Door NVIDIA Geïnspireerde Doorbraken Verminderen Het Energieverbruik Voor AI-Training Met 100‑Keer

Kunstmatige intelligentie (AI) heeft de hele wereld veroverd, en geen enkele sector blijft onaangetast door de magie van deze technologische vooruitgang. Vandaag nemen 77 % van de apparaten AI‑technologie op, ondanks dat slechts een derde van de consumenten denkt dat ze AI‑platforms gebruiken. 

Een groeiend aantal organisaties neemt AI steeds meer over voor bedrijfs groei, waarbij 9 van de 10 bedrijven de technologie ondersteunen voor een concurrentievoordeel. Naar verwachting zal dit gebruik 85 miljoen banen elimineren, maar tegelijkertijd 97 miljoen nieuwe banen creëren.

Deze cijfers weerspiegelen de schattingen dat de AI‑markt tegen 2030 $15,7 biljoen zal bijdragen aan de wereldeconomie. De omvang van de AI‑markt wordt ook verwacht met minstens 120 % per jaar te groeien.

Echter, naarmate de adoptie van AI toeneemt, groeit ook de vraag naar energie om datacenters van stroom te voorzien, die extreem energie‑intensief zijn. Het draaien en koelen van duizenden servers 24 uur per dag vereist enorme hoeveelheden energie. Momenteel wordt deze energie afgenomen van het elektriciteitsnet, wat problemen veroorzaakt tijdens piekbelastingen en het systeem onder druk zet. Volgens Chevron (CVX ) CEO Mike Wirth:

“De groei en de vraag naar stroom kan een reeds onder druk staand net belasten. Het kan extra kosten voor consumenten met zich meebrengen. Aardgas zal de snelle groei van kunstmatige intelligentie van stroom voorzien dankzij de onverzadigbare vraag naar betrouwbare elektriciteit.”

Als reactie op deze vraag heeft Chevron onlangs aangekondigd dat het zal samenwerken met GE (GE ) Verona en Engine No. 1 om elektriciteit voor AI te genereren door aardgaskrachtcentrales te bouwen die direct op datacenters zijn aangesloten.

Momenteel zijn datacenters goed voor ongeveer 1 % van het wereldwijde elektriciteitsverbruik, volgens een rapport van het Internationaal Energieagentschap (IEA). 

Maar dit is slechts het begin, aangezien bedrijven miljarden dollars uitgeven om nog meer datacenters te bouwen. 

Microsoft (MSFT ) is planning to invest $80 billion in AI‑ondersteunde datacenters, waarvan de helft wordt toegewezen aan de VS. According to Blackstone (BX ) estimates, over $1 trillion will be invested in VS datacenters through 2030, with Google (GOOGL ), Meta (META ), and Amazon (AMZN ) among the tech giants building datacenters across the nation.

Dus zal het energieverbruik van de sector vanaf nu alleen maar versnellen. Goldman Sachs (GS ) schat dat de vraag naar stroom voor datacenters de komende vijf jaar met 160 % zal groeien, wat vanzelfsprekend een ongekende stijging van het elektriciteitsverbruik zal veroorzaken.

Volgens schattingen van het Electric Power Research Institute (EPRI) kan het energieverbruik van deze faciliteiten in de VS tegen het einde van dit decennium tussen de 4,6 % en 9,1 % van de totale elektriciteitsopwekking bedragen. 

Intussen verbruikten datacenters in Europa, specifiek Duitsland, in 2020 ongeveer 16 miljard kWh energie voor rekenen, opslag en transmissie, een cijfer dat naar verwachting zal stijgen tot 22 miljard kWh tegen 2025.

Als gevolg hiervan onderzoeken wetenschappers voortdurend manieren om de energiebehoefte van AI te verlagen. 

Het Verminderen van AI‑Energieverbruik

AI‑technologie speelt een sleutelrol bij het verbeteren van de energie‑efficiëntie in verschillende sectoren door het optimaliseren van energieverbruik, het voorspellen van vraag en het mogelijk maken van slim netbeheer, wat uiteindelijk leidt tot minder energieverspilling en lagere CO₂‑emissies. 

