AMD heeft op 6 augustus 2026 aangekondigd dat het Taalas overneemt, een chipbedrijf uit Toronto dat een eigenzinnige gok heeft genomen: het brandt een compleet AI-model rechtstreeks in het silicium. Geen software die gewichten uit het geheugen ophaalt, maar een chip die van fabriek af weet welk model hij moet draaien. De bedragen zijn niet bekendgemaakt; de deal sluit naar verwachting in het vierde kwartaal (Bron: The Register).
Wat doet Taalas eigenlijk?
De meeste AI-chips zijn generalisten. Ze kunnen elk model draaien, zolang je de gewichten maar in het geheugen laadt. Dat is handig, maar het kost stroom en het vraagt om dure geheugenchips (het HBM-geheugen dat de hele AI-industrie schaars houdt).
Taalas draait die logica om. Het bedrijf ontwerpt chips voor precies één model en etst de gewichten van dat model direct in de metaallagen van de chip (Bron: The Next Platform). Het model zit dan letterlijk in de hardware gebakken. Bajic en zijn team noemen het “Hardcore Models”: modelspecifieke chips die de dataflow van inference optimaliseren en de geheugen-flessenhals grotendeels wegnemen.
Beginner-tip:inferenceis het dagelijkse gebruik van een AI-model — het moment dat jij een vraag stelt en antwoord krijgt. Trainen doe je één keer; inference gebeurt miljarden keren per dag. Daar zit dan ook het grootste deel van de rekening.
Hoe snel is dat dan?
Snel genoeg om op te vallen. Taalas’ eerste product, de HC1, is gebouwd rond Meta’s Llama 3.1 8B en haalde bij de aankondiging in februari 2026 zo’n 16.960 tokens per seconde. Dat was volgens het bedrijf 48 keer sneller dan een Nvidia-GPU en 8,5 keer sneller dan de accelerator van Cerebras (Bron: The Next Platform).
Dat zijn cijfers van de fabrikant zelf, dus enige voorzichtigheid is op zijn plaats. Maar de richting is duidelijk: door het model in de chip te bakken, verdwijnt een hoop overhead die een gewone GPU wél heeft.
En de keerzijde?
Die is fundamenteel. Wie een model in silicium giet, zit eraan vast. Een aanpassing die groter is dan een kleine bijstelling — iets meer dan een LoRA-adapter — vraagt om een compleet nieuwe chip. Dat is duur en het duurt lang. Taalas zegt een nieuw model in ongeveer twee maanden in hardware te kunnen realiseren (Bron: The Register).
In een wereld waarin er elke paar maanden een nieuw, beter model verschijnt, is dat een reëel risico. Je koopt topsnelheid, maar levert flexibiliteit in.
Gevorderden:Taalas is niet de enige die deze weg bewandelt. Het Amerikaanse Etched haalde eerder geld op voor een vergelijkbaar idee: chips die zijn toegespitst op de transformer-architectuur in plaats van op alle mogelijke berekeningen. De vraag voor de hele categorie is dezelfde — hoe houd je een chip relevant als de modellen sneller veranderen dan het silicium?
Waarom koopt AMD dit?
Omdat de strijd om AI allang niet meer alleen over trainen gaat. Het draaien van modellen — inference — wordt de grootste kostenpost, en daar wil AMD Nvidia bijbenen. Het bedrijf zegt de Taalas-techniek te willen inpassen in zijn bredere roadmap, naast zijn Instinct-GPU’s, EPYC-processoren, het Helios-rackplatform en de ROCm-software (Bron: CNBC).
Er zit ook een persoonlijke lijn in dit verhaal. Taalas-topman Ljubisa Bajic richtte eerder chipbedrijf Tenstorrent op en werkte daarvoor als chiparchitect bij AMD. Het bedrijf werd pas in 2023 opgericht en haalde in totaal meer dan 219 miljoen dollar op bij investeerders als Quiet Capital en Fidelity. Nu keert de techniek — en de man — terug bij AMD.
Wat merk jij hier uiteindelijk van?
Waarschijnlijk niet meteen iets. Maar de onderliggende beweging raakt je wel. Als het draaien van AI goedkoper en zuiniger wordt, dalen op termijn de prijzen van de AI-diensten die je gebruikt, en drukt het de energiehonger van datacenters. Dat laatste is in Nederland geen abstractie: datacenters en hun stroomverbruik staan hier volop in de discussie over netcongestie en ruimte.
Of het “model in silicium branden” de standaard wordt of een niche blijft, is nog niet te zeggen. Maar dat een grote speler als AMD er een chequeboek voor trekt, laat zien dat de industrie serieus zoekt naar manieren om AI niet alleen slimmer, maar vooral goedkoper te laten draaien.