Van Moore’s Law naar “OpenAI’s Law”: De Exponentiële Trajectorie van AI-Ontwikkeling

Kunstmatige intelligentie ontwikkelt zich met een snelheid die moeilijk te begrijpen is. Om dit fenomeen te beschrijven, zijn insiders begonnen met het verwijzen naar wat sommigen “OpenAI’s Law” noemen – een moderne parallel met Moore’s Law, maar veel steiler. Deze term werd breder bekend gemaakt in het boek Empire of AI, dat de opkomst van OpenAI en de ontwikkeling van kunstmatige algemene intelligentie (AGI) beschrijft. In het boek wordt “OpenAI’s Law” gebruikt om de snelle toename van de rekenkracht die nodig is voor het trainen van frontier-AI-modellen te beschrijven, en dus de AI-mogelijkheden, over de afgelopen decennium.

Terwijl het geen formele wetenschappelijke wet is, verwijst OpenAI’s Law naar een echte en meetbare trend: de snelle verdubbeling van de rekenkracht die wordt gebruikt voor het trainen van frontier-AI-modellen, met een tempo dat veel sneller is dan Moore’s Law. In praktische termen is de AI-rekenkracht ongeveer elke drie tot vier maanden verdubbeld, in vergelijking met de 18-24 maanden van Moore. Deze exponentiële curve vormt de basis voor de moderne AI-boom en zet de toon voor een toekomst die sneller arriveert dan de meeste mensen verwachten.

Moore’s Law: De Motor Die De Digitale Tijd Periode Aandreef

Moore’s Law was de drijvende kracht achter de opkomst van personal computers, smartphones en cloud computing. Het voorspelde dat het aantal transistors op een chip ongeveer elke twee jaar zou verdubbelen, wat leidde tot exponentiële verbeteringen in rekenkracht, energoefficiëntie en kostenvermindering.

Decennialang gold dit eenvoudige patroon, waardoor elke generatie hardware exponentieel krachtiger werd dan de vorige. Maar toen fysieke en economische limieten in de jaren 2010 werden bereikt, begon Moore’s Law te vertragen. Ingenieurs reageerden door meer cores, 3D-chip-stacking en gespecialiseerde processors te gebruiken om de prestaties te verlengen, maar de gemakkelijke winsten waren verdwenen.

Het was rond deze tijd dat AI-onderzoek, aangedreven door diepe leertheorie-doorbraken, begon af te wijken van de traditionele traject van Moore’s Law.

De Geboorte Van OpenAI’s Law: AI’s Explosieve Rekenkrachtcurve

In het begin van de jaren 2010 ontdekten onderzoekers dat het voeden van meer rekenkracht aan grote neurale netwerken leidde tot steeds krachtigere AI-mogelijkheden. Vanaf ongeveer 2012 begon de hoeveelheid rekenkracht die werd gebruikt in de grootste AI-trainingsruns ongeveer elke 3 tot 4 maanden te verdubbelen.

Dit was een verbazingwekkende versnelling – veel sneller dan Moore’s Law. Over een periode van zes jaar nam de rekenkracht die werd gebruikt in state-of-the-art AI-modellen met meer dan 300.000× toe. Terwijl Moore’s Law slechts een 7× toename in die tijd zou hebben geleverd, steeg de AI-rekenkracht door agressieve schaling.

Dit fenomeen kreeg de informele naam OpenAI’s Law – een door de organisaties zelf opgelegde traject, zoals OpenAI, die geloofden dat het schalen van modelgrootte en rekenkracht de snelste weg was naar kunstmatige algemene intelligentie (AGI). Het boek Empire of AI beschrijft deze verschuiving in detail, waarin wordt uitgelegd hoe OpenAI en zijn leiderschap zich aan deze strategie hebben gecommitteerd, ondanks de stijgende kosten, omdat ze geloofden dat het de meest directe route was naar het ontgrendelen van transformatieve mogelijkheden.

