerde van menselijk gegenereerde content te onderscheiden in trainingspipelines. Belangrijke convergentiepunten:

OpenAI legde zijn eigen AI-tekstclassificator in 2023 op de plank vanwege lage nauwkeurigheid (Claude Opus, Gemini Pro)
Watermarkvoorstellen blijven gefragmenteerd, niet aangenomen door grote platforms, en triviaal te omzeilen door parafrasering (alle modellen)
Statistische classificatoren verliezen betrouwbaarheid naarmate de modelkwaliteit verbetert — GPT-4-klasse output is al bijna niet te onderscheiden van menselijke tekst door geautomatiseerde metingen (Claude Opus, Grok)

Peer Review Implosie

Alle modellen identificeren het instorten van peer review als een parallel en versterkend signaal. Specifiek geciteerd bewijs omvat AI-gegenereerde artikelen die verschijnen in Elsevier en Nature inzendingen met veelzeggende zinnen als "Als een AI-taalmodel" (Gemini Pro), een 2024 JAMA-analyse die 25% toename in AI-opgestelde PubMed abstracts toont (Grok), en meer dan 60% van Nature portfolio reviewers die ontmoetingen met vermoedelijk AI-gegenereerde inzendingen rapporteren (Claude Opus).

[Consensus: HOOG — Het peer review systeem, ontworpen voor menselijke snelheid kennisproductie, kan geen machinale snelheid output absorberen. Dit wordt door alle modellen geïdentificeerd als een kritische versterker van het vervuilingsprobleem.]

3. WAT IEDEREEN MIST

Alle vijf modellen convergeren op dezelfde diagnostische kloof met opmerkelijke precisie: het mainstream discours fixeert op hallucinaties in individuele modeloutput terwijl het de systemische vervuiling van het trainingssubstraat zelf negeert.

Claude Opus articuleert het onderscheid het scherpst: "Een hallucinatie is een model dat de realiteit niet representeert. Modelcollaps is de trainingsdata zelf die afwijkt van de realiteit. Het eerste is herstelbaar. Het tweede, voorbij een bepaalde drempel, misschien niet."

Gemini Pro voegt het kritische informatietheoretische kader toe: "Je kunt data niet comprimeren, decomprimeren, en dan herhaaldelijk de gedecomprimeerde output comprimeren zonder catastrofaal verlies van getrouwheid."

Een tweede consensuskloof geïdentificeerd over modellen heen: de aanname dat "meer data" altijd beter is. De schaalwetten die de afgelopen vijf jaar AI-vooruitgang dreven gingen ervan uit dat extra data de statistische eigenschappen van de oorspronkelijke distributie behield. Die aanname is geschonden. Meer data toevoegen betekent nu meer synthetische data toevoegen, en de schaalwetten breken af wanneer de datadistributie zelf aan het collaberen is (Claude Opus, GPT-5.4).

Een derde kloof, het sterkst benadrukt door Claude Opus en Grok: geen enkel groot lab heeft publiekelijk onthuld hoe het synthetische data filtert of weegt in zijn trainingspipeline. Deze stilte weerspiegelt waarschijnlijk de afwezigheid van een oplossing in plaats van de aanwezigheid van een propriëtaire.

[Consensus: ZEER HOOG — Dit is het sterkste punt van overeenstemming over alle modellen.]

4. HET KERNMECHANISME: Wiskunde van Modelcollaps

Gesynthetiseerd Technisch Verslag

Voornamelijk puttend uit Claude Opus (GPT-4 perspectief) en Grok (GPT-4 perspectief), met bevestiging van Gemini Pro, werkt het wiskundige mechanisme via twee verschillende maar samenstellende paden:

Pad 1: Variantiecollaps (Staarterosie)

Een generatief model leert een kansverdeling p₀ te benaderen uit menselijke trainingsdata. Wanneer het synthetische data genereert, bemonstert het onevenredig uit hoge-waarschijnlijkheidsregio's — het dikke midden van de distributie. De staarten — die zeldzame, gespecialiseerde, ongebruikelijke, minderheids- en randgevalkennis vertegenwoordigen — worden systematisch onderbemonsterd. Een tweede model getraind op deze output leert een nauwere distributie p₁. Elke opeenvolgende generatie verergert de vernauwing:

> Var(pₙ) < Var(pₙ₋₁) < ... < Var(p₀)

Gemini Pro's klokkromme-metafoor is de duidelijkste articulatie: "Wanneer Model B traint op de output van Model A, zijn die lange staarten van menselijke variantie gewoon weg. Model B's klokkromme is nauwer. Wanneer Model C traint op Model B, vernauwt de kromme weer."

