AI-slowdown: Roep Amodei door China bijzonder moeilijk

Geen tijd om het volledige artikel te lezen? Gebruik dan de vijf onderstaande bullets voor de belangrijkste punten.
■ Anthropic-CEO Dario Amodei wil het tempo van frontier-AI verlagen, maar erkent zelf dat internationale coördinatie bijzonder moeilijk wordt wanneer China niet hetzelfde tempo accepteert.
■ Een Amerikaanse slowdown betekent daarom niet automatisch een wereldwijde slowdown. China heeft sterke economische, technologische en strategische redenen om door te ontwikkelen en kan een vertraging in de VS juist gebruiken om terrein in te lopen.
■ Nieuw Chinees onderzoek rond NCP-ArchPreview laat zien dat de AI-race bovendien niet uitsluitend draait om meer chips en datacenters. Architectuur, software en algoritmische efficiëntie kunnen bepalen hoeveel prestaties uit dezelfde hoeveelheid infrastructuur worden gehaald.
■ Meer efficiëntie betekent niet automatisch minder vraag naar chips. Wanneer de kosten per AI-taak dalen, kunnen juist veel meer toepassingen economisch aantrekkelijk worden en kan het totale gebruik van AI-compute verder stijgen.
■ Voor beleggers ligt het grootste kortetermijnrisico bij stevige neerwaartse volatiliteit wanneer de markt vreest dat regulering ook de vraag naar chips, cloudcapaciteit en datacenters raakt. Voor een structurele trendbreuk willen wij echter daadwerkelijk lagere AI-capex en zwakkere infrastructuurvraag zien.

De discussie over een mogelijke vertraging van AI is in korte tijd veel serieuzer geworden. Anthropic-CEO Dario Amodei wil dat ontwikkelaars van de krachtigste modellen meer controle houden over de snelheid waarmee nieuwe mogelijkheden worden toegevoegd, zodat veiligheid, toezicht en alignment niet steeds verder achterlopen op de technologische vooruitgang. Dat klinkt in theorie uitvoerbaar wanneer enkele grote bedrijven vrijwillig dezelfde standaarden hanteren, maar wordt veel ingewikkelder zodra nationale belangen en geopolitieke concurrentie een rol spelen.

AI is inmiddels namelijk veel meer dan een nieuwe softwarecategorie. De technologie raakt productiviteit, wetenschap, industrie, cybercapaciteit, defensie en uiteindelijk economische macht, waardoor landen een steeds grotere strategische reden hebben om voorop te blijven lopen. Zodra de Verenigde Staten bewust vertragen terwijl China verder ontwikkelt, ontstaat daardoor vrijwel automatisch druk om de achterstand weer in te halen.

Wil je alle artikelen kunnen lezen en elke podcast beluisteren? Neem dan een abonnement en krijg toegang tot alle artikelen en de database met duizenden berichten.

Investment view

Voor beleggers zien wij op korte termijn vooral een risico op stevige neerwaartse volatiliteit in AI-gerelateerde aandelen. Wanneer de markt gaat vrezen dat strengere veiligheidsregels, langere ontwikkelcycli of politieke afspraken uiteindelijk ook leiden tot minder vraag naar chips, cloudcapaciteit en datacenters, kunnen groeiverwachtingen snel worden verlaagd en kunnen waarderingen stevig onder druk komen.

Dat risico moet serieus worden genomen, omdat veel AI-aandelen nog altijd jaren van hoge investeringen en sterke omzetgroei verdisconteren. Een verandering in verwachtingen kan daardoor al forse koersdalingen veroorzaken voordat er überhaupt iets wezenlijks verandert in de feitelijke orders, investeringen of vraag naar compute.

Voor ons wordt het structurele verhaal pas fundamenteel zwakker wanneer grote hyperscalers daadwerkelijk hun AI-budgetten terugschroeven, chiporders duidelijk afnemen, cloudvraag verzwakt en geplande datacenter- of energieprojecten worden uitgesteld. Zolang die signalen ontbreken, zien wij de slowdown-discussie vooral als een potentiële bron van scherpe neerwaartse volatiliteit binnen een nog steeds sterke meerjarige AI-investeringscyclus.

Wat Amodei daadwerkelijk wil vertragen

Amodei roept niet op om AI volledig stil te zetten, maar wil het tempo waarmee frontier-modellen nieuwe en krachtigere mogelijkheden krijgen beter beheersbaar maken. Daarbij gaat het om meer onafhankelijke evaluatie, strengere veiligheidsprocessen en uiteindelijk gezamenlijke normen tussen grote ontwikkelaars en regeringen.

