AI: het tijdperk van de rede is in zicht

Toen het iets meer dan twee jaar geleden werd uitgebracht, stelden we dat ChatGPT, het platform voor artificiële intelligentie (AI) van OpenAI, de belangrijkste technologische innovatie in generaties zou kunnen zijn. De daaruit voortvloeiende vooruitgang op het gebied van AI heeft dit beeld alleen maar versterkt. Maar er is een recentere, minder spraakmakende ontwikkeling die in onze ogen net zo revolutionair is: AI-modellen beginnen gebruik te maken van redenering.

Gezien de snelle innovatie – en onze verwachtingen voor wat een cruciaal jaar 2025 zou kunnen worden – zien we dit als een goed moment voor een update over AI en hoe dit de manier waarop we met technologie omgaan fundamenteel kan veranderen en de wereldeconomie opnieuw vorm kan geven.

Een terugblik

We zijn heel ver gekomen, en heel snel. ChatGPT werd al snel omarmd als een horizontaal platform dat de benutting van technologie zou kunnen veranderen. Het wordt steeds meer gebruikt voor verschillende functies, variërend van klantenondersteuning en contentcreatie tot codering en marketing. AI beperkt zich niet alleen tot diensten, maar wordt ook toegepast in de biologie en de biowetenschappen. ChaptGPT heeft gezelschap gekregen van andere fundamentele modellen, waaronder Claude, Google's Gemini, Lama en Mistral. Deze platforms hebben geconcurreerd tijdens de trainingsfase van AI, en tot nu toe hebben de schaalwetten - de functie van gegevensinvoer en rekencapaciteit die grotere resultaten opleveren - standgehouden.

Test-time inferentie - een nieuwe fase

Na een intensieve trainingsfase staan veel AI-modellen op het punt om over te stappen naar hun meer operationele fase van inferentie. Dit is interessanter gebleken dan verwacht. Het uiteindelijke doel is dat deze modellen het niveau bereiken van kunstmatige algemene intelligentie (AGI). Dit streven volgde een stapsgewijze aanpak tot eind 2024 met de release van OpenAI's Strawberry-platform, dat redenering en geheugen combineert met grote taalmodellen (LLM).

Wat betekent dit? In plaats van input te interpreteren en een 'volgende stap' te voorspellen, denken AI-modellen in plaats daarvan iteratief na over problemen om de beste oplossing of het beste traject voor de toekomst te vinden. Modellen kunnen nu leren van elke iteratie, waarbij elke extra stap gegevens oplevert waarnaar in future toepassingen kan worden verwezen. Dit zou moeten leiden tot een exponentieel grotere nauwkeurigheid. Deze vooruitgang wordt 'test-time inference' genoemd en we denken dat dit vooral nuttig zal zijn voor zeer complexe functies zoals wiskunde, natuurkunde, codering en andere toepassingen waarbij het beste antwoord prioriteit krijgt boven het snelste.

Test-time inference is vergelijkbaar met een computerprogramma dat is ontwikkeld door DeepMind van Alphabet om bordspellen te spelen. In tegenstelling tot andere programma's was DeepMind's AlphaGo niet vooraf geladen met informatie. Het kon alleen iteratief leren door spelletjes te spelen en was snel in staat om mensen te verslaan.

Een voorbeeld uit een professionele omgeving is een AI-startup die de technologie wilde inzetten voor paralegal werk. Het evolueerde al snel naar taken op het niveau van junior juridisch medewerker en het niveau van senior advocaat loopt waarschijnlijk niet veel achter. Binnen de academische wereld kunnen onderzoeksprojecten waarvoor eerder een paar junior onderzoekers nodig waren, nu tientallen AI-bots inzetten.

Deze vooruitgang in redenering door AI-modellen heeft de doelstellingen verlegd. Aanvankelijk was de verwachting dat schaalwetten minder belangrijk zouden worden naarmate de AI-trainingsfase volwassener werd. In plaats daarvan is er een nieuwe reeks schaalwetten ontstaan, deels als gevolg van de gegevens die worden geproduceerd in de fase van test-time inference. Om bij het academische voorbeeld te blijven: in de afgelopen twee jaar zijn AI-platforms geëvolueerd van middelbare scholier naar universiteitsstudent en leveren ze nu resultaten op die vergelijkbaar zijn met werk op Ph.D-niveau. De snelheid waarmee dit is gebeurd, heeft ons voor het eerst in staat gesteld om inzicht te krijgen in wat er nodig is om AGI te bereiken - een doorbraak die we binnen de komende drie jaar zouden kunnen zien.

Haastige spoed?

Tot nu toe is de uitrol van AI relatief ordelijk verlopen. Recente ontwikkelingen kunnen daar verandering in brengen. In plaats van de kapitaaluitgaven af te bouwen naarmate de trainingsfase volwassener wordt, zouden ze op hetzelfde niveau kunnen doorgaan omdat AI-platforms zich haasten om voldoende rekencapaciteit te verwerven om test-time inference uit te voeren.