Critici stellen dat OpenAI’s Law niet een fysieke noodzakelijkheid is – het is een strategische beslissing. Het geloof dat “meer rekenkracht gelijk beter AI” werd een leidende principie, ondersteund door massale investeringen, infrastructuuruitbreidingen en partnerschappen met cloud-aanbieders.

De Schalingshypothese En De Nieuwe Wedloop

Onder OpenAI’s Law ligt de schalingshypothese: de gedachte dat het simpelweg maken van modellen groter en trainen op meer gegevens met meer rekenkracht leidt tot kwalitatief betere resultaten. Deze hypothese kreeg tractie toen elk succesvol model – GPT-2, GPT-3, GPT-4 – sprongen in vloeiendheid, redenering en multimodale begrip liet zien.

In het hart van deze trend ligt een intense concurrentie tussen technologiebedrijven om de frontier van AI te domineren. Het resultaat is een soort wedloop, waarbij elke nieuwe mijlpaal exponentieel meer computationele middelen vereist dan de vorige.

Het trainen van grote modellen vereist nu tienduizenden high-end GPUs die in parallel werken. Prognoses voor toekomstige modellen omvatten rekenkundige budgetten die kunnen benaderen of zelfs overschrijden $100 miljard, met enorme energievraag en infrastructuurbehoeften.

Deze trend heeft geleid tot een nieuwe soort exponentiële curve – een die niet langer wordt gedefinieerd door transistoraantallen, maar door de bereidheid en capaciteit om rekenkracht te schalen tegen elke prijs.

Hoe Het Vergelijkt: Huang’s Law En Kurzweil’s Law Van Versnellende Terugkeer

Om de betekenis van OpenAI’s Law volledig te begrijpen, helpt het om andere fundamentele kaders te onderzoeken die onze kennis van technologische vooruitgang vormen, voorbij Moore’s Law.

Huang’s Law, genoemd naar NVIDIA (NVDA ) CEO Jensen Huang, beschrijft de observatie dat GPU-prestaties voor AI-werklasten sneller zijn verbeterd dan Moore’s Law. Over een periode van vijf jaar hebben GPUs prestatieverbeteringen van meer dan 25× gezien, ver boven de ongeveer 10× verbeteringen die onder traditionele transistor schaling worden verwacht.

Dit versnelling is niet alleen te wijten aan chipdichtheid – het is het resultaat van systeemniveau-innovatie. Verbeteringen in GPU-architectuur, toegenomen geheugencapaciteit, hoge-snelheidsinterconnects en vooruitgang in software-ecosystemen zoals CUDA en diepe leertheorie-bibliotheken hebben allemaal bijgedragen tot deze winsten. Ingenieursoptimalisaties in planning, tensoroperaties en parallelisme hebben ook een vitale rol gespeeld.

Prestatieverbeteringen in single-GPU-inferentie- en trainingsTaken hebben tot 1.000× bereikt over de afgelopen decennium, aangedreven door deze samengestelde stapel van hardware- en software-innovatie. In feite is de GPU-capaciteit voor AI-taken ongeveer elke 6 tot 12 maanden verdubbeld – drie tot vier keer sneller dan Moore’s oorspronkelijke curve. Dit onophoudelijke tempo heeft GPUs tot de onmisbare motoren van moderne AI gemaakt, waardoor de massale parallelle trainingsruns die onder OpenAI’s Law vallen, mogelijk worden.

Kurzweil’s Law van Versnellende Terugkeer neemt het idee van exponentiële groei een stap verder – het stelt voor dat de snelheid van exponentiële groei zelf versnelt over tijd. Volgens dit principe leidt elke technologische doorbraak niet alleen tot een eenmalige vooruitgang; het creëert de instrumenten, platforms en kennis die de volgende doorbraak sneller en efficiënter maken. Dit leidt tot een cumulatief effect waarbij technologische verandering voedt op zichzelf, versnelt in zowel schaal als frequentie.

