Tesla AI5 claimt 2-3x efficiëntie ten opzichte van Nvidia
Topman Elon Musk van Tesla (Tesla) heeft in een recent gesprek met hedgefondsmanager Ron Baron beweerd dat de aanstaande AI5 inferentiechip van het bedrijf twee tot drie keer de prestaties per watt van Nvidia-producten zal leveren, tegen ongeveer 10% van de kosten. De bewering, die Musk in eigen bewoordingen deed en die niet is gevalideerd door onafhankelijke benchmarks, kwam in dezelfde week dat OpenAI’s (OpenAI) Jalapeño-chip de eerste inferentie-ASIC werd die onafhankelijk de Blackwell GPU’s van Nvidia (Nvidia) overtrof op het gebied van prestaties per watt. Dit biedt analisten en investeerders de duidelijkste externe referentie tot nu toe om de plausibiliteit van Tesla’s bewering te beoordelen.
Het gesprek, dat op 24 augustus op X werd geplaatst en de volgende dag onafhankelijk werd behandeld door diverse financiële media, bevatte de meest precieze openbare beschrijving die Musk heeft gegeven van de concurrentiepositie van de AI5. Musk liet weten dat de chip waarschijnlijk minstens twee tot drie keer beter zal zijn dan Nvidia in prestaties per watt, op inferentieniveau in de auto en de robot, en dat deze ongeveer 10% van de kosten van een Nvidia-chip zal bedragen.
Dat is een aanzienlijke technische claim. Het is op dit moment echter volledig Musks eigen karakterisering – gemeten aan de hand van de specifieke workloads voor autonoom rijden en robotica van zijn bedrijf, met behulp van een vergelijkingsmethodologie die hij niet heeft gepubliceerd, en vergeleken met Nvidia-hardware die nooit is ontworpen om te draaien binnen het stroombudget van een voertuigaccu.
De bewijzen van Jalapeño en de veranderende vraag
Op 25 augustus publiceerde SemiAnalysis de InferenceX benchmarkresultaten voor OpenAI’s Jalapeño ASIC, een chip die samen met Broadcom (Broadcom) werd ontwikkeld en geproduceerd via het N3P-proces van TSMC (TSMC). Het resultaat: Jalapeño leverde 1,5 tot 1,9 keer meer AI-werk per watt dan Nvidia’s GB200- en GB300 Blackwell-systemen, gemeten over drie geteste modellen – GPT-OSS 120B, DeepSeek R1 670B en Kimi K2.5 1T – in tests die in het laboratorium van OpenAI werden uitgevoerd, in aanwezigheid van ingenieurs van SemiAnalysis.
Lead analist Dylan Patel van SemiAnalysis beschreef het resultaat als het verslaan van “elke Nvidia-, AMD- en Google-chip die we hebben kunnen testen.” Tom’s Hardware merkte op dat het voordeel van Jalapeño’s HBM4-geheugen – met een 700-watt pakket dat de rekendie combineert met zes stapels HBM4-geheugen voor een bandbreedte van 15,4 terabytes per seconde – betekende dat Nvidia’s 1.400-watt GB300 ongeveer 50% minder geheugen per watt aan nominaal vermogen behaalde.
Het Jalapeño-resultaat is op twee specifieke manieren van belang voor de AI5-discussie. Ten eerste bevestigt het dat een speciaal gebouwde inferentie-ASIC de algemene flagship van Nvidia met 1,5 tot 1,9 keer kan overtreffen in prestaties per watt. Dit plaatst Musks onbewezen claim van twee tot drie keer in het rijk van directionele plausibiliteit in plaats van pure fantasie. Ten tweede stelt het een plafond in voor het huidige onafhankelijke bewijs: het beste onafhankelijk geteste inferentie-ASIC-voordeel ten opzichte van Nvidia Blackwell is 1,9 keer. Musks bewering van twee tot drie keer zou een aanzienlijke verdere stap betekenen voorbij wat enige chip tot nu toe heeft aangetoond in een gepubliceerde benchmark.
Er is echter een belangrijk categorieverschil. Jalapeño is een datacenterchip die is ontworpen om Nvidia GPU’s te vervangen binnen de eigen rekeninfrastructuur van OpenAI – een vergelijking van cloudinferentie. De AI5 van Tesla concurreert niet op die markt. Het is een ‘edge’ inferentiechip die is ontworpen om te draaien in het chassis van een humanoïde robot en achter het dashboardkastje van een auto, beperkt door het laagspanningsvermogen van een accu in plaats van de koelcapaciteit van een serverrack. De juiste vergelijking is niet AI5 versus H100, maar eerder: wat bereikt deze chip per watt, binnen het wattagebudget dat een Optimus-robot daadwerkelijk heeft?