Gemeten resultaat: outputdiversiteit (n-gram uniciteit) kan dalen van ~85% naar ~12% over vijf generaties (Grok, citerend Shumailov experimentele data).

Pad 2: Gemiddelde Drift (Systematische Foutaccumulatie)

Schattingsfouten in het gemiddelde zijn niet willekeurig — ze stapelen zich richtinggevend op over generaties. Kleine biases in p₁ relatief aan p₀ worden versterkt in p₂, dan p₃. De distributie vernauwt niet alleen; ze dwaalt volledig weg van het oorspronkelijke centrum. Het model begint output te produceren die niet alleen homogeen is maar systematisch fout op manieren die geen gelijkenis vertonen met de oorspronkelijke trainingsdistributie.

Degradatiesnelheid

De modellen convergeren op de volgende schattingen:

Met 100% synthetische data: Meetbare degradatie tegen generatie 3; ernstige collaps (repetitieve, onsamenhangende output) tegen generaties 5–9 (Shumailov); mogelijk "late modelcollaps" bereikend tegen generatie 9–15 afhankelijk van modelarchitectuur (alle modellen)
Met gemengde data: Degradatie blijft bestaan tenzij het aandeel authentieke menselijke data boven een kritische drempel blijft. Zelfs gedeeltelijke synthetische vervuiling produceert meetbare effecten binnen 5–9 generaties (Alemohammad, geciteerd door Claude Opus)
Bij huidige vervuilingspercentages: Frontier modellen zouden 10–20% capaciteitsverlies per trainingscyclus kunnen zien, met mogelijk de helft van hun huidige prestaties verloren in 5–7 jaar zonder interventie (Grok's extrapolatie — gemarkeerd als speculatief maar richtinggevend consistent met het onderzoek)

Kritische Asymmetrie

Alle modellen zijn het eens over een cruciaal punt: degradatie is niet uniform over de kennisruimte. Goed vertegenwoordigde onderwerpen (mainstream Engelstalige content, populaire cultuur, veelvoorkomende queries) degraderen langzaam omdat ze ondersteund worden door hoogfrequent signaal. Slecht vertegenwoordigde onderwerpen (technische specialiteiten, laag-bron talen, historische details, inheemse kennis, subculturele kennis, zeldzame wetenschappelijke domeinen) degraderen snel omdat ze afhankelijk zijn van staartdistributiemonsters die als eerste worden gewist.

[Vertrouwen: HOOG op het mechanisme, GEMIDDELD op specifieke degradatietijdlijnen. De wiskundige paden zijn goed gevestigd in de literatuur. Precieze degradatiesnelheden in werkelijke frontier modeltraining zijn onzeker omdat labs hun datafilterpraktijken niet onthullen.]

5. HISTORISCHE PRECEDENTEN: Hoe Beschavingen Kennis Verliezen

Gesynthetiseerde Historische Analyse

De modellen identificeren collectief vier historische analogen, gerangschikt naar relevantie:

1. Manuscripttransmissie Degradatie (Meest Relevant)

Vóór de drukpers werd kennis bewaard door handmatig kopiëren. Elke kopie introduceerde fouten — transpositie, weglating, interpolatie, schrijfversiering. Over eeuwen dreven teksten aanzienlijk af van hun originelen. Claude Opus merkt op dat de Nieuwe Testament manuscripttraditie meer dan 400.000 tekstvarianten bevat over ongeveer 5.800 Griekse manuscripten. Gemini Pro breidt dit uit naar het verlies van Romeinse ingenieurskennis door monastiek kopiëren door schrijvers die de praktische toepassingen niet meer begrepen.

De structurele parallel is exact: verliesgevend kopiëren over generaties, met accumulerende fouten en degraderend origineel signaal. Het kritieke verschil is tijdschaal — manuscriptdrift vond plaats over eeuwen; modelcollaps opereert op een cyclus gemeten in maanden.

