De race om AI-chips en rekenkracht: schaarste, geopolitiek en de impact op Nederland

Kunstmatige intelligentie wordt in de volksmond vaak omschreven als een puur softwarematige doorbraak. Woorden als 'cloud', 'neuraal netwerk' en 'algoritme' wekken de suggestie van een ontastbare, virtuele wereld. De werkelijkheid is echter grimmiger en veel fysieker: de huidige AI-revolutie drijft volledig op rekenkracht, silicium, geavanceerde koeling en extreme hoeveelheden energie. Wie niet beschikt over gespecialiseerde hardware, doet simpelweg niet mee in het hoogste echelon van modelontwikkeling.

In dit artikel ontrafelen we de dynamiek achter de wereldwijde strijd om AI-chips. We kijken naar de oorzaken van de aanhoudende GPU-schaarste, de belangrijkste spelers op het marktvisier, het fysieke productie-bottleneck, de geopolitieke krachtenvelde rondom ASML en Taiwan, en ten slotte wat dit alles concreet betekent voor Nederlandse ontwikkelaars en organisaties.

1. Waarom traditionele hardware tekortschiet: van CPU naar GPU

Om te begrijpen waarom er een acute schaarste is aan AI-chips, moeten we kijken naar de manier waarop grote taalmodellen (LLM's) rekenen. Een klassieke Central Processing Unit (CPU) is ontworpen als een 'duizendpoot': uiterst snel in het achter elkaar uitvoeren van complexe, uiteenlopende taken (sequentiële verwerking). Een CPU beschikt over een beperkt aantal zeer krachtige rekenkernen.

AI-modellen, en in het bijzonder de architectuur van transformers en diepe neurale netwerken, werken fundamenteel anders. Zij vereisen miljarden simpele wiskundige bewerkingen — hoofdzakelijk matrixvermenigvuldigingen — die gelijktijdig moeten plaatsvinden. Dit noemt men parallelle verwerking.

De opkomst van de Graphics Processing Unit

Graphics Processing Units (GPU's), die oorspronkelijk werden ontwikkeld voor het renderen van 3D-afbeeldingen en videogames, bleken bij uitstek geschikt voor dit type werk. Een GPU bevat niet tientallen, maar duizenden kleinere rekenkernen die parallel hetzelfde type wiskundige taak kunnen uitvoeren. Toen onderzoekers ontdekten dat neurale netwerken exponentieel sneller trainden op GPU's dan op CPU's, veranderde de grafische kaart van een consumentencomponent in de belangrijkste grondstof van de moderne techsector.

2. De bottlenecks: Waarom chips maken zo extreem moeilijk is

Het bouwen van een moderne AI-accelerator is een van de meest complexe industriële processen op aarde. Het gaat hierbij al lang niet meer alleen om het etsen van zo klein mogelijke transistors op een plak silicium (de wafer). De grootste frictiepunten in de toeleveringsketen zitten tegenwoordig in twee specifieke onderdelen: geheugenbandbreedte en geavanceerde verpakking.

High Bandwidth Memory (HBM)

Tijdens het trainen of draaien van een model met honderden miljarden parameters moeten de gewichten (weights) van het model continu heen en weer worden gestuurd tussen het rekengeheugen en de verwerkingskernen. Traditioneel DDR-geheugen is hiervoor veel te traag. De rekenkern staat dan te wachten op data — een zogenaamde 'memory wall'.

De oplossing is High Bandwidth Memory (HBM). Hierbij worden meerdere geheugenchips verticaal op elkaar gestapeld en via microscopisch kleine verbindingen direct naast de processor geplaatst. De wereldwijde productiecapaciteit voor HBM is extreem beperkt en vrijwel volledig uitverkocht door een handvol chipfabrikanten.

Geavanceerde verpakking (CoWoS)

Een tweede cruciale bottleneck is wat in de industrie Advanced Packaging wordt genoemd. TSMC (Taiwan Semiconductor Manufacturing Company) maakt gebruik van een gepatenteerde techniek genaamd CoWoS (Chip-on-Wafer-on-Substrate). Hierbij worden de processor en de HBM-geheugenstapels op een dunne tussenlaag (interposer) geplaatst, waardoor ze als één hybride chip fungeren.