Dat is binnen één land al ingewikkeld, omdat bedrijven onderling concurreren om klanten, talent en technologische voorsprong. Op internationaal niveau wordt het nog veel moeilijker, omdat geen enkele grote mogendheid eenvoudig wil accepteren dat een concurrent tijdens een vrijwillige vertraging technologisch verder kan uitlopen.

De discussie gaat daardoor uiteindelijk niet alleen over veiligheid, maar ook over de vraag wie bereid is als eerste op de rem te staan. Precies daar wordt China het belangrijkste probleem voor een langdurige wereldwijde slowdown.

China heeft andere strategische prikkels

China beschouwt AI nadrukkelijk als een strategische technologie en heeft sterke redenen om de eigen ontwikkeling verder te versnellen. Chinese bedrijven en onderzoeksteams zijn competitiever geworden, terwijl Beijing AI koppelt aan technologische autonomie, industriële modernisering en bredere geopolitieke invloed.

Wanneer Amerikaanse frontier-labs bewust vertragen, hoeft China die keuze niet te volgen. Het kan zo'n periode juist gebruiken om meer talent, kapitaal en infrastructuur richting AI te sturen en daarmee de technologische kloof sneller te verkleinen.

Daarmee ontstaat een klassiek strategisch dilemma. Beide kanten kunnen belang hebben bij veiliger AI, maar geen van beide wil vrijwillig een situatie creëren waarin de andere partij een beslissende technologische voorsprong kan opbouwen.

NCP laat zien dat China niet alleen meer infrastructuur bouwt

Het recente onderzoek rond NCP-ArchPreview maakt duidelijk dat de Chinese AI-strategie bovendien niet uitsluitend om meer chips of grotere datacenters draait. Onderzoekers uit Shanghai presenteerden een model met 8,9 miljard parameters waarin traditionele Next-Token Prediction wordt gecombineerd met Next Concept Prediction.

Het model blijft uiteindelijk gewone tokens genereren, maar gebruikt daarnaast grotere latente representaties waarin informatie over meerdere tokens wordt samengebracht. Die representaties helpen vervolgens de uiteindelijke tekstgeneratie te sturen, waardoor het systeem probeert meer structuur uit dezelfde trainingsdata te halen.

Dat betekent niet dat het model letterlijk op menselijke wijze in concepten denkt. Het interessante zit juist in de efficiëntie: het onderzoek suggereert dat andere architecturen mogelijk meer prestaties uit dezelfde hoeveelheid data en rekenkracht kunnen halen.

De efficiëntiewinst is belangrijker dan de hype

Volgens de gepubliceerde resultaten bereikte NCP-ArchPreview een vergelijkbaar trainingsniveau als een belangrijke referentie met ongeveer 51,3% van het aantal trainingstokens. Bij verdere training werden daarnaast betere resultaten gemeld op verschillende benchmarks, terwijl een afzonderlijke vergelijking erop wees dat vergelijkbare trainingskwaliteit kon worden benaderd met ongeveer 85% van de standaard compute.

Die cijfers moeten voorzichtig worden geïnterpreteerd. Minder trainingstokens betekent niet automatisch dat de totale kosten in dezelfde verhouding dalen, omdat chips, geheugengebruik, trainingstijd en andere technische factoren eveneens bepalen wat een model uiteindelijk kost.

De bredere boodschap is voor ons veel belangrijker. Vooruitgang binnen AI wordt niet alleen bepaald door hoeveel fysieke rekenkracht beschikbaar is, maar ook door hoe efficiënt software en architectuur die infrastructuur weten te benutten.

De AI-race draait daarom om meer dan chips alleen

Tot nu toe wordt de internationale AI-race vaak beschreven als een wedstrijd om chips, elektriciteit en datacenters. Die fysieke infrastructuur blijft essentieel, maar bepaalt niet alleen hoeveel technologische vooruitgang uit dezelfde hoeveelheid kapitaal kan worden gehaald.

Wanneer Chinese onderzoekers bijvoorbeeld met dezelfde hoeveelheid chips betere modellen kunnen trainen, wordt algoritmische efficiëntie zelf een strategisch concurrentiewapen. Daardoor kan een Amerikaanse slowdown nog moeilijker worden, omdat China niet alleen meer infrastructuur kan bouwen, maar tegelijkertijd bestaande infrastructuur productiever kan maken.