Zo heeft Vodafone UK AI gebruikt om het dagelijkse stroomverbruik van 5G‑radio‑units (RUs) te verlagen met behulp van geavanceerde AI‑ en machine‑learning‑gedreven softwareoplossingen van Ericsson. Ze hebben het al met 33 % succesvol verlaagd op geselecteerde locaties in Londen.

Vodafone UK implementeerde drie belangrijke energiebesparende functies als onderdeel van de proef. 

Dit omvat een Radio Power Efficiency Heatmap, die ML gebruikt om onderpresterende sites te identificeren en te rangschikken voor gerichte efficiëntie‑verbeteringen door een visuele weergave van alle netwerkcellen te creëren. Vervolgens is er de 4G Cell Sleep Mode Orchestration, die een gedragsmodel van netwerkcellen heeft ontwikkeld om slaapparameters fijn af te stemmen en zo een balans tussen energiebesparing en prestaties te creëren. 5G Deep Sleep gebruikt ondertussen AI‑gedreven voorspellende algoritmen, waardoor het stroomverbruik tijdens daluren met 70 % wordt verminderd.

Maar wat betreft het energieverbruik van AI? Wel, onderzoekers en bedrijven richten zich op veel verschillende gebieden om het energieverbruik van deze snelgroeiende technologie te verminderen.

Dit omvat het optimaliseren van AI‑modellen, het gebruik van energie‑efficiënte hardware, en het aannemen van duurzame praktijken zoals hernieuwbare energie en efficiënte koeling in datacenters.

Bij het optimaliseren van AI‑modellen kunnen verschillende benaderingen worden gevolgd, zoals pruning, kwantisatie en distillatie. Bij model‑pruning worden onnodige parameters en verbindingen uit een model verwijderd zonder de nauwkeurigheid te beïnvloeden. Kwantisatie richt zich op het verlagen van de precisie van modelparameters om de rekeneisen en het energieverbruik te verminderen. Bij distillatie worden kleinere modellen getraind om het gedrag van een groter, complexer model na te bootsen, wat een energie‑efficiënter model oplevert met vergelijkbare prestaties. 

Zoals MIT Technology Review opmerkte in de publicatie van dit jaar, zijn kleinere modellen een van de technologische doorbraken die het volgende tijdperk zullen definiëren. Deze modellen worden getraind op meer gerichte datasets en kunnen domeinspecifieke precisie, kostenefficiëntie en verbeterde gegevensbeveiliging bieden vergeleken met grote taalmodellen (LLM’s). 

GPT‑4o mini van OpenAI, Phi van Microsoft, Gemini Nano van Google DeepMind, en Haiku van Anthropic’s Claude 3 zijn enkele voorbeelden van kleinere versies van grotere AI‑modellen van technologische giganten.

Wat hardware betreft, ligt de focus op het gebruik van GPU’s en andere gespecialiseerde AI‑processors die specifiek zijn ontworpen voor high‑performance workloads. 

Daarnaast zijn er geselecteerde energie‑efficiënte servers en processors die het stroomverbruik aanpassen op basis van de werklast, virtualisatie voor betere resource‑benutting door meerdere processen op minder fysieke machines uit te voeren, en geavanceerde koelingstechnologieën om de behoefte aan energie‑intensieve airconditioningsystemen te verminderen. 

Zoals we vorige maand deelden, hebben onderzoekers van de Tohoku‑universiteit, het Japanse Atomaire Energieagentschap en het Nationaal Instituut voor Materialenwetenschap een zeer efficiënt en energie‑besparend AI‑hardware bereikt. De onderzoekers gebruikten spintronic‑apparaten voor low‑power AI‑chips en toonden een current‑programmed spin‑orbit torque (SOT) apparaat dat de deuren opent voor een nieuwe generatie AI‑hardware.

Een andere manier om het energieverbruik van AI te verlagen, is via duurzame praktijken. Datacenters kunnen gebruikmaken van hernieuwbare energiebronnen, energie‑efficiënte koelsystemen implementeren en efficiënte lay-outs ontwerpen om het energieverbruik te verminderen.

