Kunstmatige intelligentie

Opkomende Technologieën die de Toekomst van AI‑hardware Vormgeven

mm
Gepubliceerd op
Bijgewerkt op
Voeg Securities.io toe aan je voorkeursbronnen op Google
Toelichting: Securities.io kan een vergoeding ontvangen wanneer u links naar beoordeelde producten gebruikt. Dit beïnvloedt onze redactionele beoordelingen niet. Wij zijn geen geregistreerd beleggingsadviseur; dit is geen beleggingsadvies. Lees onze affiliateverklaring.

Een nieuw type computergebruik

Met de afgelopen paar jaar van exponentiële vooruitgang in AI‑technologie zijn de grote winnaars de bouwers van AI‑hardware. Dit komt doordat moderne AI, die grotendeels neurale‑netwerktechnologie gebruikt, rekenkracht op een heel andere manier benut dan klassieke computers.

In plaats van complexe berekeningen uit te voeren met een krachtige CPU, voeren ze duizenden of miljoenen eenvoudigere berekeningen parallel uit.

(Je kunt meer leren over hoe neurale netwerken zijn uitgevonden en werken in “Investeren in Nobelprijsprestaties – Kunstmatige Neurale Netwerken, de Basis van AI”)

Tot nu toe zijn grafische kaarten, of GPU’s (Graphics Processing Units), het favoriete hulpmiddel geweest om AI te ontwikkelen, waardoor de omzet en winst van sectorleiders zoals Nvidia (NVDA ) dramatisch zijn gestegen.

De markt voor AI‑hardware zal naar verwachting uitzonderlijk snel blijven groeien, met een CAGR van 31,2 % van 2025 tot 2035.

Deze periode zal ook de opkomst zien van vele nieuwe soorten AI‑hardware, aangezien de voor AI‑berekeningen herbestemde GPU’s geleidelijk worden vervangen door chips die specifiek voor deze toepassing zijn ontworpen.

In de lange termijn zullen meer exotische vormen van rekenen waarschijnlijk hun weg vinden naar de AI‑hardwaremarkt, van toepassingsspecifieke ontwerpen tot niet‑silicon chips of zelfs het gebruik van echte biologische neuronen.

Hoe AI‑denken werkt

Het fundamentele verschil tussen klassieke supercomputers en AI’s is hoe data wordt verwerkt. In plaats van complexe berekeningen op te lossen, creëren neurale netwerken virtuele knooppunten die met elkaar verbonden zijn in een netwerk. Terwijl het eerste neurale netwerk slechts een paar tientallen knooppunten en enkele honderden verbindingen bevatte, gebruiken moderne neurale netwerken zoals die van ChatGPT biljoenen mogelijke verbindingen, wat een complexiteitsniveau bereikt dat niet veel verschilt van het menselijk brein.

 

Bron: Nobelprijs

Deze andere rekenmethode vereist hardware die miljoenen bewerkingen parallel kan uitvoeren, zelfs als de aan elke bewerking toegewezen rekenkracht relatief klein is.

Gelukkig is dit een type hardware dat al vele jaren in gebruik is, zoals grafische weergave met GPU’s, voornamelijk voor 3D‑simulaties en videogames, en die ook veel kleine berekeningen parallel uitvoert.

Dit is de reden waarom de initiële (en huidige) winnaar van de race om voldoende AI‑chips te bemachtigen Nvidia is, de leider op de GPU‑markt.

Nooit sneller wordende GPU’s

Met de uitvinding van efficiëntere algoritmen en de snelle vooruitgang in kunstmatige intelligentie die ze hebben gecreëerd, explodeerden de potentiële toepassingen van AI in de jaren 2020.

Dit leidde tot een steeds sneller wordende race om voldoende hardware te bemachtigen, met name Nvidia‑GPU’s in 2023.

Tegelijkertijd vereisen de groeiende verwachtingen van AI‑toepassingen steeds slimmere AI, die op haar beurt meer rekenkracht nodig heeft. En terwijl het verkrijgen van meer GPU’s een oplossing was, waren ook betere GPU’s nodig.

De industrie leverde, met een prestatie‑groei van 1.000× in minder dan 8 jaar.

