De machine die je een eeuw werk in handen geeft.

1. Van wetenschap lezen naar wetenschap schrijven

De eerste generatie wetenschappelijke AI was een uitstekende bibliothecaris. Hij las alles en kon het samenvatten. De tweede generatie is een collega. Hij stelt dingen voor die de literatuur nog niet bevat, en vaak heeft hij gelijk.

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

Het mechanisme eronder is overal hetzelfde. Een wetenschappelijk probleem is meestal een zoekprobleem: ergens in een ruimte die te groot is om met de hand te doorzoeken zit het antwoord, en het werk is het vinden ervan. AI is een zoekmachine voor die ruimtes. Hij leest de vorm van het probleem uit miljoenen eerdere voorbeelden en stelt vervolgens de handvol kandidaten voor die het testen in de echte wereld waard zijn. Het natte lab voert het experiment nog steeds uit. Wat instort is de jaren van gissen die er vroeger aan voorafgingen.

2. Eiwitten: eerst vouwen, dan uitvinden

Eiwitten zijn de machines van de biologie, en hun functie wordt bepaald door hun vorm. Vijftig jaar lang betekende het uitzoeken van die vorm röntgenkristallografie, één eiwit tegelijk, vaak een heel proefschrift voor een enkele structuur. Tegen 2021 had de mensheid er ongeveer 200.000 met de hand opgelost. Toen voorspelde AlphaFold2 de structuur van ongeveer 200 miljoen, dicht bij elk eiwit dat de wetenschap kent, en zette ze online voor iedereen. Meer dan twee miljoen onderzoekers in 190 landen doen dat nu.

Voorspellen was de eerste akte. De tweede is vreemder. Systemen als AlphaProteo lezen niet langer alleen de structuur van eiwitten die bestaan, ze ontwerpen nieuwe die nooit bestonden, binders die zich op een gekozen doelwit vastklikken drie tot driehonderd keer steviger dan alles wat via screening werd gevonden. Werk dat jaren van vallen en opstaan kostte, kost nu dagen.

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 samenpersing op een balans zichtbaar wordt.

3. Materialen: de bibliotheek van achthonderd jaar

Dezelfde beweging speelt zich af in de materiaalkunde, waar de vooruitgang altijd geknepen werd door hoeveel kandidaat-verbindingen een lab kan synthetiseren en testen. Eind 2023 stelde DeepMinds GNoME 2,2 miljoen nieuwe anorganische kristalstructuren voor in één inspanning, waarvan ongeveer 380.000 stabiel genoeg voorspeld om te maken. DeepMind omschreef de opbrengst als het equivalent van ongeveer 800 jaar aan eerdere menselijke kennis, in één keer gegenereerd.

De kandidaten doen ertoe voor precies de technologieën waarover dit bureau elders schrijft: betere batterijen, efficiëntere zonne-energie, supergeleiders, de fysieke stack van de elektrotech-transitie. Een stabiele nieuwe verbinding is geen afgewerkt product. Het is een aanwijzing, en het tekort was nooit ideeën, het waren aanwijzingen die de kosten van het proberen waard zijn. Een lab honderdduizenden ervan geven verandert de kansen van het hele vakgebied.

Voorstellen was de zet van 2023. Tegen 2026 was de lus verder gesloten. Microsofts MatterGen keert het probleem om: in plaats van kandidaten op te sommen ontwerpt het een materiaal om eigenschappen te halen die je opgeeft, een gewenste geleiding of magnetisme, en landt binnen ruwweg twintig procent van het doel. Tegelijk draaien "self-driving labs", gesloten lussen van AI en robotica, nu duizenden experimenten met weinig menselijke tussenkomst en persen jaren van synthetiseren-testen-herhalen samen tot weken. Voorstellen, dan ontwerpen op specificatie, dan autonoom testen. Dat is de volledige pijplijn, en die wordt nu in elkaar gezet.

Dit is ook het geval dat het meest een koel hoofd vraagt. De cijfers van GNoME kregen serieuze kritiek: onafhankelijke onderzoekers stelden dat veel van de structuren die de studie nieuw noemde in feite duplicaten of kleine varianten van bekende waren, en sommigen riepen op de kernclaims te corrigeren. Lees de 2,2 miljoen als gegenereerde kandidaten, niet als bevestigde nieuwe materialen. De eerlijke les is die waar dit dossier op terugkeert: de machine is buitengewoon in voorstellen, en voorstellen is niet hetzelfde als bewijzen.