Bedrijven zetten zich hier actief voor in, waarbij Google vooruitgang boekt met geothermische energie. Microsoft is een ander voorbeeld, dat van plan is de Three Mile Island kerncentrale te heropenen om tegen 2030 koolstofneutraal te worden.

Interessant genoeg wordt AI ook gebruikt om de energie‑efficiëntie van AI zelf te verbeteren. De technologie wordt ingezet om het energieverbruik in gebouwen en industrieën te optimaliseren, te voorspellen wanneer apparatuur onderhoud nodig heeft, en de piekvraag te verminderen door gebruik te maken van realtime netcondities.

Te midden hiervan hebben onderzoekers van de Technische Universiteit München (TUM) een nieuwe methode ontwikkeld die neurale netwerken tot 100 keer sneller traint, waardoor het energieverbruik van AI‑toepassingen aanzienlijk wordt verminderd.

Hiervoor berekenden de onderzoekers de parameters direct op basis van waarschijnlijkheden in plaats van een iteratieve aanpak, maar de resultaten zijn tot nu toe vergelijkbaar in kwaliteit met bestaande iteratieve methoden.

Een Nieuwe Manier om Het Energieverbruik van AI Aanzienlijk te Verminderen 

Naast het toenemende gebruik van AI zal de lancering van complexere AI‑toepassingen in de komende jaren leiden tot een aanzienlijke toename van de vraag naar datacentercapaciteit. 

Deze toepassingen zullen enorme hoeveelheden energie verbruiken voor het trainen van neurale netwerken. Daarom richt de nieuwe studie zich op het verminderen van de enorme hoeveelheid stroom die nodig is om neurale netwerken voor AI te trainen. 

Neurale netwerken worden in AI gebruikt om afbeeldingen te herkennen en taal te verwerken, naast andere taken. De werking van deze netwerken is geïnspireerd op de manier waarop het menselijk brein werkt.

Het neurale netwerk bestaat uit onderling verbonden knooppunten die kunstmatige neuronen worden genoemd. Hier worden de ingangssignalen gewogen met specifieke parameters voordat ze worden opgeteld, en als de gedefinieerde limiet wordt overschreden, wordt het signaal doorgegeven aan het volgende knooppunt.

Om het netwerk te trainen, wordt de initiële selectie van parameterwaarden meestal willekeurig gekozen en vervolgens geleidelijk aangepast om de voorspellingen van het netwerk stapsgewijs te verbeteren.

Deze aanpak vereist uiteraard veel iteraties, waardoor de training extreem veeleisend wordt, wat op zijn beurt leidt tot een hoog elektriciteitsverbruik.

Dus ontwikkelde een team van onderzoekers onder leiding van Felix Dietrich, een professor in Physics‑enhanced Machine Learning, een nieuwe methode. Dietrich is kernlid van het Munich Data Science Institute (MDSI) en associate member van het Munich Center for Machine Learning (MCML).

Wat deze nieuwe techniek doet, is dat ze gebruik maakt van waarschijnlijkheden in plaats van de parameters tussen de knooppunten herhaaldelijk te bepalen. Deze nieuwe probabilistische methode maakt een gerichte inzet van waarden op kritieke locaties in de trainingsdata. Dit zijn locaties waar grote en snelle veranderingen in waarden plaatsvinden. 

Met deze aanpak streeft de studie ernaar energie‑besparende dynamische systemen uit de data te verkrijgen. Dergelijke dynamische systemen veranderen in de loop van de tijd volgens regels. Deze systemen zijn te vinden in financiële markten en klimaatmodellen.

“Onze methode maakt het mogelijk om de benodigde parameters te bepalen met minimale rekenkracht. Dit kan het trainen van neurale netwerken veel sneller maken en daardoor energie‑efficiënter. Bovendien hebben we gezien dat de nauwkeurigheid van de nieuwe methode vergelijkbaar is met die van iteratief getrainde netwerken.”

