Energie is de grote bottleneck voor AI. Bij zowel fysieke als softwarematige AI is het niet alleen zo dat de ingrediënten moeten veranderen, maar ook het hele recept: 1) we hebben oneindige en marginale kosteloze energie nodig. Dit betekent een ensemble van energiebronnen die samen kunnen werken en energie KUNNEN produceren VANDAAG (bijvoorbeeld nucleair is echt geen optie voor 2032, het bouwen van een aardgas- of kolencentrale met een meerjarige achterstand voor onderdelen is ook geen optie op korte termijn tot 2030+) wat betekent dat we Zonne-energie + Opslag nodig hebben omdat het binnen 12-17 maanden online kan komen na goedkeuring. Geen ontkomen aan. 2) maar voor energieopslag om economisch op te schalen in het licht van Foreign Entity of Concern (FEOC)/Prohibited Foreign Entity (PFE) moet je binnenlandse LFP CAM-leveranciers voor de ESS-leveringsketen vinden. Er zijn er heel weinig. 3) je moet de totale energievoetafdruk van de datacenters verlagen, wat betekent dat HVAC opnieuw moet worden doordacht - er moet een geheel nieuw soort warmtepomp worden uitgevonden. Dit nieuwe apparaat, hoewel het een superieur profiel heeft, moet ook de voor altijd chemicaliën elimineren die nu verboden zijn en moeten worden afgebouwd. 4) de chips zelf moeten opnieuw worden ontworpen voor performante, energie-efficiënte inferentie. Geheugendesign, c2c, bekabeling en allerlei andere ontwerpeisen die goed werken voor training, zullen waarschijnlijk niet opschalen voor inferentie als inferentie 100x+ groter is dan training. 4) in fysieke AI, na opslag (zie hierboven) zijn overvloedige RE's essentieel voor enige vorm van beweging/actuatie. Maar het verkrijgen van RE's uit de grond, in een oxide en vervolgens in een legering die kan worden gemaakt tot permanente magneten... is een enorme oefening in energie. En de lijst gaat maar door... . . . Mijn punt is dat als je je richt op AI, je aandacht moet beginnen te besteden aan energie, want het zal de poortwachter zijn van vooruitgang/verandering in de komende jaren in AI.