Dat verandert de geopolitieke rekensom. Een land kan achterop raken doordat een concurrent meer chips bezit, maar ook doordat die concurrent betere software heeft ontwikkeld om dezelfde chips efficiënter te gebruiken.

Open source kan de verspreiding versnellen

Een extra factor is dat nieuwe architecturen zoals NCP-ArchPreview open beschikbaar kunnen worden gemaakt. Daardoor blijven verbeteringen niet beperkt tot één laboratorium, maar kunnen andere onderzoekers de aanpak analyseren, aanpassen en combineren met nieuwe technieken.

Dat kan de verspreiding van succesvolle efficiëntieverbeteringen versnellen en maakt het nog moeilijker om innovatie via afspraken tussen enkele grote frontier-labs volledig te beheersen. Zodra kennis breed toegankelijk wordt, kan verdere ontwikkeling namelijk plaatsvinden bij universiteiten, startups en onderzoeksgroepen over de hele wereld.

Een slowdown bij een aantal Amerikaanse marktleiders hoeft daardoor niet automatisch te betekenen dat het bredere AI-ecosysteem eveneens langzamer gaat ontwikkelen. Juist open onderzoek kan ervoor zorgen dat technologische kennis zich buiten de grootste bedrijven blijft verspreiden.

Efficiëntere AI is niet automatisch bearish voor chips

Voor beleggers is dit een van de belangrijkste economische misverstanden om te vermijden. Een model dat minder compute nodig heeft voor één specifieke taak betekent niet automatisch dat de totale wereldwijde behoefte aan chips zal dalen.

Wanneer de kosten per training of per AI-taak afnemen, worden juist toepassingen rendabel die eerder te duur waren. Bedrijven kunnen vervolgens meer modellen gebruiken, AI integreren in meer producten en veel grotere hoeveelheden inferentie uitvoeren, waardoor het totale aantal uitgevoerde AI-taken sterk kan toenemen.

De kosten per taak kunnen dus dalen terwijl het totale gebruik sneller groeit. Daardoor kan hogere efficiëntie uiteindelijk juist leiden tot een grotere markt voor chips, datacenters, stroom, koeling en netwerkinfrastructuur.

Inferentie kan uiteindelijk een grotere factor worden

Daarbij verschuift de economische discussie steeds verder van uitsluitend training naar inferentie. Een groot model wordt een beperkt aantal keren getraind, maar kan daarna miljoenen of miljarden keren worden aangeroepen door consumenten, bedrijven en softwaretoepassingen.

Naarmate AI wordt ingebouwd in zoekmachines, kantoorsoftware, programmering, klantenservice, industrie en consumententoepassingen, groeit het aantal inferentietaken enorm. Die voortdurende activiteit vraagt eveneens chips, energie, koeling en datacentercapaciteit, zelfs wanneer toekomstige modellen efficiënter worden.

Voor de infrastructuurketen is daarom niet alleen relevant hoeveel compute één trainingsrun nodig heeft. Minstens zo belangrijk is hoeveel AI-gebruik wereldwijd ontstaat zodra de kosten per toepassing verder dalen.

Een frontier-slowdown stopt de bestaande capex niet automatisch

Ook een tijdelijke vertraging van nieuwe frontier-modellen betekent daarom niet automatisch dat Microsoft, Meta, Alphabet, Amazon en andere grote technologiebedrijven de infrastructuur die zij momenteel bouwen niet meer nodig hebben. Die capaciteit wordt immers niet uitsluitend gebouwd voor één toekomstige generatie modellen, maar ook voor bestaande AI-diensten, cloudklanten en steeds grotere hoeveelheden inferentie.

Een politieke discussie kan aandelenkoersen daardoor veel sneller raken dan de onderliggende investeringsplannen. Het fundamentele effect wordt pas veel ernstiger wanneer bedrijven zelf beginnen aan te geven dat zij minder capaciteit nodig hebben en geplande projecten daadwerkelijk worden teruggeschroefd.

Voor beleggers is dat onderscheid essentieel. Headline-risico kan forse koerscorrecties veroorzaken, terwijl de fysieke infrastructuurcyclus ondertussen gewoon kan doorgaan.

Wat de structurele AI-these daadwerkelijk zou beschadigen