Dat onderscheid maakt Musks cijfers op zijn minst zelfconsistent. De AI5 is naar verluidt ontworpen voor ongeveer 250 watt inferentie-rekenkracht in de Optimus, volgens eerdere berichtgeving van TechTimes over het 250-watt Optimus-stroombudget van de AI5. Nvidia’s H100 is beoordeeld op 700 watt. Als de AI5 inferentie-rekenkracht van Hopper-klasse levert – zoals Musk afzonderlijk heeft beweerd – bij 250 watt in plaats van 700 watt, is de resulterende prestatie-per-watt-verhouding ongeveer 700 gedeeld door 250, of 2,8 keer. De rekenkunde is consistent met Musks claim. Het is echter geen onafhankelijk geverifieerde prestatievergelijking; het zijn berekeningen afgeleid van Musks eigen eerdere openbare beweringen over de rekenprestaties van de AI5.
Waarom prestaties per watt anders zijn in een robot dan in een datacenter
De standaard prestatiestatistiek van de halfgeleiderindustrie voor inferentieworkloads is tokens per seconde per watt, of doorvoer per kilowatt over een modelservercluster. Dit zijn datacenterstatistieken. Ze gaan uit van koelinfrastructuur, stabiele 480-volt driefasige stroom en thermisch beheer in racks.
Geen van deze zijn van toepassing in een robot.
Optimus draait op een accupakket dat ook motoren, sensoren en actuatoren moet aandrijven. Het stroombudget voor alle rekenkracht wordt gemeten in honderden watts, niet in kilowatts. Een Nvidia H100 of B200 kan fysiek niet werken in die omgeving – niet vanwege architecturale beperkingen, maar omdat geen robotaccu een vermogensafname van 700 tot 1.400 watt kan handhaven, terwijl het ook de andere subsystemen van het systeem van stroom voorziet. De relevante concurrentievergelijking voor de inferentieprestaties van de AI5 is niet “versus een H100 in een datacenterrek”, maar “versus elke andere chip die daadwerkelijk in dit stroombudget zou passen.”
Die context maakt Musks 2 tot 3 keer efficiëntieclaim zowel dramatischer als minder dramatisch dan het klinkt. Dramatischer, omdat Tesla daadwerkelijk inferentie-rekenkracht van Hopper-klasse lijkt te leveren binnen het chassis van een robot – iets wat geen concurrent openbaar heeft aangetoond. Minder dramatisch, omdat Nvidia’s vlaggenschip datacenterchips nooit het realistische alternatief waren; de vergelijking is opzettelijk gunstig geconstrueerd.
Dit is precies de kaderstellende vraag die het Evercore-team identificeerde als bepalend voor het nieuwe tijdperk van AI-chips: de inkoopcriteria zijn verschoven van “maximale doorvoer en bandbreedte” naar “kosten per token, vermogen, koeling, benutting en totale eigendomskosten.” Volgens deze criteria heeft een speciaal gebouwde inferentie-ASIC – of het nu Jalapeño in een datacenter is of AI5 in een robot – een structureel voordeel ten opzichte van een algemene GPU. De omvang van dat voordeel hangt volledig af van welke workload u meet, bij welk stroombudget en met welke methodologie.
De structurele verschuiving van inferentie-ASIC’s en de positie van de AI5
De AI5 komt niet in een vacuüm. Het arriveert op het punt dat het zwaartepunt van de AI-infrastructuurmarkt zichtbaar is verschoven van training-GPU’s naar inferentie-ASIC’s.
Gegevens over de groei van ASIC-zendingen van TrendForce laten zien dat de eigen ASIC-serverzendingen van cloudserviceproviders in 2026 met 44,6% groeien, tegenover een GPU-groei van 16,1%. Zylos Research projecteert dat het ASIC-marktaandeel in de AI-inferentiemarkt zal groeien van 15% in 2024 naar ongeveer 40% in 2026. De record AI-kwartaalomzet van Broadcom bereikte 8,4 miljard Zwitserse frank in één kwartaal in zijn fiscale jaar 2026, een stijging van meer dan 100% op jaarbasis. New Street Research voorspelt dat het inferentiespecifieke rekendeel van Nvidia zou kunnen dalen tot 20 tot 30% tegen 2028.