Bron: NVIDIA

Kan het volhouden?

Er zijn signalen dat de vooruitgang in GPU‑prestaties binnenkort kan afnemen. Ten eerste worden alle “gemakkelijke” verbeteringen, zoals het groter maken van GPU’s en het gebruik van kleinere, dichtere transistoren, uitgeput. Verdere verbetering moet dus komen uit radicaalere herontwerpen en innovaties.

Secundaire problemen sluipen ook op in de industrie. Bijvoorbeeld, veel dichtere en krachtigere GPU’s produceren veel afval‑warmte, tot het punt dat meer van hetzelfde de chips zou doen smelten.

Deze afval‑warmte duidt ook op veel verspilde energie. Het veiligstellen van een voldoende stabiele basis‑energievoorziening wordt een probleem voor AI‑bedrijven, waarbij alle grote tech‑bedrijven zich haasten om energie van kerncentrales te bemachtigen.

Ten slotte wordt AI‑computing steeds meer gespecialiseerd, met verschillende methodologieën die bij verschillende bedrijven en voor verschillende toepassingen ontstaan, elk met eigen hardware‑eisen. Het is dus zeer waarschijnlijk dat het tijdperk van algemene GPU’s die door alle AI‑bedrijven worden gebruikt, ten einde loopt, zij het geleidelijk.

Het Tijdperk van de Super‑GPU

Tot nu toe bestonden de meeste AI‑datacenters uit duizenden GPU’s die in speciale servers werden gekoppeld.

De directe oplossing voor het groeiende oververhittings‑ en energieverbruik‑probleem zal de bouw van geïntegreerde hardware zijn die verder gaat dan alleen een ophoping van individuele GPU’s.

“In datacenters kun je tegenwoordig niet meer evenveel NVIDIA H100‑servers of GB200 Superchip‑rekentrays in een kast plaatsen als bij eerdere GPU‑generaties, vanwege de hogere energie‑ en koelingsbehoeften.”

Een belangrijke stap in die richting is de recente release van Nvidia van GB200 NVL72. Deze hardware is ontworpen om als één enorme GPU te functioneren, waardoor hij veel krachtiger is dan zelfs het eerder recordbrekende H100‑model.

De verbeterde thermische efficiëntie en energiebesparing stellen ons in staat om meer GPU’s in een rack te plaatsen – wat betekent dat onze klanten meer GPU’s krijgen.”

Dit zou ook veel energie‑efficiënter moeten zijn, een cruciaal punt aangezien de AI‑industrie mogelijk eerder een energietekort zal ervaren dan een tekort aan chips, gezien de snelheid waarmee AI‑datacenters worden opgebouwd. Meer reken‑ en energie‑efficiëntie betekent minder afval‑warmte, wat tijdelijk ook het oververhittingsprobleem oplost.

Bron: Nvidia

Momenteel is CoreWeave de eerste cloud‑provider die algemeen beschikbare Nvidia GB200 NLV72‑instanties aanbiedt (CRWV ).

(Je kunt meer lezen over CoreWeave en haar levering van AI‑cloudcomputing aan bedrijven die AI‑oplossingen ontwikkelen in “CoreWeave: De Cloud‑AI‑Hyperscaler”.

Niet‑GPU AI‑hardware

Field Programmable Gate Arrays (FPGAs)

Een ander type hardware dat voor AI‑ontwikkeling wordt gebruikt, zijn Field‑Programmable Gate Arrays. FPGA’s zijn geïntegreerde schakelingen die opnieuw geprogrammeerd kunnen worden om specifieke taken efficiënter uit te voeren. Ze werken door configureerbare verbindingen tussen hun componenten te bieden.

Dit kan FPGA’s flexibeler maken dan GPU’s en biedt meer optimalisatiemogelijkheden voor specifieke soorten berekeningen.

FPGA’s zijn ook energie‑efficiënter dan GPU’s. Hun lage latentie (snelle reactietijd) maakt ze bovendien zeer geschikt voor real‑time toepassingen die snelle reacties vereisen.

Echter, FPGA’s kunnen minder goed omgaan met zeer veeleisende berekeningen die veel energie vereisen.

