Vitalik Buterin test lokale AI op laptop met AMD-chip
Buterin ziet lokale AI als praktische optie voor gevoelige taken rond wallets en code, mede dankzij AMD’s Strix Halo met veel gedeeld geheugen.
Korte samenvatting
- Vitalik Buterin testte Alibaba’s Qwen3.8-Flash-Next op zijn laptop met AMD Strix Halo en vond lokale AI al bruikbaar voor alledaagse taken.
- De Strix Halo-chip maakt meer geheugen beschikbaar voor AI-modellen, waardoor zwaardere modellen op één laptop kunnen draaien zonder cloudserver.
- Buterin benadrukt het privacyvoordeel van lokale AI, vooral voor gevoelige informatie zoals wallet-adressen, privécode en namen.
Ethereum-cofounder Vitalik Buterin zegt dat lokale AI inmiddels een groot deel van alledaagse taken kan afhandelen. Hij draaide Alibaba’s Qwen3.8-Flash-Next op zijn eigen laptop en deelde daarbij snelheidsresultaten die volgens hem laten zien dat dit soort modellen steeds bruikbaarder wordt zonder cloudserver.
Lokale AI wordt praktischer
Buterins test draaide op een laptop met AMD’s Strix Halo-chip. Die chip combineert processor en grafische rekenkracht op één stuk silicium en laat beide delen één geheugenpool gebruiken. Dat is belangrijk, omdat een AI-model eerst in het geheugen moet passen voordat het überhaupt kan draaien.
Volgens de beschrijving in de test is dat precies waar veel gewone laptops nog tekortschieten. Een losse grafische kaart heeft vaak 8 tot 24 gigabyte geheugen, terwijl Strix Halo-machines tot 128 gigabyte kunnen bieden die door beide delen van de chip gebruikt kan worden. Daardoor kan een model dat eerder serverhardware nodig had, nu op één laptop draaien.
De groeiende vraag naar rekenkracht laat zien waarom zulke lokale systemen extra interessant worden: bedrijven zoeken nog altijd massaal naar manieren om AI-infrastructuur te financieren en uit te breiden. Buterins test laat juist zien dat een deel van die rekenlast mogelijk dichter bij de gebruiker kan verschuiven.
De snelheid leek volgens Buterin goed genoeg voor normaal werk. Korte prompts kwamen snel terug, terwijl zeer lange documenten merkbaar trager gingen. Dat maakt duidelijk dat lokale AI al ver is, maar nog niet overal even soepel werkt.
Privacy speelt een grotere rol
Buterin ziet naast snelheid vooral een privacyvoordeel. Een lokaal model verwerkt de vraag op het apparaat zelf, waardoor een provider de prompt niet hoeft te ontvangen. Voor gebruikers die gevoelige informatie delen, kan dat een groot verschil maken.
Hij schetst ook een hybride aanpak. Een lokaal model kan eerst gevoelige details uit een vraag halen, zoals namen, wallet-adressen of privécode, en daarna alleen de resterende vraag doorgeven aan een groter hosted model. Dat zou de hoeveelheid data die het apparaat verlaat beperken, al biedt het geen absolute garantie dat niets gevoeligs ontsnapt.
Die nadruk op privacy past bij een bredere trend in AI. Lokale modellen winnen aan terrein omdat ze data volledig op het eigen apparaat verwerken, zonder overdracht naar externe servers. Tegelijk laten bedrijven als Nvidia en Palantir zien dat privacy en databeheer steeds zwaarder meewegen bij het gebruik van geavanceerde AI-modellen.
Waarom dit crypto raakt
Voor crypto-gebruikers is dit relevant omdat veel dagelijkse taken rond wallets, code en persoonlijke data juist gevoelig zijn. Een lokale AI-opzet kan in zulke gevallen aantrekkelijk zijn, omdat minder informatie naar buiten hoeft. Buterin koppelt dat bovendien aan zijn eerdere zorgen over toezicht en dataverzameling, een thema dat in de cryptowereld al langer leeft.
De bredere vraag is niet alleen hoe slim AI wordt, maar ook waar die rekenkracht draait. Als steeds meer standaardtaken lokaal kunnen worden afgehandeld, verschuift een deel van de controle van cloudplatforms naar de gebruiker zelf.