2. De Replicatiecrisis (Meest Direct)

Claude Opus identificeert dit als de dichtstbijzijnde moderne analoog. Beginnend in de vroege jaren 2010 onthulden systematische replicatie-inspanningen dat 50–70% van gepubliceerde psychologische bevindingen en 50–89% van preklinische biomedische bevindingen niet konden worden gereproduceerd. Grondoorzaken: perverse stimuleringsstructuren (publiceren of ten onder gaan), inadequate verificatiemechanismen, statistische wanpraktijken. De replicatiecrisis was alleen detecteerbaar omdat sommige onderzoekers opzettelijk het systeem testten. Geen equivalent testregime bestaat voor AI-trainingsdata kwaliteit.

3. De Bibliotheek van Alexandrië (Meest Verkeerd Begrepen)

Meerdere modellen (Claude Opus, Grok, Gemini Pro) convergeren op het corrigeren van de populaire misvatting. De Bibliotheek stierf niet in één catastrofale brand. Ze verviel geleidelijk door onderfinanciering, institutionele verwaarlozing, en de degradatie van haar catalogiserings- en verificatiesystemen. De rollen werden ontoegankelijk door desorganisatie, daarna irrelevant door het verlies van de wetenschappelijke gemeenschap die ze kon interpreteren. De parallel: kennis verdwijnt niet in één enkele gebeurtenis; de systemen voor toegang, validatie en interpretatie degraderen totdat de kennis functioneel verloren is, zelfs als ze technisch nog bestaat.

4. De Bronstijd Ineenstorting en Lineair B

Gemini Pro identificeert uniek het complete verlies van het Lineair B-schriftsysteem tijdens de Bronstijd Ineenstorting als een voorbeeld van kennisverlies door maatschappelijke verstoring van transmissieketens. Grok voegt de genetische flessenhals-analogie uit de biologie toe (cheeta-inteelt).

Cross-Domein Patroon

Claude Opus (Gemini perspectief) identificeert vier voorwaarden aanwezig in elk historisch geval van kennisverlies. Alle vier zijn aanwezig in het huidige AI-trainingsdata ecosysteem:

Een kennisproductiesysteem dat volume boven verificatie beloont
Een degradatie van de feedbackmechanismen die ooit fouten detecteerden
Economische of institutionele prikkels die productie versnellen ongeacht kwaliteit
De afwezigheid van een erkende autoriteit of infrastructuur verantwoordelijk voor het handhaven van de integriteit van de commons

[Consensus: HOOG op patroonovereenkomst; GEMIDDELD op de specifieke voorspellende kracht van enige enkele analoog. Het manuscripttransmissiemodel is de sterkste structurele parallel.]

6. HOE EEN "SCHONE DATA" INFRASTRUCTUUR ERUIT ZOU ZIEN

Gesynthetiseerde Architectuur

De modellen convergeren op drie interventieniveaus, met variërende gradaties van specificiteit:

Niveau 1: Cryptografische Herkomst (Hardware Niveau)

Gemini Pro en Claude Opus (ethisch perspectief) roepen beiden op tot hardware-niveau cryptografische verificatie van menselijk-afkomstige content — elke keer dat een camera een foto neemt, een microfoon een stem opneemt, of een mens typt op een geverifieerd apparaat, moet een cryptografische hash worden toegevoegd die menselijke afkomst bewijst. De C2PA (Coalition for Content Provenance and Authenticity) standaard wordt geciteerd als het dichtstbijzijnde bestaande raamwerk. Dit vereist een transitie van een internet van "aangenomen menselijk" naar een internet van "cryptografisch geverifieerd menselijk."

Niveau 2: Gecureerde Data Repositories (Institutioneel Niveau)

Alle modellen identificeren bestaande proof-of-concept inspanningen:

MIT's Data Provenance Initiative
Allen Institute for AI's Dolma dataset
EleutherAI's The Pile
LAION-5B schone fork (Grok)

Deze demonstreren dat het technisch mogelijk is om schone trainingscorpora te construeren. Ze demonstreren ook hoe arbeidsintensief, duur en institutioneel ongebruikelijk de praktijk is. De standaard in de industrie blijft willekeurig web scrapen omdat het goedkoop is en schaalt.

Niveau 3: Hybride Validatiesystemen (Proces Niveau)

Grok stelt collaps-resistente trainingspipelines voor met distributioneel robuuste optimalisatie en een minimum 70% menselijk-gecureerde data ratio. Claude Opus (ethisch perspectief) stelt blockchain-geverifieerde repositories voor met diverse menselijke panels die validatie uitvoeren, ondersteund door actieve leeralgoritmen die hiaten prioriteren.