Een ander probleem is dat, hoewel FPGA’s opnieuw programmeerbaar zijn, dit een tijd‑ en arbeidsintensief proces kan zijn. Ze kunnen dus veel trager ontworpen, gebouwd en geprogrammeerd worden. Dit kan een ernstig obstakel vormen in een veld dat elke zes maanden revolutionaire vooruitgang boekt.

Dit betekent dat tot nu toe de use‑cases van FPGA’s geconcentreerd waren op bepaalde AI‑toepassingen, terwijl de algemene ontwikkeling nog steeds leunt op minder efficiënte, maar algemene GPU’s:

  • Realtime verwerking: wanneer binnenkomende data snel moet worden verwerkt, bijvoorbeeld voor digitale signaalverwerking, radarsystemen, autonome voertuigen en telecommunicatie.
  • Aangepaste hardware‑versnelling: configureerbare FPGA’s kunnen fijn afgesteld worden om specifieke deep‑learning‑taken en HPC‑clusters te versnellen door te optimaliseren voor bepaalde datatypes of algoritmen.
  • Moderne AI‑datacenters kunnen geleidelijk een mix worden van GPU’s en FPGA’s, waarbij elke hardware is toegewezen aan de sub‑taken die ze het beste kunnen uitvoeren.
    • Edge‑computing: Dit brengt reken‑ en opslagcapaciteit dichter bij de eindgebruiker, bijvoorbeeld direct in een auto of drone. In deze gevallen zijn de lage stroomverbruik en compacte afmetingen van FPGA’s voordelen.

Application‑Specific Integrated Circuits (ASICs)

ASIC‑systemen worden gebouwd voor specifieke reken‑typen en kunnen alleen die uitvoeren. Het is dus minder een computerchip als een puur geïntegreerde schakeling; FPGA’s worden soms ook wel programmeerbare ASIC’s genoemd.

De reden om ASIC’s te gebruiken in plaats van FPGA’s of GPU’s is dat ASIC’s veel sneller zijn dan elk ander logisch apparaat. Ze zijn bovendien energie‑efficiënter en kleiner van formaat.

Daarom worden bijvoorbeeld ASIC‑miners gebruikt in cryptomining, waarbij het ontwerp geoptimaliseerd is voor de specifieke berekeningen die nodig zijn.

Bron: Wevolver

Echter, ASIC’s zijn ook veel complexer om te ontwerpen, dus het heeft alleen zin om er één te ontwikkelen voor een taak die vaak genoeg wordt herhaald om de ontwerpkosten te dekken. Over het algemeen zijn ASIC’s economisch alleen zinvol wanneer ze voor massaproductie worden overwogen.

Aangepaste ontwerpen vereisen bovendien specialistische kennis, en veelgebruikte programmeertalen en bibliotheken zijn mogelijk niet bruikbaar.

Deze behoefte aan maatwerk kan echter ook een voordeel zijn, omdat het extra intellectueel eigendom (IP) beschermt.

De use‑cases voor ASIC’s lijken op die van FPGA’s: edge‑computing, beeldherkenning, telecommunicatie en signaalverwerking, maar nog vaker vereist een vaak herhaalde berekening.

Omdat ze niet flexibel zijn, zullen ze waarschijnlijk niet voldoende zijn voor complexe AI‑taken op zichzelf. Ze kunnen echter geïntegreerd worden in een AI‑hardware‑systeem om meer efficiëntie en snelheid te bieden.

Opmerkelijk is dat bedrijven zoals Etched ASIC’s ontwikkelen die specifiek zijn ontworpen om transformer‑berekeningen uit te voeren (de “T” in chatGPT).

Bron: Etched

Neuromorfe chips

Naast het verbeteren van GPU’s of het bouwen van efficiëntere ASIC’s, kijken andere concepten naar een volledige verandering van hoe rekenen wordt uitgevoerd.

Een idee is dat als we een neuraal netwerk ontwerpen, we een chip‑architectuur moeten hebben die dat weerspiegelt.

Dit is het concept van neuromorfe chips, die op hardware‑niveau werken als onderling verbonden neuronen in plaats van dit te simuleren via complexe wiskundige vergelijkingen en miljoenen parallelle berekeningen.