De positie van Nvidia stort niet in – de datacenteromzet bereikte recordjaarlijkse totalen van 174,1 miljard Zwitserse frank in fiscaal jaar 2026, en het CUDA-software-ecosysteem blijft het dominante platform voor trainingsworkloads waar flexibiliteit en programmeerbaarheid nog steeds van belang zijn. Maar inferentie is de markt die in beweging is, en inferentie is waar ASIC’s hun structurele voordeel hebben.
De positie van Tesla in dit landschap is op één specifieke manier onderscheidend: in tegenstelling tot Google, Amazon, Microsoft of Meta, die inferentie-ASIC’s bouwen om hun cloudrekenkosten te verlagen, bouwt Tesla inferentiesilicium voor fysieke implementatie in voertuigen en humanoïde robots. De kosteneconomie per eenheid is anders, het stroomverbruik is veel krapper en de implementatieschaal – uiteindelijk tientallen miljoenen voertuigen en robots – is anders dan die van welk hyperscaler-datacenter dan ook. Door de afhankelijkheid van GPU-aankopen met hoge marges voor workloads die Tesla volledig van tevoren kan karakteriseren te elimineren, streeft Musks verticale integratiestrategie naar een fundamenteel andere kostenstructuur dan die van de cloud-ASIC’s.
Of die kostenstructuur wordt bereikt, hangt af van de vraag of de AI5 de productievolumes haalt, wat weer afhangt van Samsung Taylor.
Samsung Taylor’s risicoproductiefase begint
Samsung’s (Samsung) Taylor Fab 1, de gieterij van 33,26 miljard Zwitserse frank ten noorden van Austin, is de risicoproductiefase ingegaan voor het 2nm Gate-All-Around-proces dat de AI5 zal gebruiken. De chemische toelevering van de Koreaanse materialenleverancier ENF Technology stroomt al sinds april 2026 vanuit de fabriek in Kyle, Texas. EUV-lithografieapparatuur werd eerder dit jaar online gebracht en getest. Commerciële productie – commerciële waferstarts die zijn toegewezen aan afgewerkte chips – zal naar verwachting in 2027 beginnen.
Het onderscheid tussen risicoproductie en commerciële productie is van belang. Risicoproductie is de fase waarin een gieterij haar proces door een volledige productiesequentie – belichting, etsen, depositie, planarizatie – haalt om problemen met procesbeheersing te identificeren, de opbrengst te verfijnen en te verifiëren dat de apparatuur binnen de specificaties presteert. Het is een voorwaarde voor commerciële productie, geen vervanging ervan. Wanneer Samsung zegt dat het Taylor opschaalt, betekent dit dat deze kwalificatiesequentie gaande is, niet dat Tesla AI5-wafers in volume worden omgezet in afgewerkte chips.
De gieterijmechanismen achter die sequenties zijn de moeite waard om te begrijpen. Samsungs 2nm-proces bij Taylor is gebouwd op de Gate-All-Around-transistorarchitectuur – specifiek de GAA MBCFET-architectuur van Samsung, de Multi-Bridge Channel FET-implementatie die Samsung in 2022 commercialiseerde bij zijn 3nm-node. Bij een conventionele FinFET-transistor raakt het gate-materiaal het stroomvoerende kanaal aan drie zijden. Bij Samsungs GAA-implementatie omhult de gate alle vier de zijden van een stapel horizontaal opgehangen siliciumnanoplaten. Dat extra contact verbetert de elektrostatische controle over de transistor, vermindert de lekstroom in ruststand en maakt strakkere dimensionale schaling mogelijk zonder de prestatievermindering die FinFET-ontwerpen onder 3 nanometer beperkt, zoals de Synopsys GAA-transistoruitleg gedetailleerd beschrijft. Samsung produceert al ongeveer drie jaar commercieel GAA-transistors, wat het bedrijf geaccumuleerde procesengineeringervaring geeft die TSMC – dat pas onlangs GAA introduceerde bij zijn eigen 2nm-node – nog niet op dezelfde schaal heeft.