Kurzweil heeft betoogd dat deze dynamiek de 21e eeuw kan doen ervaren wat zou zijn geweest aan eeuwen van vooruitgang in slechts enkele decennia. Als de vooruitgangssnelheid elke decennium verdubbelt, kan de 21e eeuw een verbazingwekkende sprong ervaren – equivalent aan tienduizenden jaren van vooruitgang op historische tarieven.

Dit principe is bijzonder relevant voor AI. Moderne AI is niet langer alleen een onderwerp van vooruitgang – het is een versneller van vooruitgang. AI-systemen helpen nu bij het ontwerpen van nieuwe chips, het optimaliseren van neurale netwerken, het uitvoeren van wetenschappelijk onderzoek en zelfs het schrijven van de code die wordt gebruikt om hun opvolgers te bouwen. Dit creëert een recursieve verbeteringslus, waarin elke generatie AI de volgende verbetert, ontwikkelingstijden verkort en capaciteiten vermeerdert.

Deze feedbacklus begint te lijken op wat sommigen een intelligentie-explosie noemen: een scenario waarin AI-systemen in staat zijn om zichzelf snel te verbeteren zonder menselijke interventie. Het resultaat is een curve die niet alleen steil stijgt – het buigt dramatisch omhoog, aangezien iteratiecycli ineenstorten en doorbraken zich opstapelen. Als deze trend aanhoudt, kunnen we een fase van technologische vooruitgang meemaken die bijna onmiddellijk lijkt – waarin hele industrieën, wetenschappelijke gebieden en denkwijzen in maanden in plaats van decennia evolueren.

OpenAI’s Law past binnen deze lijn als een vraagzijde-uitdrukking van exponentiële groei. In tegenstelling tot Moore’s of Huang’s Law, die de snelheid van hardware-verbeteringen beschrijven, reflecteert OpenAI’s Law hoeveel rekenkracht onderzoekers daadwerkelijk kiezen te consumeren bij het streven naar betere resultaten. Het toont aan dat AI-vooruitgang niet langer strikt gebonden is aan wat chips kunnen doen, maar eerder aan wat onderzoekers bereid – en in staat – zijn om te schalen. Aangedreven door uitgebreide cloud-infrastructuur en miljarden aan investeringen, belichaamt OpenAI’s Law een nieuwe tijdperk waarin capaciteit groeit niet alleen door innovatie, maar door intentionele, geconcentreerde kracht.

Samen schetsen deze wetten een multidimensionaal beeld van exponentiële groei. Moore en Huang definiëren de aanbodzijde van rekenkracht. Kurzweil kaart de meta-trend van cumulatieve vooruitgang. En OpenAI’s Law benadrukt een nieuw soort technologische ambitie – waar het pushen van grenzen niet langer optioneel is, maar de centrale strategie.

De Belofte: Waarom Exponentiële AI Eruit Springt

De implicaties van OpenAI’s Law zijn diepgaand.

Aan de optimistische kant heeft exponentiële schaling verbazingwekkende resultaten opgeleverd. AI-systemen kunnen nu essays schrijven, code genereren, helpen bij wetenschappelijk onderzoek en deelnemen aan verrassend vloeiende conversaties. Elke 10× toename in schaal lijkt nieuwe emergente capaciteiten te ontgrendelen, wat suggereert dat we misschien dichter bij AGI komen.

AI kan binnenkort industrieën transformeren, van onderwijs en gezondheidszorg tot financiën en materiaalwetenschap. Als OpenAI’s Law aanhoudt, kunnen we doorbraken meemaken die decennia van innovatie in enkele jaren samenpersen.

Dit is de essentie van een nieuwe term die we hebben bedacht: “AI-ontsnappingsnelheid” – het moment waarop AI zichzelf begint te verbeteren, waardoor vooruitgang in een zelfversterkende, exponentiële stoot terechtkomt.

De Prijs: Milieukundige, Economische En Ethische Kosten

Maar exponentiële groei komt niet zonder kosten.

