Microsoft vindt zuiniger recept om grote AI-modellen te trainen
Microsoft AI heeft de eerste trainingsfase van zijn nieuwe basismodel MAI-Base-2 afgerond. Volgens het bedrijf haalt het met zijn nieuwe aanpak hetzelfde niveau met 4 tot 12 keer minder rekenwerk dan een sterk Chinees model. Het model wordt nu verder getraind.
Het trainen van een groot AI-model kost enorm veel rekenkracht, stroom en geld. Wie een slimmere manier vindt om met minder rekenwerk hetzelfde resultaat te halen, kan voor hetzelfde budget een beter model bouwen. Precies dat zegt Microsoft nu te hebben gedaan.
Op 15 oktober 2026 beschreef Microsoft AI, de AI-afdeling van Microsoft onder leiding van Mustafa Suleyman, hoe het zijn nieuwe model MAI-Base-2 heeft getraind. Het is een basismodel: het resultaat van de eerste, grootste trainingsfase, waarin een model uit een gigantische berg tekst en beelden leert hoe taal en de wereld in elkaar zitten. Daarna volgt nog een tweede fase, waarin het model leert vragen te beantwoorden, te redeneren en te programmeren. Daar werkt Microsoft nu aan.
Een groot model, slim opgedeeld
MAI-Base-2 heeft 2,8 biljoen parameters. Dat zijn de instelbare getallen in een AI-model waarin zijn kennis zit. Het model is opgedeeld in vele kleinere specialisten. Bij elk woord doet maar een klein deel mee, ongeveer 80 miljard parameters. Je kunt het vergelijken met een groot ziekenhuis: niet alle artsen zien elke patiënt, alleen de specialisten die nodig zijn.
De training duurde 38 dagen, in augustus en september 2026, op ongeveer 16.000 krachtige AI-chips van Nvidia. Het model leerde van zo'n 50 biljoen stukjes tekst en beeld. Nieuw is dat het model meteen vanaf het begin ook met plaatjes is getraind, zoals grafieken, documenten met afbeeldingen en schermen van computers. Bij de vorige versie, MAI-Base-1 uit juni 2026, kon dat nog niet.
Vier tot twaalf keer zuiniger
Het opvallendste getal is de besparing. Volgens Microsoft zou een model met zijn trainingsrecept 4,2 tot 12,3 keer minder rekenwerk nodig hebben om even goed te scoren als DeepSeek-V4-Pro-Base, een sterk basismodel van het Chinese bedrijf DeepSeek. Ten opzichte van zijn eigen vorige model zegt Microsoft 6,3 tot 12,7 keer zuiniger te zijn.
Dat getal is een berekende schatting, geen directe wedstrijd tussen twee modellen. Microsoft heeft met kleinere proefmodellen wetmatigheden afgeleid: hoe goed een model wordt naarmate je er meer rekenwerk in stopt. Daarmee rekende het bedrijf uit hoeveel rekenwerk zijn recept nodig zou hebben om DeepSeek te evenaren, en vergeleek dat met wat DeepSeek echt gebruikte. De besparing heeft Microsoft niet gebruikt om goedkoper te trainen, maar om een groter en beter model te bouwen.
Wat zit er achter de besparing?
Microsoft noemt een aantal technische verbeteringen. Het bedrijf stapte over op een nieuwere rekenmethode om het model tijdens de training bij te sturen, die bij andere onderzoekers ook al zuiniger bleek. Verder gaat er geen tekst meer verloren als sommige specialisten in het model het te druk hebben: die stukjes komen gewoon in een extra ronde aan de beurt. En het team bewaakt de training op meer plekken tegelijk, zodat die rustiger verloopt. Die bewaking bracht zelfs een fout aan het licht in de manier waarop programmeercode was voorbereid. Ook de betere kwaliteit van de trainingsdata telt volgens Microsoft zwaar mee.
Wat er nog komt
Hoe goed MAI-Base-2 straks echt is in programmeren, wiskunde of het uitvoeren van taken, moet de tweede trainingsfase laten zien. Microsoft wil die resultaten binnenkort delen. Onafhankelijke metingen zijn er nog niet. Het model wordt niet vrij beschikbaar: Microsoft wil het via zijn platform Foundry aan zakelijke partners aanbieden. Ondertussen is het werk aan MAI-Base-3 al begonnen.
Wat betekent dit voor de weg naar de singulariteit?
De snelheid waarmee AI beter wordt, hangt niet alleen af van meer chips, maar ook van slimmere recepten. Een sprong van vier tot twaalf keer in efficiëntie in een paar maanden tijd betekent dat dezelfde datacenters veel meer kunnen opleveren. Dat geldt voor iedereen: zulke verbeteringen worden vaak snel overgenomen door andere labs.
Mooi is ook hoe dit soort onderzoek steeds meer op zichzelf voortbouwt. Microsoft voorspelde met kleine proefmodellen hoe het grote model zich zou gedragen, en dat werkte. Hoe beter die voorspellingen worden, hoe minder dure mislukkingen er zijn. En AI-modellen die zelf helpen met het ontwerpen van zulke proeven en het opsporen van fouten in de data, maken die cirkel nog sneller.