4. Wiskunde: van antwoorden naar objecten

Wiskunde is de zuiverste toets of een AI redeneert of onthoudt, want een werkelijk nieuw theorema 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 DeepMinds AlphaProof en AlphaGeometry 2 problemen van de Internationale Wiskunde Olympiade op zilveren-medailleniveau op, achtentwintig punten, één onder de gouden drempel. Een jaar later haalde een geavanceerde Gemini goud, met vijf van de zes problemen. Dat was een machine die een toets beklom die gebouwd is voor de slimste menselijke tieners. Indrukwekkend, maar nog steeds een toets met bekende antwoorden. Toen weerlegde in mei 2026 een OpenAI-model het Erdős-vermoeden over eenheidsafstanden in het vlak, een open vraag die voor het eerst in 1946 werd gesteld. Het reciteerde geen bewijs dat iemand had geschreven. Het vond een nieuwe familie van 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 klopt. En het stond niet op zichzelf: begin 2026 produceerde een apart systeem, AxiomProver, volledige, machineverifieerde 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. Problemen uit de Erdős-database begonnen sneller te vallen.

Het onderscheid is het hele verhaal. Olympiade-problemen oplossen is vragen beantwoorden die we al wisten te stellen. Een open vermoeden kraken is een object voortbrengen dat niet eerder bestond. Tachtig jaar lang nam het vakgebied aan dat de beste arrangementen op nette roosters leken. Een machine liet zien dat dat niet zo is. Dat is het moment waarop het gereedschap ophield leerling te zijn en bijdrager werd.

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

Nergens is de samenpersing makkelijker te voelen dan in de geneeskunde, en twee verhalen uit het afgelopen jaar maken het punt beter dan welke benchmark ook. In het eerste sequencete een Australische tech-ondernemer zonder achtergrond in de biologie de tumor van zijn stervende asielhond, gebruikte AI om de gemuteerde eiwitten te vinden en aan medicijndoelwitten te koppelen, en ontwierp vanaf nul een persoonlijk mRNA-vaccin. De genomicaprofessor die het beoordeelde was, in zijn eigen woord, verbijsterd. Een van de tumoren van de hond is sindsdien ongeveer gehalveerd. Eén persoon, een chatbot en zo'n drieduizend dollar bestreken terrein dat vroeger een lab, een team en jaren financiering nodig had.

In het tweede richtten onderzoekers van de University of Pennsylvania een AI-model genaamd APEX op de chemie die de evolutie al miljoenen jaren verfijnt: het gif van slangen, spinnen en schorpioenen. Het doorzocht in uren meer dan veertig miljoen peptiden, markeerde een paar honderd kandidaten, en van de achtenvijftig die het team synthetiseerde, doodden er drieënvijftig geneesmiddelresistente bacteriën zonder menselijke cellen te schaden.

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

Levendige verhalen roepen scepsis op, dus hier is dezelfde verschuiving op een nuchtere klinische tijdlijn. In juli 2026 startte Insilico Medicine een Fase III-studie van rentosertib, het eerste medicijn waarvan zowel het ziektedoelwit als de molecuul door generatieve AI zijn ontdekt, voor een longziekte met weinig goede opties. De studie in de middenfase liet een meetbare verbetering van de longfunctie zien. Google DeepMinds Isomorphic Labs bracht datzelfde jaar zijn eerste door AI ontworpen kankerverbindingen in mensenstudies. Nog geen enkel door AI ontworpen medicijn is goedgekeurd, en de meeste kandidaten zullen falen, zoals de meeste medicijnkandidaten falen. De mijlpaal is stiller en groter: de pijplijn begint nu in software.

6. De co-scientist: hypothesen, niet alleen antwoorden

De stap voorbij voorspellen en ontwerpen is degene die werkende wetenschappers het meest verontrust: systemen die de hypothese in de eerste plaats voorstellen. In mei 2026 stak dit over van demo naar peer review. Nature publiceerde Googles "AI co-scientist", een verzameling agents die zich naar een hypothese toe redetwisten door de literatuur te doorlezen en verbanden op te sporen die een specialist zou missen. De voorstellen werden vervolgens getest en hielden stand. Het bracht kandidaten voor het herbestemmen van medicijnen tegen acute myeloïde leukemie naar boven die tumorcellen bij klinisch relevante doses onderdrukten, en een apart idee over cellulaire stress dat Calico Life Sciences aan de labtafel bevestigde.