Deze apparaten worden soms ook NPUs (Neural Processing Units) genoemd, meestal door verschillende componenten in één eenheid te combineren.

Neuromorfe chips gebruiken vaak complexe elektrische signalen, dichter bij analoge data. Dit verschilt van “normale” computers die een Von‑Neumann‑architectuur met binaire signalen (0 & 1) gebruiken.

Momenteel worden verschillende methoden onderzocht om neuromorfe chips te creëren:

Photonische chips

Een andere optie om veel van de huidige beperkingen van silicium‑hardware te omzeilen, is over te stappen op photonische computers. In plaats van elektronen die de informatie dragen, doen fotonen van lasers dat.

Deze methode heeft het voordeel dat hij veel minder gevoelig is voor oververhitting en dat licht het snelste bewegende element in het universum is.

Voorlopig is de duurzaamheid van fotonische componenten, met name geheugen, een probleem, maar dit verandert snel.

Recente vooruitgang in fotonica omvat:

Gebruik van echte neuronen

Een andere manier om AI dichter bij de prestaties van het echte brein te brengen, is simpelweg het gebruik van echte hersenen.

Als een neuraal netwerk van echte neuronen zeer adaptief is en uitblinkt in patroonherkenning in de natuur, waarom zou het dan niet ook in een kunstmatige context werken?

In maart 2025 werd dit concept verder ontwikkeld met de release door Cortical Labs van CL1, de eerste Synthetic Biological Intelligence (SBI).

Echte neuronen worden gekweekt in een voedingsrijke oplossing die ze alles geeft wat ze nodig hebben om gezond te blijven. Ze groeien over een siliciumchip, die elektrische impulsen naar en van de neurale structuur stuurt.

Dit vervaagt de grens tussen kunstmatige en natuurlijke intelligentie. Is een computer gemaakt van echte neuronen nog steeds kunstmatig?

We integreren de neuronen in het biOS met een mengsel van hard silicium en zacht weefsel. Je kunt direct verbinding maken met deze neuronen. Zet code direct op de echte neuronen, en los de moeilijkste uitdagingen van vandaag op.

De neuron is zelf‑programmeerbaar, oneindig flexibel, en het resultaat van vier miljard jaar evolutie. Wat digitale AI‑modellen enorme middelen kosten om te emuleren, beginnen wij met.

Dit zou een echte doorbraak kunnen zijn als sommige theorieën die het menselijk brein meer als een quantumcomputer dan als een elektrisch systeem beschouwen, waar blijken te zijn.

Hoewel het nog een opkomende technologie is, kan het een impuls krijgen door vooruitgang in verwante velden, zoals 3D‑printen van menselijke organen, inclusief functioneel hersenweefsel, evenals de productie van organoïden (mini‑hersenen) door bedrijven als Final Spark en BiologIC.

Brain‑Computer Interface

Een andere manier om AI‑hardware te versterken, is door directe interfacing met een ander type biologische supercomputer: het brein dat al in onze schedel zit en ons denken verzorgt.

In eerste instantie zullen Brain‑Computer Interfaces (BCI) waarschijnlijk voornamelijk worden gebruikt om mensen met neurologische aandoeningen te helpen.

Nieuwe methoden om implanten duurzamer en minder invasief te maken zouden ook helpen.

Op de lange termijn zou dit, net als bij andere technologieën, de grens tussen machine‑ en menselijke intelligentie kunnen vervagen. Als je iets denkt met de hulp van een AI die direct via BCI met ons interageert, wie heeft er dan precies gedacht?

Echter, vanwege ethische en veiligheidszorgen is dit waarschijnlijk een van de meest verre technologieën, ondanks de anticipatie in science‑fictionwerken zoals Altered Carbon, Neuromancer of Cyberpunk 2077.

(We bespraken de meest prominente bedrijven in dit veld in “5 Beste Brain‑Computer Interface (BCI) Bedrijven”.

Hoeveel rekenkracht is echt nodig?

DeepSeek

Jarenlang racen AI‑bedrijven om zo veel mogelijk rekenkracht zo snel mogelijk toe te voegen, in de veronderstelling dat meer altijd beter is.

