Deze onderzoeker bouwde AlphaGo opnieuw tijdens zijn sabbatical

Wat tien jaar geleden een team van DeepMind-onderzoekers en miljoenen dollars kostte, deed Eric Jang afgelopen maanden in zijn eentje voor ongeveer 10.000 dollar aan gehuurde rekenkracht. Op sabbatical bouwde de voormalig VP of AI bij 1X Technologies een werkende AlphaGo from scratch. In gesprek met Dwarkesh Patel legt hij uit hoe dat kon, en wat het betekent dat capaciteiten die ooit alleen voor frontier labs waren weggelegd, nu binnen het budget van een individuele onderzoeker liggen.

Wat hier gebeurt

Jang gebruikte LLM-coding assistenten, voornamelijk Claude Opus 4.6 en 4.7, om het hele systeem te schrijven en te trainen. De factoren die de prijs van 10.000 dollar mogelijk maken zijn niet exotisch. Nvidia-GPU's zijn sneller geworden. Een open-source project uit 2020 (KataGo) liet zien dat je veertig keer minder rekenkracht nodig hebt om een sterke Go-bot te trainen. En LLM's blijken inmiddels zo bedreven in onderzoekswerk dat ze het engineering-werk overnemen dat vroeger het team van DeepMind weken kostte.

De redenering achter de prijsdaling is in zekere zin saai. Compute wordt goedkoper, kennis verspreidt zich, en betere tools maken individuele onderzoekers productiever. Maar het effect is opvallend: een capaciteit die in 2017 het toppunt van AI-onderzoek vertegenwoordigde, kan nu in een paar weken worden gereproduceerd door iemand die op sabbatical is.

Een patroon dat we vaker zien

Dit is geen geïsoleerd verhaal. Het sluit aan op een bredere beweging die we eerder zagen bij DeepSeek, dat liet zien dat topmodellen veel goedkoper kunnen dan iedereen aannam, en bij kleine startups die nu eigen modellen van 400 miljard parameters bouwen. Het verhaal van AI-capaciteit als exclusieve eigenschap van een handvol gigantische labs houdt steeds minder stand.

Jang merkt op dat dit een terugkerend patroon is. De compute die nodig is om iets als eerste te doen is altijd veel groter dan de compute die nodig is om bij te benen. Wie achteraan komt, kan profiteren van distillatie, betere initialisaties, en alle trucs die de voorlopers met vallen en opstaan ontdekten. De voorsprong van frontier labs is reëel, maar smelt sneller dan veel directies aannemen bij hun investeringsbeslissingen.

Wat dit betekent voor jouw organisatie

Twee observaties die direct raken aan beslissingen die directies vandaag al maken.

De eerste: de aanname dat AI alleen ingekocht kan worden bij een handvol grote leveranciers, klopt steeds minder. Een eigen taalmodel bouwen blijft buiten bereik, maar de bouwblokken eronder, open-source modellen, AI-coding assistenten, gehuurde rekenkracht, maken het haalbaar om voor specifieke toepassingen iets te ontwikkelen dat precies aansluit op jouw werkprocessen. Dat verandert de afweging tussen "we kopen een SaaS-licentie" en "we laten dit op maat bouwen", en het schuift de grens op van wat een interne ontwikkelaar of een externe partner voor jou kan maken zonder dat de kosten richting een miljoenenproject lopen. De vraag verschuift van "kan dit überhaupt?" naar "wat is het ons waard om dit op maat te hebben?".

De tweede observatie komt uit Jang's eerlijke beschrijving van wat AI in zijn project wel en niet deed. AI nam veel uitvoerend werk over: experimenten draaien, hyperparameters optimaliseren, code schrijven. Het stellen van de juiste vervolgvraag bleef zijn eigen werk. Hij moest zelf de richting bepalen, infra-bugs vinden, en weten wanneer een doodlopend spoor verlaten moest worden. Dat patroon zal bekend voorkomen voor wie nu een AI-traject in zijn organisatie heeft lopen: AI versnelt de uitvoering, mensen blijven verantwoordelijk voor de koers. Dat is ook waarom de leider in de AI-race vandaag niet automatisch de winnaar van morgen is. De echte slag wordt gevoerd op het niveau van toepassing, en daar telt het oordeel van de mens nog onverminderd.

De vraag voor directies

Welke aannames in jouw AI-strategie zijn gebaseerd op het idee dat alleen de grote labs iets relevants kunnen bouwen? En wat zou je anders doen als die aanname binnen twee jaar niet meer klopt? Wij denken graag mee over hoe je daar regie op houdt. Plan een kennismaking in.