Voor de AI5 vertaalt dit zich in specifieke cijfers. Samsungs eerste generatie SF2-node levert een prestatieverbetering van 5% en een energie-efficiëntiewinst van 8% ten opzichte van zijn eerdere 3nm-proces. De verbeterde SF2P+-variant voegt 20 tot 30% verdere prestaties toe via een Optic Shrink-techniek die wordt toegepast op dezelfde MBCFET-architectuur, specifiek afgestemd op AI-workloads. Deze verbetering draagt direct bij aan de prestatie-per-watt-metriek die Musk vergelijkt met Nvidia – efficiëntiewinsten van de procesnode, architecturale ASIC-specificiteit en optimalisatie van het stroomverbruik dragen allemaal bij aan dezelfde output.
De beperking is de opbrengst. Samsungs 60% opbrengstmijlpaal voor zijn 2nm-proces – ongeveer 60% bruikbare wafers per waferstart in het eerste kwartaal van 2026, een stijging van ongeveer 20% eind 2025 – behoort tot de snelste opbrengstherstelperiodes voor een geavanceerde node in de recente geschiedenis van de industrie, maar 60% ligt nog steeds onder de ongeveer 70% drempel die de industrie als economisch geoptimaliseerd beschouwt voor grootschalige productie. Back-end verwerkingsstappen introduceren extra verliezen, wat betekent dat het aandeel winstgevende afgewerkte chips per waferstart lager kan zijn dan het front-end opbrengstcijfer impliceert. Voor een chip waarvan Musk verwacht dat het een van de meest geproduceerde AI-chips ooit zal worden, is het dichten van die kloof niet optioneel – het is de bepalende voorwaarde voor de kostenclaims die hij doet.
Hoe Tesla hier kwam en het einde van Dojo
Het AI5-programma verliep niet vlekkeloos. In augustus 2025 beëindigde Tesla zijn Dojo-supercomputerproject – de op maat gemaakte trainingschiparchitectuur die in 2019 werd aangekondigd – nadat het initiatief moeite had om concurrerend te worden met het ecosysteem van Nvidia, volgens berichtgeving over de beëindiging van Tesla’s Dojo-project. Sommige leden van het Dojo-team vertrokken om DensityAI op te richten, een datacenter-startup. Het overgebleven personeel werd toegewezen aan andere rekenprojecten, waarbij Dojo’s leider Peter Bannon tot degenen behoorde die het bedrijf verlieten.
Musk legde de logica direct uit in het Ron Baron-gesprek. Hij liet weten dat het betreffende chipprogramma in slechte staat verkeerde en niet succesvol was. Hij voegde eraan toe dat het Dojo-programma, hoewel het redelijk presteerde, evenmin op weg was om concurrerend te zijn met Nvidia.
Hij beschreef hoe hij beide programma’s samenvoegde tot het AI5-programma: “Ik heb de twee programma’s samengevoegd tot slechts één programma, om iedereen te concentreren op de AI5-chip, die essentieel is.” In eerdere X-berichten merkte Musk op dat het samen draaien van clusters van AI5- en AI6-chips de complexiteit en kosten van netwerkbekabeling met ordes van grootte zou verminderen vergeleken met een afzonderlijke Dojo-architectuur – waarbij hij een dergelijke configuratie beschreef als iets “wat men Dojo 3 zou kunnen noemen, denk ik.”
Tegen januari 2026 gaf Musk aan dat Tesla terugkeerde naar de ontwikkeling van supercomputers “nu het AI5-chipontwerp in goede staat verkeert” – wat suggereert dat de consolidatie het beoogde doel van het verenigen van de technische focus had bereikt. In april 2026 bevestigde Tesla de ‘design tape-out’: de definitieve blauwdrukbestanden werden naar zowel Samsung als TSMC gestuurd. In juli werd de Samsung-kant van die tape-out bevestigd toen de LinkedIn-post van hoofdingenieur James Kim kort openbaar werd voordat deze werd verwijderd.
Het resultaat is een organisatie die haar hele computerhardwarestrategie heeft gereorganiseerd rond één enkele chip – een niveau van geconcentreerde technische focus dat Musk als een voordeel beschouwt en dat waarnemers in de industrie als een structureel risico zien. Als de AI5 ondermaats presteert ten opzichte van zijn specificaties, of als de opbrengstcurve van Samsung Taylor stagneert, heeft Tesla geen afzonderlijk chipprogramma om op terug te vallen.
