Dessa van Block: Mogelijk minder GPU’s voor voice-AI, maar het bewijs is nog dun

■ Block claimt dat Dessa taal en natuurlijk gespreksgedrag rechtstreeks uit menselijke spraak heeft geleerd, zonder tekst als trainingsbasis en zonder vooraf getraind taalmodel. Dat zou technisch interessant zijn, maar zonder openbaar technisch paper, modelgrootte, trainingsdata en onafhankelijke tests is nog niet vast te stellen hoe groot de stap werkelijk is.
■ De meest logische toepassingen liggen bij voice-agents, klantenservice, bestellingen, persoonlijke assistenten, auto’s, robots en andere situaties waarin snel en natuurlijk praten belangrijker is dan zwaar redeneren. Vooral lokale inference kan daar aantrekkelijk zijn door lagere latency, betere privacy en mogelijk lagere kosten.
■ Dessa is voorlopig geen aangetoonde vervanging voor modellen die complexe coding, reasoning, financiële analyse, wetenschap of multimodale taken uitvoeren. Block heeft voor deze toepassingen geen onafhankelijke benchmarks gepubliceerd en de huidige demo’s zeggen daar vrijwel niets over.
■ De training op één NVIDIA GB200 NVL72 klinkt veel lichter dan zij werkelijk is. Eén NVL72 is een volledig datacenterrack met 72 Blackwell-GPU’s, 36 Grace-CPU’s en 13,4 terabyte HBM3E-geheugen. Zonder modelgrootte, trainingsduur en totale FLOPs weten we niet hoeveel GPU-rekenkracht werkelijk is bespaard.
■ Waar minder datacenter-GPU’s het meest aannemelijk zijn, is bij eenvoudige voice-inference. Als Dessa werkelijk lokaal op een MacBook Pro M4 Max draait, hoeft niet ieder gesprek via een centrale GPU te lopen. Dat kan een deel van deze specifieke workload naar lokale chips verschuiven.
■ Voor de bredere NVIDIA-case zien wij nog geen overtuigend negatief signaal. Dessa bewijst niet dat frontiertraining, reasoning, coding of multimodale AI ineens veel minder GPU’s nodig hebben. Goedkopere lokale inference kan bovendien juist leiden tot veel meer AI-gebruik.

Investment View

De aankondiging van Dessa raakt een relevante vraag voor beleggers: hoeveel van de enorme groei in AI-rekenkracht is structureel noodzakelijk en hoeveel kan uiteindelijk verdwijnen wanneer modellen efficiënter worden? Block geeft met Dessa een interessant datapunt, maar de huidige informatie is nog te beperkt om daar een brede conclusie over de GPU-markt aan te verbinden.

De mogelijke gevolgen verschillen bovendien sterk per toepassing. Voor een lokale voice-agent die vooral moet luisteren, praten en korte opdrachten uitvoeren, kan een veel kleiner model voldoende zijn. Voor een systeem dat complexe problemen moet oplossen, code moet schrijven of grote hoeveelheden bedrijfsdata moet analyseren, is nog helemaal niet aangetoond dat dezelfde aanpak werkt.

Daarom is het onderscheid tussen training en inference belangrijk. Bij training kan Dessa mogelijk efficiënter blijken dan bestaande spraakmodellen, maar de gegevens om dat te meten ontbreken. Bij inference is de mogelijke besparing concreter, omdat lokale verwerking daadwerkelijk een cloud-GPU per gesprek kan vermijden.

Zelfs daar is de conclusie niet simpelweg negatief voor NVIDIA. Wanneer voice-AI veel goedkoper wordt, kunnen veel meer apparaten en diensten deze technologie gaan gebruiken. Minder compute per gesprek kan daardoor samengaan met veel meer gesprekken en uiteindelijk zelfs met een grotere totale markt.

Voorlopig zien wij Dessa daarom vooral als een mogelijke verschuiving binnen de AI-hardwaremarkt. Een deel van lichte inference kan richting edgehardware bewegen, terwijl zware training en complexe inference in datacenters blijven.

Wat Dessa volgens Block precies is