Dit werd uitgedaagd door de brute komst van het Chinese AI‑bedrijf DeepSeek. Met een model dat 10‑100 × efficiënter is dan zijn concurrenten en slechts 3‑5 % van de kosten voor gelijkwaardige of superieure prestaties, heeft DeepSeek de noodzaak van meer rekenkracht om betere AI’s te bouwen in twijfel getrokken.

Een belangrijke reden waarom DeepSeek zich zo sterk op model‑efficiëntie richtte, was de beperkte toegang van Chinese AI‑bedrijven tot AI‑chips. Dit werd duidelijk toen kort na de lancering bleek dat AI‑modellen van andere Chinese bedrijven even indrukwekkend presteerden: Alibaba’s Qwen, Moonshot AI’s Kimi, ByteDance’s Doubao, of Baidu’s Ernie Bot.

Zoals het gezegde luidt: “Nood is de moeder van uitvinding”.

Het is waarschijnlijk dat de komende jaren een dubbele focus op betere prestaties én meer efficiëntie de AI‑industrie zal domineren.

Dit betekent echter niet dat meer rekenkracht geen betere resultaten zal opleveren. Het is simpelweg niet de enige weg naar succes in de AI‑industrie, en zeer goed gefinancierde bedrijven zoals OpenAI kunnen wellicht wat te loszinnig met hun uitgaven zijn geweest.

Voorlopig zijn de meeste AI’s nog in ontwikkeling en experimenteel, met slechts beperkte toepassingen. Naarmate ze meer geïntegreerd worden in de workflows van miljoenen bedrijven wereldwijd, zal de vraag naar AI‑computing toenemen.

En hoe meer rekenkracht er nodig is, hoe groter de vraag naar efficiëntere en minder energie‑intensieve hardware zal worden.

Dus, net als bij traditioneel rekenen, kunnen we aannemen dat de markt zal blijven vragen om steeds betere chips, vooral omdat AI binnenkort een van ’s werelds grootste energie‑verbruikers zou kunnen worden.

EdgeAI & AI‑PC’s

Een ander effect van de opkomst van DeepSeek en andere Chinese AI‑modellen met lagere rekenvereisten is dat AI‑modellen, vooral “distilled” versies, nu op high‑end individuele machines kunnen draaien in plaats van in gigantische datacenters op gigawatt‑schaal.

Dit bevestigt de voorstanders van EdgeAI, die betogen dat veel AI‑rekenwerk “on‑site” moet gebeuren, in plaats van uitsluitend in de cloud.

Aangezien DeepSeek een open‑source model is, opent dit ook de weg voor talloze individuele experimenten met AI‑computers: krachtig genoeg om AI‑modellen uit te voeren, maar goedkoop en klein genoeg om door individuele gebruikers gekocht te worden. Over het geheel genomen leidt dit niet zozeer tot minder AI‑rekenvraag, maar eerder tot een meer gedecentraliseerd proces voor het ontwikkelen en gebruiken van AI‑toepassingen.

Daarom zullen AI‑PC’s waarschijnlijk de nieuwe grote trend worden in pc‑bouw, waar de gespecialiseerde pers al uitgebreid over discussieert welke merken het beste zijn, vooral nu AI zijn weg vindt naar de meeste tech‑bedrijven, inclusief Microsoft (MSFT ), waarbij Copilot bijna overal in Windows‑OS en andere software van het bedrijf aanwezig is.

Conclusie

Van gaming‑GPU’s evolueert de hardware voor AI snel. Dit begon met GPU’s die speciaal voor AI werden ontworpen en ontwikkelt zich nu naar “super‑GPU’s” die vanaf de grond af zijn ontworpen om in AI‑datacenters te passen met lager energie‑verbruik en minder warmteproductie.

De volgende stap zal waarschijnlijk verdere integratie zijn van algemene GPU’s met ASIC‑ en FPGA‑chips om specifieke AI‑taken uit te voeren met minder stroom en minder ruimte.

Verderop in de toekomst wordt ingezet op welke technologie de winnaar zal zijn voor AI‑computing: neuromorfe chips, fotonica, spintronica of zelfs echte biologische neuronen die getraind zijn om met siliciumsubstraten te interageren, en misschien AI die direct met ons eigen brein via directe interfaces communiceert.