Productiesplit, AI6-tijdlijn en de volumegrens
De AI5-productie van Tesla is verdeeld over de Taylor-fabriek van Samsung en de faciliteiten van TSMC in Arizona en Taiwan. De splitsing geeft Tesla veerkracht in de toeleveringsketen – een indekking tegen de onzekerheid over de opbrengst die reëel blijft bij beide toonaangevende gieterijen – maar het betekent ook dat de engineeringteams van Tesla moeten verifiëren dat de door Samsung en TSMC geproduceerde chips identiek presteren in voertuigen en robots, zoals gedetailleerd beschreven in eerdere berichtgeving over Tesla’s dual-source chipstrategie.
Volgens de deal van 14,85 miljard Zwitserse frank die in juli 2025 met Samsung werd ondertekend en loopt tot 2033, is de AI5-productie bij Taylor verdeeld tussen Samsung en TSMC, terwijl de volgende generatie AI6-chip volledig is toegewezen aan het 2nm-proces van Samsung bij Taylor. Die roadmap maakt Taylor een meerjarige ankerklantrelatie, geen eenmalige chipoverwinning. Samsungs winstoproep voor het tweede kwartaal van 2026 bevestigde dat het bedrijf van plan is om voor eind 2026 te beginnen met de bouw van een tweede Taylor-fabriek – Taylor Fab 2 – met massaproductie gericht op 2030, onder verwijzing naar de toenemende vraag van klanten naar geavanceerde gieterijcapaciteit.
Technische samples van de Taylor-productielijn worden verwacht in het vierde kwartaal van 2026. Volumeproductie voor daadwerkelijke commerciële producten volgt in 2027. Musk heeft afzonderlijk bevestigd dat het werk aan de AI6 al gaande is, met een ‘tape-out’ verwacht in december 2026 – wat de kloof tussen grootschalige AI5-implementatie en de komst van zijn opvolger potentieel kan verkleinen.
Musks vereiste productiedrempel – enkele honderdduizenden voltooide AI5-boards die gereed zijn voordat Tesla de voertuigproductielijnen kan omzetten – is een drempel die hij niet verwacht te halen vóór medio 2027. De eerste implementatie van de AI5 is in Optimus humanoïde robots en Tesla’s interne Cortex-supercomputerclusters. De Cybercab die momenteel in productie is, draait op AI4-hardware. Betekenisvolle AI5-implementatie in voertuigen op grote schaal is op zijn vroegst een verhaal voor 2028.
Het jaarlijkse verlies van Samsungs gieterij in 2025 – een geschat operationeel verlies van ongeveer 4,41 miljard Zwitserse frank – daalde tot een geschatte 0,39 miljard Zwitserse frank in het tweede kwartaal van 2026 – nog steeds in het rood, maar tegen ongeveer een twaalfde van het jaarlijkse tempo van 2025. Een succesvolle AI5-productie-opschaling bij Taylor is de grootste hefboom op korte termijn om de Taylor-faciliteit om te zetten van een vaste-kostenlast in een omzetmotor – een voorwaarde voor het gestelde doel van de gieterij om tegen 2028 jaarlijkse winstgevendheid te behalen.
Waarop te letten voordat het kopnummer wordt geloofd
Musks claim van 2 tot 3 keer efficiëntie blijft onverifieerbaar totdat minstens drie zaken zijn gebeurd.
Ten eerste moeten technische samples arriveren en gekwalificeerd worden. De eerste siliciumwafers van Taylor worden geprojecteerd voor het vierde kwartaal van 2026. Tesla moet verifiëren dat de door Samsung geproduceerde chips identiek presteren aan de door TSMC geproduceerde eenheden over het volledige bereik van FSD- en Optimus-workloads. Totdat de kwalificatie is voltooid, zijn de werkelijke prestatie-per-watt-cijfers van de chip ontwerptargets, geen gemeten resultaten.
Ten tweede moet een onafhankelijke benchmark worden uitgevoerd. SemiAnalysis publiceerde zijn InferenceX-methodologie openlijk en demonstreerde Jalapeño in het laboratorium van OpenAI. Dezelfde mate van onafhankelijke controle toegepast op de workload-specifieke prestaties van de AI5 zou Musks claims bevestigen of nuanceren. Tesla heeft geen toegang geboden aan een onafhankelijke benchmarkpartij. Totdat dit gebeurt, is de vergelijking eenzijdig.
