Nvidia is momenteel de onbetwiste leider van de AI-revolutie, een positie die wordt weerspiegeld in de duizelingwekkende marktwaarde van meerdere biljoenen dollars. De technologie die Nvidia heeft helpen pionieren – kunstmatige intelligentie – kan echter binnenkort het instrument zijn dat zijn concurrentievoordeel teniet doet.
De industrie ziet een verschuiving waarbij AI niet langer alleen de gebruiker van hardware is, maar steeds meer de architect en optimizer ervan wordt.
De “Softwaregracht” wordt belegerd
De dominantie van Nvidia is niet alleen gebaseerd op brute kracht; het is gebouwd op programmeerbaarheid. Hoewel veel concurrenten chips aanbieden met vergelijkbare theoretische prestaties (floating-point-operaties), heeft Nvidia een enorme voorsprong op het gebied van software. Hun gespecialiseerde bibliotheken en tools maken het voor ontwikkelaars veel gemakkelijker om code te schrijven die efficiënt op hun hardware draait.
Dit heeft een hoge toetredingsdrempel gecreëerd. Toen Anthropic bijvoorbeeld overstapte om zijn Claude-modellen op de Trainium-hardware van Amazon te laten draaien, moest het bedrijf de code helemaal opnieuw schrijven om de efficiëntie te garanderen.
Enter Wafer, een startup die deze kloof wil overbruggen. Wafer gebruikt versterkend leren om AI-modellen te leren hoe ze ‘kernelcode’ moeten schrijven: de software op laag niveau die rechtstreeks met hardware praat. Door het optimalisatieproces te automatiseren, wil Wafer:
– Efficiëntie democratiseren: Het voor niet-Nvidia-hardware (zoals de chips van AMD of Amazon) gemakkelijker maken om complexe AI-modellen uit te voeren.
– Verlaag de kosten: Minimaliseer de behoefte aan zeer dure, gespecialiseerde prestatie-ingenieurs.
– Maximaliseer “intelligentie per watt”: Zorg ervoor dat hardware niet alleen krachtig is, maar ook zeer efficiënt in de manier waarop deze energie gebruikt.
Automatisering van de blauwdruk: AI in chipontwerp
Terwijl Wafer de manier optimaliseert waarop software op chips draait, pakt een andere startup, Ricursive Intelligence, aan hoe de chips überhaupt worden gebouwd.
Chipontwerp is een van de meest complexe technische hoogstandjes op aarde. Het vereist het rangschikken van miljarden componenten op een klein stukje silicium en het ondergaan van rigoureuze, iteratieve tests om er zeker van te zijn dat alles werkt. Traditioneel vereist dit enorme teams van menselijke experts.
Ricursive is opgericht door voormalige Google-ingenieurs Azalia Mirhoseini en Anna Goldie en werkt aan het automatiseren van de ‘lange polen’ van het proces: fysiek ontwerp en ontwerpverificatie.
Hun visie omvat:
– Natuurlijk taalontwerp: Gebruik van grote taalmodellen (LLM’s), zodat ingenieurs met eenvoudige tekst wijzigingen kunnen beschrijven of vragen kunnen stellen over een chip.
– Versnelde iteratie: Het gebruik van AI om de lay-out van componenten te optimaliseren, een techniek die eerder bij Google werd ontwikkeld.
– De “Schaalwet” voor hardware: Het potentieel voor een recursieve lus waarbij AI betere chips ontwerpt, die op hun beurt meer rekenkracht bieden om nog betere chips te ontwerpen.
Waarom dit belangrijk is: de verschuiving naar op maat gemaakt silicium
De technische industrie is al op weg naar aangepast silicium. Reuzen als Apple, Google, Amazon en Meta ontwikkelen allemaal hun eigen chips om de hardware specifiek af te stemmen op hun softwarebehoeften.
Historisch gezien was het knelpunt voor deze bedrijven niet de hardware zelf, maar de enorme software- en ontwerpinspanningen die nodig waren om die hardware te laten presteren. Als AI zowel het ontwerp van de chip (Ricursive) als de optimalisatie van de code (Wafer) kan automatiseren, begint de ‘gracht’ rond Nvidia te verdampen.
“De gracht leeft in de programmeerbaarheid van de chip… Ik denk dat het tijd is om te heroverwegen of dat eigenlijk een sterke gracht is.” — Emilio Andere, CEO van Wafer
Conclusie
De opkomst van AI-gestuurd chipontwerp en software-optimalisatie vertegenwoordigt een fundamentele verschuiving in de halfgeleiderindustrie. Als AI met succes de moeilijkste delen van hardware-engineering kan automatiseren, zal de barrière voor het creëren van hoogwaardig, op maat gemaakt silicium verdwijnen, waardoor mogelijk een einde komt aan het tijdperk van dominantie door één leverancier in het AI-tijdperk.