– Dietrich

Deze vooruitgang heeft het potentieel om de milieu‑impact van AI aanzienlijk te verlagen door de energie die nodig is voor het trainen van neurale netwerken te verminderen. We zouden binnen de komende 1 tot 3 jaar kunnen zien dat industrieën grootschalige AI‑modellen inzetten die deze methode toepassen, wat leidt tot duurzamere en kosteneffectieve AI‑oplossingen.

Innovatief Bedrijf

NVIDIA Corporation

Een leider in AI‑computing, NVIDIA (NVDA ) ontwikkelt energie‑efficiënte GPU’s en AI‑accelerators, en innoveert continu om de prestaties te verbeteren terwijl het stroomverbruik wordt verminderd.​

Vorig jaar, tijdens de AI Summit DC, meldde het bedrijf dat het energieverbruik van zijn GPU’s een enorme 2.000‑voudige reductie in training heeft gezien gedurende het afgelopen decennium. In dezelfde periode heeft het ook een 100.000‑voudige energiereductie bij het genereren van tokens ervaren. De efficiëntieverbetering is 2.000‑voudig, terwijl een 4.000‑voudige verbetering in rekencapaciteit is geregistreerd in de afgelopen tien jaar.

Volgens Bob Pette, destijds Nvidia’s VP van enterprise platforms:

“Als auto’s hun efficiëntie evenveel hadden verbeterd als wij de inferentie‑prestaties hebben verbeterd, zou je meer dan 300 jaar kunnen rijden op één enkele tank benzine. De kern van versnelde computing is duurzame computing.”

Nvidia’s Blackwell is de nieuwe vlaggenschip‑GPU‑architectuur, die Hopper opvolgt en is ontworpen om AI‑prestaties “op een significante manier” te verbeteren. Dit platform is uitgerust met de krachtigste chip ter wereld, een transformer‑engine van de tweede generatie, en NVLink van de vijfde generatie, terwijl het extreem energie‑efficiënt is voor inferentie en training.

NVIDIA Corporation is eigenlijk een full‑stack computing‑infrastructuurbedrijf met segmenten waaronder Compute & Networking en Graphics.

Compute & Networking omvat datacenter‑, netwerk‑, autonome‑ en elektrische‑voertuigoplossingen, DGX Cloud‑computingdiensten en Jetson, terwijl het Graphics‑segment GeForce GPU’s, GeForce NOW, virtuele GPU‑software, NVIDIA RTX GPU’s en Omniverse Enterprise‑software omvat.

Met een marktkapitalisatie van $2,96 biljoen worden NVIDIA‑aandelen, op het moment van schrijven, verhandeld tegen $121,50, een daling van 9,4 % YTD. Het bedrijf heeft een EPS (TTM) van 2,94 en een P/E (TTM) van 41,40, terwijl het dividendrendement 0,03 % bedraagt.

Ondanks de recente daling van de NVIDIA‑aandelenkoersen, die niet alleen de chipfabrikant treft, blijft het bedrijf investeerders aantrekken. Tenslotte is de aandelenwaarde sinds 2020 met meer dan 1.800 % gestegen, waardoor het een van de meest waardevolle bedrijven ter wereld is.

De belangstelling voor NVIDIA is vooral onder jonge investeerders, aangezien het Tesla (TSLA ) overtreft als de meest gehouden aandeel op Robinhood (HOOD ). Een overweldigende meerderheid (75 %) van de gefinancierde accounts op dit commissievrije beleggingsplatform wordt beheerd door Millennials en Gen Z. 

Robinhood‑CEO Vlad Tenev gelooft ook dat Nvidia dankzij AI belangrijker zal worden dan ooit.

“Ik denk dat AI beleggen belangrijker zal maken, want als de controle over de technologie wordt gecentraliseerd bij technologiebedrijven, moet je in die bedrijven investeren om ervan te profiteren.”

– Tenev

Wat de bedrijfsfinanciën betreft, meldde Nvidia Q4 eind 26 januari 2025, met een omzet van $39,3 miljard, een stijging van 12 % en 78 % ten opzichte van het vorige kwartaal en een jaar geleden, respectievelijk. 

