Lyceum en de argumenten voor vervangbare AI
Waarom een Europese AI-rekenlaag het volgen waard is, vooral als u een systeem bouwt dat de modellen van vandaag moet overleven.
De meeste AI-producten beginnen met een model: GPT, Gemini, Claude, DeepSeek, Qwen. Ik denk steeds vaker dat dat één beslissing te vroeg is. De duurzamere vraag is welk soort computationele laag je onder je product wilt, en hoe gemakkelijk je die kunt veranderen wanneer modellen, prijzen, regelgeving of je eigen vereisten veranderen. Dat is wat Lyceum voor mij interessant maakte. Het is een Europese AI- en GPU-cloud, gebouwd rond open modellen, computing op aanvraag en infrastructuur die relatief onafhankelijk kan blijven van de applicatie die erboven draait.
Lyceum bestrijkt een verrassend groot deel van de AI-levenscyclus. Je kunt gehoste modellen aanroepen via serverloze API's, een Hugging Face-model implementeren op gereserveerde GPU's, Python- of Docker-workloads uitvoeren, GPU-VM's met roottoegang huren, notebooks gebruiken voor experimenten en overstappen op grotere trainingsclusters als je die ooit nodig hebt. De Pythia-orkestratielaag kan Lyceum zelfs verbinden met je eigen hardware en AWS, GCP of Azure, en vervolgens bepalen waar een workload moet draaien. Met andere woorden: het biedt een klein team een pad van een API-aanroep naar veel diepere controle, zonder dat het vanaf dag één GPU's hoeft te bezitten.
Ook de economie is het bekijken waard. In augustus 2026 vermeldt Lyceum Qwen3 Embedding 8B voor $0.01 per miljoen invoertokens en DeepSeek V4 Flash voor $0.15 per miljoen invoertokens en $0.30 per miljoen uitvoertokens. Serverloze inferentie heeft geen kosten voor inactieve GPU's, terwijl zwaardere workloads kunnen overstappen op computing per seconde of toegewezen hardware. Minstens zo belangrijk voor ontwikkelaars is dat de inferentie-API compatibel is met de OpenAI SDK, waardoor ermee experimenteren niet vereist dat je een applicatie opnieuw opbouwt rond een propriëtaire interface.
Die portabiliteit is voor mij belangrijker dan de prijslijst. Een goed ontworpen AI-systeem moet kunnen uitdrukken wat het gedaan wil hebben voordat het beslist wie het doet. “Vertaal dit object”, “vind mogelijke semantische relaties”, “classificeer deze bron” of “produceer een embedding” zijn bewerkingen op applicatieniveau. DeepSeek, Qwen, OpenAI of een lokaal gehost model zijn implementaties. Als die twee lagen in je architectuur hetzelfde worden, kan het later veranderen van aanbieder verrassend duur worden.
Dit is bijzonder relevant voor LeraLink, een systeem dat ik ontwikkel rond een andere manier van werken met kennis. Ik wil nog niet veel van de interne architectuur ervan onthullen, maar één principe is voor mij al duidelijk: de duurzame toestand van een kennissysteem moet toebehoren aan het kennissysteem zelf. AI kan die inspecteren, vertalen, vergelijken, relaties voorstellen of helpen herorganiseren, maar een inferentieresultaat mag niet stilzwijgend de bron van waarheid worden. Het onderscheid waar ik steeds op terugkom is eenvoudig: kennis kan blijven bestaan terwijl inferentie vervangbaar blijft.
Dit opent een interessanter gebruik van infrastructuur zoals Lyceum. In plaats van nog een applicatie te bouwen rond een chatbot, kun je een systeem bouwen waarin verschillende modellen afgebakende computationele taken uitvoeren. Goedkope modellen kunnen embeddings of routinematige transformaties afhandelen. Een sterker model kan worden geselecteerd wanneer de kwaliteit van redenering ertoe doet. Batchworkloads kunnen naar GPU's verhuizen. Later kan een team zelfs kleine modellen trainen voor taken die specifiek zijn voor zijn eigen domein. De architectuur kan evolueren zonder dat het onderliggende product de identiteit hoeft over te nemen van welk model dan ook dat toevallig dit jaar het beste is.
Er zijn redenen om voorzichtig te blijven. De huidige voorwaarden van Lyceum stellen dat invoer en uitvoer van inferentie niet langer dan technisch noodzakelijk worden bewaard en niet worden gebruikt om de modellen te trainen of te verbeteren, wat een betekenisvolle eigenschap is voor privé intellectueel werk. Dezelfde voorwaarden maken ook duidelijk dat Lyceum-opslag niet bedoeld is als permanente cloudopslag, dat workloads hardware of datacenters van derden kunnen gebruiken en dat de standaardovereenkomst doorverkoop of sublicentiëring beperkt. De voorwaarden stellen ook dat beweringen op de website alleen contractuele verplichtingen worden wanneer die uitdrukkelijk zijn overeengekomen. Voor een serieus multi-tenantproduct zou ik daarom vestigingslocatie, SaaS-gebruik, bewaartermijnen en servicegaranties verduidelijken voordat ik het bedrijfskritisch maak.
Vreemd genoeg is dit ook waarom Lyceum mij interesseert. Het orkestratiemodel wijst in de richting van een AI-stack waarin workloads kunnen bewegen tussen een gespecialiseerde cloud, conventionele hyperscalers en privé-infrastructuur. Een aanbieder wordt nuttiger wanneer het gebruik ervan niet vereist dat die onvervangbaar wordt gemaakt. Dat is een veel gezondere richting voor mensen die systemen bouwen waarvan wordt verwacht dat ze meerdere generaties modellen overleven.
Ik ben nog niet bereid te zeggen dat Lyceum onderdeel zou moeten worden van LeraLink. LeraLink zelf moet eerst het juiste architecturale en operationele stadium bereiken, en elke beslissing zou gebaseerd moeten zijn op echte benchmarks voor kwaliteit, meertalige prestaties, latentie, privacy en kosten. Maar wanneer dat punt komt, zou ik oprecht graag willen experimenteren met Lyceum als onderdeel van de AI-infrastructuur van LeraLink. De interessante mogelijkheid is niet om van Lyceum „de AI van LeraLink” te maken. Het is om te zien of het één rekenlaag kan worden binnen een systeem waarin modellen mogen veranderen, terwijl de kennis en de regels die deze beheersen van ons blijven.