Denken voorbij Tokens: Van Hersengeïnspireerde Intelligentie naar Cognitieve Fundamenten voor Kunstmatige Algemene Intelligentie en haar Maatschappelijke Impact

Thinking Beyond Tokens: From Brain-Inspired Intelligence to Cognitive Foundations for Artificial General Intelligence and its Societal Impact

July 1, 2025

Auteurs: Rizwan Qureshi, Ranjan Sapkota, Abbas Shah, Amgad Muneer, Anas Zafar, Ashmal Vayani, Maged Shoman, Abdelrahman B. M. Eldaly, Kai Zhang, Ferhat Sadak, Shaina Raza, Xinqi Fan, Ravid Shwartz-Ziv, Hong Yan, Vinjia Jain, Aman Chadha, Manoj Karkee, Jia Wu, Philip Torr, Seyedali Mirjalili

cs.AI

Samenvatting

Kunnen machines echt denken, redeneren en handelen in domeinen zoals mensen? Deze blijvende vraag blijft de zoektocht naar Artificial General Intelligence (AGI) vormgeven. Ondanks de groeiende capaciteiten van modellen zoals GPT-4.5, DeepSeek, Claude 3.5 Sonnet, Phi-4 en Grok 3, die multimodale vloeiendheid en gedeeltelijk redeneren vertonen, blijven deze systemen fundamenteel beperkt door hun afhankelijkheid van token-level voorspelling en het ontbreken van gegronde agency. Dit artikel biedt een interdisciplinaire synthese van AGI-ontwikkeling, die zich uitstrekt over kunstmatige intelligentie, cognitieve neurowetenschappen, psychologie, generatieve modellen en agent-gebaseerde systemen. We analyseren de architectonische en cognitieve fundamenten van algemene intelligentie, waarbij we de rol van modulair redeneren, persistent geheugen en multi-agent coördinatie benadrukken. In het bijzonder benadrukken we de opkomst van Agentic RAG-frameworks die retrieval, planning en dynamisch gereedschapsgebruik combineren om meer adaptief gedrag mogelijk te maken. We bespreken generalisatiestrategieën, waaronder informatiecompressie, test-time aanpassing en training-vrije methoden, als kritieke paden naar flexibele, domein-agnostische intelligentie. Vision-Language Models (VLMs) worden opnieuw bekeken, niet alleen als perceptiemodules maar als evoluerende interfaces voor belichaamd begrip en collaboratieve taakvoltooiing. We beargumenteren ook dat echte intelligentie niet alleen voortkomt uit schaal, maar uit de integratie van geheugen en redeneren: een orkestratie van modulaire, interactieve en zelfverbeterende componenten waarbij compressie adaptief gedrag mogelijk maakt. Gebruikmakend van vooruitgang in neurosymbolische systemen, reinforcement learning en cognitieve scaffolding, onderzoeken we hoe recente architecturen de kloof tussen statistisch leren en doelgericht cognitie beginnen te overbruggen. Tot slot identificeren we belangrijke wetenschappelijke, technische en ethische uitdagingen op het pad naar AGI.

English

Can machines truly think, reason and act in domains like humans? This enduring question continues to shape the pursuit of Artificial General Intelligence (AGI). Despite the growing capabilities of models such as GPT-4.5, DeepSeek, Claude 3.5 Sonnet, Phi-4, and Grok 3, which exhibit multimodal fluency and partial reasoning, these systems remain fundamentally limited by their reliance on token-level prediction and lack of grounded agency. This paper offers a cross-disciplinary synthesis of AGI development, spanning artificial intelligence, cognitive neuroscience, psychology, generative models, and agent-based systems. We analyze the architectural and cognitive foundations of general intelligence, highlighting the role of modular reasoning, persistent memory, and multi-agent coordination. In particular, we emphasize the rise of Agentic RAG frameworks that combine retrieval, planning, and dynamic tool use to enable more adaptive behavior. We discuss generalization strategies, including information compression, test-time adaptation, and training-free methods, as critical pathways toward flexible, domain-agnostic intelligence. Vision-Language Models (VLMs) are reexamined not just as perception modules but as evolving interfaces for embodied understanding and collaborative task completion. We also argue that true intelligence arises not from scale alone but from the integration of memory and reasoning: an orchestration of modular, interactive, and self-improving components where compression enables adaptive behavior. Drawing on advances in neurosymbolic systems, reinforcement learning, and cognitive scaffolding, we explore how recent architectures begin to bridge the gap between statistical learning and goal-directed cognition. Finally, we identify key scientific, technical, and ethical challenges on the path to AGI.