Voor al deze technologieën is het zeker dat de explosieve groei in AI‑capaciteit en de daarmee gepaard gaande explosieve groei in toepassingen de vraag naar meer en betere AI‑hardware zal blijven aanjagen.

Dus zelfs als efficiëntere AI‑modellen zoals DeepSeek de markt betreden, kan de plotselinge toename in vraag naar AI‑PC’s een goede indicator zijn dat AI‑hardware de komende jaren waarschijnlijk nog steeds in beperkte mate beschikbaar zal zijn ten opzichte van de vraag.

Een leider in AI‑hardware

Nvidia

NVDA Prijsgrafiek

NVIDIA is geëvolueerd van een niche‑halfgeleiderbedrijf dat zich specialiseerde in grafische kaarten naar een technologische gigant aan de voorhoede van de AI‑revolutie en de enorme hoeveelheid hardware die daarvoor nodig is.

Dit werd bereikt door de ontwikkeling van CUDA, een algemene programmeer‑interface voor NVIDIA‑GPU’s, waardoor de deur werd geopend voor toepassingen buiten gaming.

“Onderzoekers realiseerden zich dat door deze gaming‑kaart genaamd GeForce te kopen en aan je computer toe te voegen, je in feite een persoonlijke supercomputer hebt. Moleculaire dynamica, seismische verwerking, CT‑reconstructie, beeldverwerking – een hele reeks verschillende dingen.”

Jensen Huang, in een interview met Sequoia

Deze bredere adoptie van GPU’s, en meer specifiek NVIDIA‑hardware, creëerde een positieve feedback‑lus gebaseerd op netwerkeffecten: hoe meer toepassingen, hoe meer eindgebruikers en programmeurs die ermee vertrouwd zijn, hoe meer verkoop, hoe groter het R&D‑budget, hoe sneller de rekenkracht, enzovoort.

Bron: Nvidia

Vandaag omvat de geïnstalleerde basis honderden miljoenen CUDA‑GPU’s.

Een ander opmerkelijk aspect van de evolutie van AI‑rekenkracht is dat deze een exponentiële wet volgt in plaats van de meer lineaire Moore‑wet voor CPU’s. Dit komt doordat niet alleen de GPU‑hardware verbetert, maar ook de benodigde verwerkingskracht is afgenomen door radicale verbeteringen in hoe neurale netwerken worden getraind.

Hoewel een leider in GPU‑ en AI‑technologie, NVIDIA is ook zeer actief in de ontwikkeling van quantum‑computing als een nieuwe groeimotor.

Net zoals CUDA werd ingezet voor neurale‑netwerk‑toepassingen, heeft Nvidia CUDA‑Q uitgebracht voor quantum‑computing, waarmee je via een cloud‑service NVIDIA‑quantum‑computercapaciteit kunt huren.

Bron: NVIDIA

Dit omvat ook technologieën zoals NVIDIA’s cuQuantum voor onderzoekers om quantum‑computers te emuleren, cuPQC voor quantum‑encryptie, en DGX Quantum voor de integratie van zowel klassieke als quantum‑computing.

Over het geheel genomen staat NVIDIA aan de voorhoede van het bouwen van een quantum‑computing‑ecosysteem, gebruikmakend van haar positie als leider in AI en AI‑hardware.

Bron: NVidia

Met een sterke positie in AI, cryptomining en mogelijk binnenkort quantum‑computing, is Nvidia zeer goed gepositioneerd om een van de dominante bedrijven in computer‑hardware te worden in het komende decennium.

Je kunt meer lezen over de geschiedenis, het businessmodel en de innovaties van Nvidia in “NVIDIA (NVDA) Spotlight: Van Grafische Reus tot AI‑Titan”.

Laatste nieuws over NVIDIA

mm

Jonathan is een voormalig biochemisch onderzoeker die werkzaam was in genetische analyse en klinische proeven. Hij is nu een aandelenanalist en financieel schrijver met een focus op innovatie, marktcycli en geopolitiek in zijn publicatie 'The Eurasian Century'.