Dit is een echte verschuiving in de taakverdeling. De bibliothecaris beantwoordde je vraag. De co-scientist vertelt je welke vraag het stellen waard is. Het is makkelijk overdreven te presenteren, en we houden de kanttekeningen tot de volgende paragraaf, want dezelfde capaciteit die een briljante hypothese genereert, genereert er tien plausibele foute. Ze uit elkaar houden is nog steeds mensenwerk. De eerlijke samenvatting is smal en groot tegelijk: voor het eerst is het idee zelf iets wat een machine kan helpen voortbrengen.

Het knelpunt in de wetenschap was nooit alleen het denken. Het waren de kosten en de tijd van het testen van het denken. Als beide instorten, verschuift de snelheidslimiet op ontdekking naar ergens anders.Het argument van dit dossier, in één regel

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 door AI gebouwde wetenschap beide prijzen die het meest tellen. Het onderscheid ertussen is veelzeggend.

De Scheikundeprijs ging naar David Baker voor computationeel eiwitontwerp, en naar Demis Hassabis en John Jumper voor AlphaFold en eiwitstructuurpredictie. Dat is een prijs voor wat AI ontdekte. De Natuurkundeprijs, een dag eerder aangekondigd, 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. Het establishment behandelde dit niet als een curiositeit. Het behandelde het als de komst van een nieuw instrument, op het niveau van de microscoop of de telescoop, en het is de moeite waard dat oordeel serieus te nemen.

8. Wat er werkelijk samengeperst werd

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

Wat niet is samengeperst, is de fysieke wereld. Cellen groeien nog steeds op hun eigen tempo, studies duren nog steeds jaren, een batterij moet nog steeds worden gebouwd en gecycled. Dit is het cruciale onderscheid voor iedereen die in de verleiding komt exponentiële curves te lezen als onmiddellijke magie. AI perst het deel van de wetenschap samen dat op papier en in silico gebeurt, het gissen en het ziften, wat vaak het langste en duurste deel is. Het schaft de wetten die atomen en biologie besturen niet af. Het resultaat is een ontdekkingsproces dat scheef staat: de voorkant van de pijplijn draait op softwaresnelheid, de achterkant draait nog op de snelheid van materie.

9. Het eerlijke tegenverhaal

Een dossier dat alleen juicht zou nutteloos zijn. 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 benoemen.

De validatiekloof. Een voorspelde structuur, materiaal of hypothese is een aanwijzing, geen feit. AlphaFold voorspelt een vorm met een betrouwbaarheidsscore, en gebieden met lage betrouwbaarheid zijn oprecht onzeker. GNoME stelde miljoenen materialen voor, en het harde, trage werk van ze daadwerkelijk synthetiseren heeft pas een fractie geraakt. De machine heeft het knelpunt van ideeën naar verificatie verschoven, en verificatie is nog steeds duur. Het interessantste antwoord is het self-driving lab, dat AI zijn eigen experimenten laat draaien, en waar het werkt begint het deze kloof te dichten. 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, is het risico een stijgende vloed van plausibel ogende wetenschap die niemand de tijd heeft te controleren. Sommige van de luidste recente "doorbraken" zijn beter te omschrijven als suggestief dan als vaststaand. Onderzoekers van Anthropic muntten de half-grappige term "vibe physics" voor zelfverzekerde modeloutput die goed voelt en niet is verdiend. Het juiste antwoord is meer verificatie, niet minder enthousiasme.

De mens ontwerpt nog steeds het experiment. Bij elk resultaat in dit dossier besloot een wetenschapper wat te vragen, wat te vertrouwen en wat in de echte wereld te testen. De co-scientist stelt voor, de mens beschikt. De kloof die de modellen nog niet kunnen overbruggen is oordeel onder onzekerheid, de smaak om te weten welke van tien plausibele hypothesen een jaar labtijd waard is. Die vaardigheid steeg in waarde, niet daalde.

10. Waarom dit meer betekent dan de banenkoppen

De tijdlijn 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 productiviteitstool. Een model dat een antibioticum, een batterijmateriaal of een kankervaccin ontwerpt is iets anders: een hefboom op het tempo waarin de hele samenleving haar moeilijkste problemen oplost, van ziekte tot energie tot voedsel.