Deze fase vereist platforms die dichter bij de klant staan, en de volgende generatie AI-innovators wordt al gefinancierd om op deze fundamenten voort te bouwen. Softwarebedrijven grijpen de omvang van deze opportuniteit aan als een kans om AI in hun aanbod te integreren, en dienstverleners zijn actief op zoek naar manieren om AI in te zetten om hun bedrijf te laten groeien en de efficiëntie te verbeteren. De tijd van minder kieskeurig investeren is voorbij en heeft plaatsgemaakt voor een tijdperk waarin resultaten en het generen van inkomsten centraal staan.

Naar de mainstream toe

De mogelijkheid blijft bestaan dat, naarmate de AI-trainingsfase volwassener wordt, schaalwetten minder rendement opleveren, waardoor de vraag naar kapitaalintensieve infrastructuur afneemt.

Het meest waarschijnlijke scenario is dat er nieuwe, aanvullende schaalwetten komen die volgens ons de AI-gerelateerde investeringen hoog zullen houden. Dit argument wordt versterkt door de AI-opportuniteit die verschuift van de softwaremarkt van $ 650 miljard naar de dienstensector met een omzet van meerdere biljoenen dollars. De vraag naar rekenkracht zal waarschijnlijk verder ondersteund worden, omdat AI meer omgevings- en multimodale inputs zoals spraak en beelden omvat.

Nu het potentieel van AI steeds duidelijker wordt, claimen spelers buiten de dienstensector en onderzoek ook hun aandeel. Overheden ontwikkelen 'soevereine AI' om gegevens te beschermen, het economische rendement te verhogen en een zekere mate van technologische onafhankelijkheid te behouden. Binnen de industrie proberen ondernemingen AI in te zetten om productieprocessen te optimaliseren, fabrieken te ontwerpen en efficiëntieverhogende bots in alle activiteiten te integreren.

Het perspectief van de belegger

Nu de computerintensiteit waarschijnlijk toeneemt met de inzet van test-time inference, zouden de recente indrukwekkende investeringsniveaus van hyperscalers de komende jaren kunnen worden volgehouden. Dit is gunstig voor producenten van grafische verwerkingseenheden (GPU's), toepassingsspecifieke geïntegreerde schakelingen (ASIC's) en andere segmenten die integraal deel uitmaken van de AI-infrastructuur. De introductie van de volgende generatie – en aanzienlijk krachtigere – GPU's zou deze trend alleen maar moeten versterken.

Binnen de softwaresector zou de verschuiving van AI-training naar redenering gunstig moeten zijn voor zowel infrastructuur- als applicatiesoftwarebedrijven. Deze laatste categorie zou een grotere vraag kunnen zien naarmate providers AI inzetten om oplossingen te leveren voor hoogwaardige bedrijfsprocessen en workflows. Ook internetbedrijven zullen waarschijnlijk de wind in de rug hebben, gezien hun eigenaarschap van LLM's en hun wereldwijde aanwezigheid.

Buiten de technologiesector is stroomvoorziening een probleem dat moet worden aangepakt omdat AI-platforms energie-intensief zijn. Hyperscalers kijken naar meerdere oplossingen om knelpunten in de energievoorziening te voorkomen. Die omvatten onder meer de inzet van speciale stroombronnen ter plaatse, co-locatie in de buurt van kerncentrales en bestudering van de haalbaarheid van kernreactoren met kleine modules en brandstofcellen.

Sinds de release van ChatGPT heeft AI de aandacht van beleggers getrokken. De vroegste iteraties konden zowel verfijnd als rudimentair lijken, en leverden soms dubieuze, en zelfs komische outputs op. Een intensieve trainingsfase heeft deze modellen verbeterd, en de opkomst van redenering kan resulteren in capaciteiten die nog maar een paar maanden geleden als theoretisch werden beschouwd.

De snelheid waarmee dit gebeurt, betekent dat er maar weinig segmenten van de wereldeconomie en financiële markten zijn die de impact van de toepassing van AI niet zullen voelen. Hoewel het AI-thema seculier is, denken we dat het redelijk is voor beleggers om te verwachten dat het AI-thema zich op korte tot middellange termijn zal vertalen in het genereren van inkomsten.

Belangrijke informatie

De De technologiesector kan een sterke negatieve impact ondervinden van veroudering van bestaande technologie, korte productcycli, prijs- en winstdalingen, concurrentie van nieuwe marktspelers en algemene economische omstandigheden. Een geconcentreerde belegging in één sector kan volatieler zijn dan de prestaties van minder geconcentreerde beleggingen en de markt als geheel.

Energiebedrijven kunnen heel gevoelig zijn voor schommelingen in de energieprijzen en in de vraag naar en het aanbod van brandstoffen, natuurbehoud, het succes van exploratieprojecten en fiscale en andere reglementering.

Geconcentreerde beleggingen in een enkele sector, bedrijfstak of regio zullen gevoeliger zijn voor factoren die van invloed zijn op die groep en kunnen volatieler zijn dan minder geconcentreerde beleggingen of de markt als geheel.