2026 consolideert zich in 3 echt grote weddenschappen waarbij als er één faalt, dit zou resulteren in een kortetermijninstorting van de bubbel. 1. datacenters Anthropic, Xai schalen agressief naar 1M gpu's. Beide plannen om dat doel tegen Q2 te bereiken. De resulterende modellen die op deze infrastructuur zijn getraind, moeten bevestigen dat de wet van de rekenschaal nog steeds effectief is. Anders zal dit aangeven dat we een nieuwe modelarchitectuur moeten verkennen. Dit is ook afhankelijk van de energie-infrastructuur (power shell) die geschaald moet worden, hoewel dat een probleem zal zijn voor het komende decennium, laat staan dit jaar. 2. geheugen We hebben dit jaar slechts genoeg geheugen om 15GW aan gpu's te ondersteunen, terwijl de hyperscalers zich richten op 30-40 in de komende 2 jaar. We zitten hier een beetje krap - als Samsung, $MU of SK Hynix hun productie verknallen, dan zal dit weddenschap nummer 1 vertragen. Ook wie de meerderheid van deze geheugencapaciteit veiligstelt om gpu's te maken, wint het meest binnen de beperkte productiecapaciteit en op dit moment is dat $NVDA. 3. goedkopere, effectievere infrastructuur Nvidia's nieuwste gpu Vera Rubin is 5X beter presterend, maar belangrijker nog, 4X efficiënter in berekeningen, wat betekent dat de kosten voor inferentie zijn gedaald - frontier intelligence voor een habbekrats! Er zal dit jaar een overvloed aan rekenkracht beschikbaar zijn om AI te trainen, maar belangrijker nog, te gebruiken, dus de Jevons-paradox moet zich bewijzen door de stijgende vraag. Als dat faalt, dan vallen de bovenstaande twee in duigen. Persoonlijk maak ik me het minst zorgen over deze - ik denk dat agent harnesses en post-training RL de modellen zullen blijven versterken. Zeer optimistisch.