Kerninzicht: Het fysieke tekort aan AI-chips wordt momenteel niet primair veroorzaakt door een gebrek aan siliciumwafers, maar door de beperkte capaciteit van geavanceerde verpakkingslijnen zoals CoWoS en de schaarste aan HBM-geheugen.

3. Marktverhoudingen: Monopolies, softwaremuren en uitdaagsters

De markt voor hoogwaardige AI-hardware wordt momenteel gedomineerd door één speler: Nvidia. Deze dominantie is niet alleen het gevolg van superieure hardware, maar weerspiegelt vooral een strategische keuze die bijna twee decennia geleden werd gemaakt.

De onzichtbare muur van CUDA

In 2006 lanceerde Nvidia CUDA (Compute Unified Device Architecture), een softwareplatform waarmee ontwikkelaars GPU's kunnen aansturen voor algemene rekenopdrachten. Doordat vrijwel de gehele academische en industriële AI-wereld de afgelopen vijftien jaar is opgeleid met CUDA, is er een diep verankerd ecosysteem ontstaan. Vrijwel alle bekende AI-frameworks (zoals PyTorch en TensorFlow) zijn primair geoptimaliseerd voor CUDA. Een overstap naar een andere chipfabrikant vereist vaak het herschrijven van software en het herontwerpen van workflows.

De alternatieven: AMD en maatwerk-ASIC's

Toch proberen verschillende partijen de hegemonie te doorbreken:

• AMD: Met de Instinct-reeks (zoals de MI300-serie) biedt AMD een krachtig hardwarematig alternatief. Via het open-source platform ROCm probeert AMD de softwareachterstand op CUDA in te lopen, al blijft de compatibiliteit in de praktijk soms een uitdaging.
• Big Tech en eigen silicon (ASIC's): Grote cloudproviders bouwen in sneltreinvaart hun eigen applicatiespecifieke chips (ASIC's). Google gebruikt al jaren zijn eigen TPU's (Tensor Processing Units), Amazon beschikt over Trainium en Inferentia, Meta ontwikkelt MTIA en Microsoft rolt de Maia-chips uit. Deze chips zijn minder flexibel dan generieke GPU's, maar voor specifieke taken aanzienlijk goedkoper en energiezuiniger.

4. Geopolitiek en de strategische keten: De rol van Nederland

Hardware voor kunstmatige intelligentie is niet langer een puur commerciële kwestie; het is een dossier van nationaal strategisch belang en geopolitieke machtsverhoudingen geworden. De waardeteketens zijn extreem geglobaliseerd, maar tegelijkertijd schrikbarend kwetsbaar door monopolies in specifieke schakels.

ASML: Het Nederlandse kroonjuweel

Nederland speelt een absoluut sleutelrol in deze mondiale keten dankzij ASML uit Veldhoven. ASML heeft een feitelijk wereldmonopolie op de productie van EUV-lithografiemachines (Extreem Ultraviolet). Zonder deze machines, die patronen op nanometerschaal op silicium kunnen printen, is het technisch onmogelijk om de meest geavanceerde AI-chips ter wereld te produceren.

Vanwege deze sleutelpositie staat Nederland onder voortdurende druk van het Amerikaanse ministerie van Handel. De Verenigde Staten hebben strengere exportrestricties ingesteld om te voorkomen dat geavanceerde lithografietechnologie en hoogwaardige AI-chips worden geleverd aan China. Dit heeft geleid tot politieke spanningen en strikte vergunningsstelsels voor de Nederlandse chipmachinefabrikant.

De kwetsbaarheid van Taiwan en de European Chips Act

Een ander geopolitiek pijnpunt is de geografische concentratie van de chipfabricage. De meest geavanceerde chips worden fysiek geproduceerd in fabrieken op Taiwan, hoofdzakelijk door TSMC. Eventuele geopolitieke escalaties rondom de Straat van Taiwan zouden de wereldwijde levering van rekenkracht binnen enkele dagen tot stilstand kunnen brengen.

Om deze afhankelijkheid te verkleinen, hebben zowel de Verenigde Staten als de Europese Unie subsidieprogramma's gelanceerd (zoals de European Chips Act). Het doel is om meer chipfabrieken (fabs) op eigen bodem te bouwen. Hoewel dit de leveringszekerheid op de lange termijn kan verbeteren, duurt het bouwen van een geavanceerde fabriek vele jaren en vereist het honderden miljarden euro's aan investeringen.