Wie Bouwt Het?

De modellen convergeren op de conclusie dat geen enkele corporatie dit kan of zou moeten bouwen. Voorgestelde bouwers omvatten:

Non-profits en onderzoeksinstellingen (Allen Institute, EleutherAI, Internet Archive) als zaaiers
Hardware fabrikanten (Apple, Intel) en OS-ontwikkelaars (Microsoft, Google) voor herkomstinfrastructuur
Internationale standaardorganisaties (ISO, ITU, W3C) voor interoperabiliteit
Overheidsfinanciering (NSF, EU raamwerkprogramma's) voor publieke goederen investering
Maatschappelijke organisaties (EFF, AI Now Institute) voor verantwoordingsdruk

Gemini Pro noemt dit een "Coalitie van de Onwilligen" — erkennend dat economische prikkels door mandaat moeten worden overschreven.

[Consensus: HOOG op de noodzaak; GEMIDDELD op haalbaarheid. Alle modellen erkennen dat dit primair een coördinatie- en prikkelprobleem is, geen technisch mysterie. De economische krachten die tegen schone data-infrastructuur drukken worden door alle respondenten als formidabel geïdentificeerd.]

7. SPANNINGEN EN CONTRADICTIES OPLOSSEN

De Synthetische Data Paradox

Alle modellen erkennen echte spanning: synthetische data-generatie heeft legitieme, waardevolle toepassingen in gecontroleerde onderzoeksomgevingen (data-augmentatie voor ondervertegenwoordigde talen, medische beeldvorming, kleine-steekproef domeinen). Het probleem is niet synthetische data op zich — het is ongecontroleerde synthetische data op internetschaal zonder kwaliteitscontrole, zonder herkomsttracking, en zonder mechanisme voor uitsluiting uit trainingspipelines. De synthesepositie: synthetische data is een krachtig hulpmiddel dat in quarantaine moet worden gehouden van het open trainingssubstraat, analoog aan hoe radioactieve isotopen van onschatbare waarde zijn in de geneeskunde maar catastrofaal wanneer vrijgelaten in de watervoorziening.

Degradatietijdlijn Onzekerheid

De modellen verschillen over specifieke tijdlijnen. Grok projecteert 30–40% redeneringscollaps tegen 2029; Claude Opus is voorzichtiger, opmerkend dat labpraktijken ondoorzichtig zijn. GPT-5.4 beschrijft de relatie als "direct en exponentieel" zonder zich vast te leggen op specifieke jaren. Oplossing: Het wiskundige mechanisme is goed gevestigd en de richting is ondubbelzinnig. Het tempo hangt af van variabelen die momenteel niet waarneembaar zijn (labfilterpraktijken, aandeel synthetische data in werkelijke trainingsruns). De voorzichtige analytische houding is dit te behandelen als een snel bewegend risico met onzekere maar potentieel korte tijdlijnen — gemeten in jaren, niet decennia.

De "Selectie-effect" Versneller

Claude Opus identificeert uniek een samenstellende dynamiek die verhoging verdient: naarmate menselijk-gegenereerde content zeldzamer wordt op het open web, trekken de mensen die het ooit waardevol maakten zich terug in gesloten, gecureerde ruimtes (privé Slack-kanalen, betaalde publicaties, geverifieerde netwerken). Dit selectie-effect versnelt de collaps — het open web wordt afgestaan aan synthetische content, waardoor toekomstige trainingsdata nog zwaarder vervuild raakt. Dit is een vicieuze cirkel zonder natuurlijk evenwicht behalve dat het open web functioneel nutteloos wordt voor training.

8. WAT GEBEURT ALS WE NIET HANDELEN

Geprojecteerde Trajectorie (Gesynthetiseerd Over Alle Modellen)

Korte termijn (2025–2027): Modellen getraind op meerderheids-synthetische webdata vertonen meetbare vernauwing van kennisrepresentatie. Zeldzame en gespecialiseerde domeinen degraderen eerst. Academische kenniscontaminatie versnelt naarmate AI-gegenereerde artikelen citatienetwerken binnenkomen. Detectietools blijven inadequaat.

Middellange termijn (2027–2030): Downstream systemen in gezondheidszorg, recht, onderwijs en beleid beginnen systematisch gedegradeerde output te produceren. De menselijke terugtrekking van het open web versnelt, waardoor een dood