Het trainen van frontier-modellen verbruikt nu enorme hoeveelheden elektriciteit en water. Het gebruik van duizenden GPUs gedurende weken creëert serieuze milieubezorgdheden, waaronder koolstofemissies en thermisch afval. De toeleveringsketens voor AI-chips staan ook onder druk, waardoor geopolitieke en duurzaamheidskwesties ontstaan.

Financieel gezien kunnen alleen de grootste technologiebedrijven of goed gefinancierde startups zich deze curve veroorloven. Dit leidt tot een concentratie van macht, waar een kleine groep organisaties de frontier van intelligentie controleert.

Ethisch gezien moedigt OpenAI’s Law een wedloop-mentaliteit aan – groter, sneller, eerder – die kan leiden tot premature implementatie, ongeteste systemen en veiligheidsmaatregelen. Er is een groeiende bezorgdheid dat sommige frontier-modellen mogelijk worden vrijgegeven voordat de samenleving volledig begrijpt wat hun impact is.

Om dit te mitigeren, hebben onderzoekers governance-kaders voorgesteld die AI-ontwikkeling volgen, niet door wat modellen doen, maar door hoeveel rekenkracht er is gebruikt om ze te trainen. Aangezien rekenkracht een van de beste voorspellers van modelcapaciteit is, kan het een proxy worden voor risicobeoordeling en regulering.

Grenzen Van Schaling: Wat Gebeurt Als De Curve Buigt?

Ondanks de indrukwekkende winsten is er debat over hoe lang de schalingstrend kan aanhouden. Sommigen geloven dat we al afnemende rendementen zien: grotere modellen verbruiken meer rekenkracht, maar leveren alleen marginale verbeteringen.

Anderen beweren dat doorbraken in efficiëntie, algoritme-ontwerp of modelarchitectuur de curve kunnen vlakken zonder de vooruitgang te vertragen. Kleinere, slimmere modellen kunnen aantrekkelijker worden dan brute-force reuzen.

Bovendien kunnen publieke druk, regulering en infrastructuurbeperkingen de industrie ertoe dwingen de “schalen tegen elke prijs”-mentaliteit te heroverwegen. Als stroomnetten, budgetten of sociale toestemming niet kunnen bijhouden, kan exponentiële AI tegen een plafond aanlopen – of tenminste een keerpunt bereiken.

De Weg Vooruit: Het Toekomstige Pad Van Exponentiële AI

Voorlopig blijft OpenAI’s Law een van de duidelijkste lenzen waardoor we de toekomst van kunstmatige intelligentie kunnen bekijken. Het legt uit hoe we zijn overgegaan van rudimentaire chatbots naar multimodale generalistische systemen in minder dan een decennium – en waarom de volgende golf van vooruitgang mogelijk nog dramatischer kan zijn.

Toch komt de wet ook met compromissen: toegangsongelijkheid, stijgende kosten, milieubelasting en veiligheidsuitdagingen. Terwijl we deze nieuwe tijdperk binnenrijden, zal de samenleving fundamentele vragen moeten stellen:

• Wie mag de toekomst van AI vormgeven?
• Hoe balanceren we vooruitgang met voorzichtigheid?
• Welke systemen zijn nodig om exponentiële capaciteit te beheren voordat het de menselijke controle ontstijgt?

OpenAI’s Law is niet onveranderlijk. Net als Moore’s Law ervoor, kan het uiteindelijk vertragen, afvlakken of worden vervangen door een nieuw paradigma. Maar voorlopig dient het als zowel een waarschuwing als een roadmap – herinnerend ons eraan dat de toekomst van AI niet alleen vooruitgaat, maar ook exponentieel versnelt.

We zijn niet alleen getuige van de geschiedenis – we zijn het aan het ontwerpen met exponentiële snelheid. Maar met die kracht komt een verantwoordelijkheid: ervoor zorgen dat de mensheid geen exponentiële schade lijdt naast exponentiële vooruitgang.