5. Wat betekent dit voor de Nederlandse markt en AI-gebruikers?

De geopolitieke strijd en de fysieke schaarste aan hardware zijn geen ver-van-mijn-bed-show. Ze hebben directe consequenties voor Nederlandse bedrijven, overheidsinstellingen en softwareontwikkelaars.

1. Hoge en variabele cloudkosten

Omdat AI-chips kostbaar zijn en de vraag het aanbod overstijgt, berekenen cloudproviders deze kosten direct door aan hun klanten. Zowel de prijs per token bij API-gebaseerde modellen als de uurprijzen voor het huren van dedicated GPU-instances blijven hoog. Dit verhoogt de drempel voor startups en het MKB om op grote schaal eigen modellen te trainen of te verfijnen.

2. Fysieke grenzen: Energie en netcongestie

Het draaien van omvangrijke GPU-clusters vraagt gigantische hoeveelheden elektriciteit en koelcapaciteit. In Nederland stuit de uitbreiding van datacenters op concrete fysieke grenzen. Netcongestie — het gebrek aan capaciteit op het Nederlandse stroomnet — maakt het lastig om nieuwe, grote datacenters aan te sluiten. Dit beïnvloedt de regionale beschikbaarheid van rekenkracht direct. Lees hier meer over in onze analyse over AI en energieverbruik en ons overzicht van datacenters en AI in Nederland.

3. Soevereiniteit en datalocatie

Doordat de meest krachtige hardwareclusters zich bevinden in Amerikaanse cloudinfrastructuur, worden Nederlandse organisaties geconfronteerd met vragen rondom datasoevereiniteit en privacy. Zeker binnen de zorg en de overheid groeit de wens om modellen lokaal of op Europese bodem te kunnen draaien. Als je wilt afwegen of een eigen infrastructuur of een cloudoplossing de beste keuze is, raadpleeg dan onze keuzegids over cloud versus on-premise hardware.

6. Strategieën voor de praktijk: Efficiëntie boven spierbaltaal

Gezien de schaarste en de hoge kosten van hardware is het wachten op 'onbeperkte goedkope rekenkracht' geen reële strategie. Succesvolle Nederlandse organisaties kiezen daarom steeds vaker voor slimme, efficiënte alternatieven in plaats van steeds grotere rekenclusters:

• Inzet van kleinere modellen: Voor veel specifieke zakelijke toepassingen is een enorm model van honderden miljarden parameters niet nodig. Door over te stappen op geoptimaliseerde kleine taalmodellen (SLM's) kan men volstaan met een fractie van de vereiste GPU-capaciteit.
• Quantisatie en optimalisatie: Met technieken zoals quantisatie (het terugbrengen van de precisie van gewichten van bijvoorbeeld 16-bit naar 8-bit of 4-bit) kunnen krachtige open-weights modellen lokaal draaien op consumenten-hardware of lichtere servers.
• Hybride inference: Eenvoudige vragen worden afgehandeld door lichte, lokale modellen, terwijl alleen zeer complexe taken worden doorgestuurd naar dure, externe GPU-clusters in de cloud.

Conclusie

De race om AI-chips is een ingewikkeld samenspel van technische fysica, marktdominantie en mondiale geopolitiek. Zand en silicium zijn getransformeerd tot het strategische goud van deze eeuw. Hoewel Nvidia met het CUDA-ecosysteem en hoogwaardige chips momenteel de dienst uitmaakt, zorgen de opkomst van maatwerk-ASIC's van Big Tech en alternatieve chipontwerpen voor een dynamische markt.

Voor Nederlandse organisaties en ontwikkelaars ligt de sleutel niet noodzakelijkerwijs in het meedoen aan de wedloop om de grootste GPU-clusters. De echte winst valt te behalen door slimme architectuurkeuzes: het toepassen van quantisatie, het benutten van gespecialiseerde kleine modellen en het bewaken van de balans tussen efficiëntie, privacy en kosten. Rekenkracht blijft schaars, maar wie efficiënt bouwt, kan ook met beperkte hardware maximaal rendement behalen.