Ten derde moet de opbrengstcurve van Samsung standhouden. Het overschrijden van 60% in het eerste kwartaal van 2026 was een mijlpaal – een verschuiving van de zone van bijna-zekerheid van verlies naar de zone van haalbare productie. Het handhaven en verbeteren van die curve tijdens een commerciële productie-opschaling, in een andere fabriek in een ander land met een gedeeltelijk nieuwe toeleveringsketen, is een aanzienlijke technische uitdaging. De Taylor-lijn heeft nog nooit een commerciële wafer geproduceerd. Elke productie-opschaling levert verrassingen op; de ernst van die verrassingen bij Taylor zal bepalen of de kosteneconomie van de AI5 overeenkomt met Musks 10%-cijfer of iets dichter bij 30%.
Wat de Jalapeño-gegevens wel doen, is het bereik van plausibiliteit verkleinen. Vóór 25 augustus was Musks claim van 2 tot 3 keer Nvidia-efficiëntie een bewering zonder onafhankelijk gegevenspunt. Na 25 augustus is het een bewering met een ondergrens: 1,5 tot 1,9 keer is wat de best onafhankelijk gebenchmarkte inferentie-ASIC behaalde tegen Nvidia Blackwell in een vergelijkbare cloudinferentietest. Musks cijfer ligt boven dat onafhankelijk bevestigde bereik. Het is niet onwaarschijnlijk voor een speciaal gebouwde chip die werkt in een veel beperkter stroomverbruik. Het is nog niet bewezen.
Over de claims van topman Elon Musk over de efficiëntie van de AI5-chip kan gesteld worden dat deze nog onbewezen zijn. De bewering van twee tot drie keer hogere prestaties per watt dan Nvidia-producten is gebaseerd op Tesla’s eigen ontwerpspecificaties voor autonoom rijden en robotica.
De Jalapeño-chip van OpenAI, die in onafhankelijke tests 1,5 tot 1,9 keer de prestaties per watt van Nvidia Blackwell wist te behalen, dient momenteel als de dichtstbijzijnde externe referentie. Echter, de Jalapeño is een chip voor cloudinferentie, terwijl de AI5 is ontworpen als ‘edge’-chip voor voertuigen en robots. De vergelijkingsmethoden en de operationele omgevingen verschillen aanzienlijk. Onafhankelijke validatie van de AI5-prestaties zal waarschijnlijk pas volgen na de verwachte levering van technische samples uit Samsungs Taylor-fabriek in het vierde kwartaal van 2026.
De hogere prestaties per watt zijn voor de AI5 van cruciaal belang, meer nog dan voor Nvidia’s datacenterchips. De AI5 moet namelijk inferentieworkloads uitvoeren in omgevingen met een beperkt stroombudget, zoals het chassis van een humanoïde robot of het dashboardkastje van een voertuig. Nvidia’s H100 en B200, met vermogens van respectievelijk 700 watt en meer dan 1.000 watt, zijn fysiek niet in staat om in dergelijke omgevingen te functioneren, aangezien geen enkele accu van een robot of auto dergelijke vermogens kan leveren naast de stroom voor motoren en sensoren. Voor de AI5 is prestatie per watt daarmee geen marketingterm, maar een fundamentele technische voorwaarde.
De grootschalige implementatie van de AI5 in Tesla-voertuigen wordt niet vóór 2028 verwacht. Musk heeft bevestigd dat de chip eerst zal worden ingezet in de Optimus humanoïde robots en in Tesla’s interne supercomputerclusters. Pas wanneer enkele honderdduizenden AI5-boards zijn geproduceerd en gereed zijn – een drempel die Musk niet vóór medio 2027 verwacht te bereiken – kunnen de voertuigproductielijnen worden omgeschakeld. De Cybercab gebruikt momenteel nog AI4-hardware.
Het Dojo-supercomputerproject van Tesla werd in augustus 2025 beëindigd omdat het moeite had om concurrerend te zijn met het Nvidia-ecosysteem. Musk heeft de resterende engineeringfocus van het Dojo-programma samengevoegd met het AI5-initiatief. Hij beargumenteerde dat een verenigd team dat werkt aan een enkele architectuur, zowel inferentie als training efficiënt zou kunnen afhandelen, beter zou presteren dan twee afzonderlijke programma’s die elk worstelen. In de toekomst beschreef hij een configuratie van geclusterde AI5- en AI6-chips als “Dojo 3.”