In het datacenter‑segment bedroeg de omzet van het bedrijf in het vierde kwartaal een record $35,6 miljard. In deze periode werd NVIDIA gekozen als belangrijke technologische partner voor het $500 miljard Stargate‑project.

Andere ontwikkelingen omvatten cloud‑serviceproviders AWS, CoreWeave (CRWV ), Google Cloud Platform (GCP), Microsoft Azure en Oracle (ORCL ) Cloud Infrastructure (OCI) die NVIDIA® GB200‑systemen gebruiken om te voldoen aan de groeiende AI‑vraag, het beschikbaar maken van het NVIDIA DGX™ Cloud AI‑computingplatform en NVIDIA NIM™‑microservices via AWS Marketplace, Cisco die NVIDIA Spectrum‑X™ integreert in zijn netwerkportfolio, samenwerking met Verizon om NVIDIA AI Enterprise te integreren, en partnerschappen met IQVIA (IQV ), Mayo Clinic, Illumina en Arc Institute om medicijnontdekking, genomica en gezondheidszorg te bevorderen.

De omzet uit Gaming en AI‑PC daalde tot $2,5 miljard, terwijl NVIDIA nieuwe GeForce RTX™ 50‑serie grafische kaarten en laptops met de Blackwell‑architectuur aankondigde, de GeForce RTX 5090 en 5080 grafische kaarten lanceerde en DLSS 4 introduceerde. 

Naast deze, bedroeg de omzet uit professionele Visualisatie $511 miljoen en $570 miljoen kwam van de Automotive‑ en Robotics‑divisie.

In dit kwartaal bedroeg de GAAP‑winst per verwaterde aandeel $0,89, een stijging van 14 % ten opzichte van het vorige kwartaal en 82 % hoger dan een jaar geleden. De non‑GAAP‑winst per verwaterde aandeel bedroeg ondertussen $0,89.

Voor het fiscale jaar 2025 bedroeg de omzet $130,5 miljard, een enorme stijging van 114 % ten opzichte van een jaar geleden. De GAAP‑winst per verwaterde aandeel voor de periode was $2,94 en de non‑GAAP‑winst per verwaterde aandeel was $2,99. 

“De vraag naar Blackwell is verbluffend, aangezien redeneervermogen‑AI een extra schaalwet toevoegt — het verhogen van compute voor training maakt modellen slimmer en het verhogen van compute voor langdurig denken maakt het antwoord smarter.“ 

– CEO en oprichter Jensen Huang

Dus heeft het bedrijf de productie van zijn Blackwell AI‑supercomputers opgeschaald, waardoor miljarden dollars aan verkopen zijn behaald.

Voor het eerste kwartaal van het fiscale jaar 2026 verwacht het bedrijf een omzet van $43 miljard, GAAP‑operationele kosten van $5,2 miljard, en non‑GAAP‑overige inkomsten van ongeveer $400 miljoen.

“AI ontwikkelt zich in een razendsnel tempo, aangezien agentische AI en fysieke AI het podium vormen voor de volgende golf AI die de grootste industrieën zal revolutioneren.”

– Huang

Laatste Nieuws over NVIDIA Corporation

Conclusie

AI staat op het punt om bedrijven in alle sectoren te revolutioneren, maar dat betekent een ongekende stijging van de energievraag. Deze vraag vormt een grote uitdaging, waaraan veel onderzoekers werken om deze te overwinnen. 

De ontwikkeling van een nieuwe probabilistische trainingsmethode vormt een belangrijke doorbraak in energie‑efficiënte AI door de stroombehoefte tot wel 100 keer te verminderen. Met de verwachting dat het AI‑gerelateerde energieverbruik zal stijgen naarmate datacenters uitbreiden, kan deze vooruitgang de operationele kosten en de milieu‑impact aanzienlijk verlagen. 

In combinatie met Nvidia’s focus op energie‑efficiënte GPU’s en AI‑accelerators kunnen deze innovaties de adoptie van AI versnellen en de productiviteit verhogen.

Klik hier om alles te leren over investeren in kunstmatige intelligentie.