Dat herkadert de exponentiële curve op een manier die telt voor hoe een leider plant. Als je gelooft dat AI vooral een goedkopere manier is om het kenniswerk van vandaag te doen, optimaliseer je op kosten. Als je gelooft dat het de tijdlijn van ontdekking zelf samenperst, plan je voor een decennium waarin de grond onder je sector sneller beweegt dan je productroadmap aanneemt. De tweede overtuiging is degene die het Nobelcomité, de medicijnpijplijnen en de wiskundetijdschriften nu onderschrijven.

Voor een Europese lezer zit er een scherpere rand aan. Het gereedschap van deze ontdekkingsmachine, de foundation-modellen en de rekenkracht erachter, wordt grotendeels elders gebouwd. De wetenschap die het versnelt wordt echter overal in laboratoria bedreven, inclusief de sterke in Nederland en heel Europa. De kans zit in iets anders: de snelste, best georganiseerde gebruiker van het instrument 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.

11. Wat een onderneming doet met een ontdekkingsmachine

De meeste bedrijven die dit lezen hebben geen nat lab, en de reflex is het hele onderwerp weg te zetten onder "interessant, niet van mij". Dat is een vergissing. De ontdekkingsmachine is een specifiek geval van een algemeen patroon, en het 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 antwoord kunnen uitvoeren.

Dat is de hele logica van hoe dit bureau met klanten werkt, en de wetenschap maakt het concreet. Zie wat de tools nu kunnen, aan de frontier van je eigen vakgebied, niet in het abstracte. Begrijp waar in je werk het knelpunt zoeken, voorspellen of genereren is, want dat zijn de delen die samenpersen. Adopteer vervolgens, door het proces zo te herontwerpen dat een mens zijn schaarse oordeel besteedt aan de korte lijst die de machine voortbrengt, in plaats van aan het ziften dat de machine nu gratis doet.

De organisaties die vooruitkomen zijn degene die dit behandelen als een verandering in methode, niet als een nieuw hebbedingetje om aan te bouwen. Dat is een verandermanagement-vraagstuk voordat het een technisch vraagstuk is, en dat is het deel dat de meeste strategieën omdraaien.

12. Wat wij zouden volgen

• Validatie-doorvoer. Het knelpunt is nu testen, niet ideeën. Let op geautomatiseerde natte labs en self-driving experimenten die de lus sluiten, want dat is wat de achterkant van de pijplijn ontsluit.
• De eerste goedkeuring. Een volledig door AI ontworpen medicijn, Insilico's rentosertib, zit al in Fase III, en Isomorphic's eerste oncologieverbindingen zitten in studies. Het signaal om nu te volgen is de eerste duidelijke goedkeuring door een toezichthouder, ingeschat als waarschijnlijker dan niet binnen een jaar of twee. Dat is het moment waarop de samenpersing zichtbaar wordt op een manier die markten niet kunnen negeren.
• Goud, dan een echt theorema. Olympiade-goud is dichtbij. Het signaal om te volgen is een machine die een bewijs bijdraagt dat werkende wiskundigen daadwerkelijk overnemen en op voortbouwen.
• Reproduceerbaarheidsinfrastructuur. Naarmate kandidaat-resultaten zich vermenigvuldigen, wint het vakgebied dat snelle, goedkope verificatie bouwt. Let op wie het controleren financiert, niet alleen het genereren.
• Adoptie in Europese labs. Het instrument is universeel. Het voordeel gaat naar wie zich als eerste organiseert om het te gebruiken. Let op welke Nederlandse en Europese instituten van pilots naar staande praktijk gaan.

13. Verificatie en bronnen

Dit dossier put uit live webonderzoek en een persoonlijk archief van meer dan 15.000 bronnen. Dragende cijfers zijn waar mogelijk dubbel gecheckt. De notities hieronder markeren zekerheid en de belangrijkste kanttekeningen, in de geest van ons werk laten zien.

De geframede figuur en de video-still in dit dossier komen uit publiek geplaatst materiaal, in elk bijschrift toegeschreven aan de originele bron. In de web-editie kunnen deze worden vervangen door de live posts. Charts met het label "BFF" zijn van ons, getekend uit de bronnen die eronder worden genoemd.