Nvidia werd lange tijd vooral gezien als dé leverancier van GPU’s — de speciale chips die veel AI-berekeningen tegelijk kunnen doen. Toen grote cloudbedrijven zelf begonnen met het maken van chips, vroegen beleggers zich af of Nvidia die voorsprong nog kon vasthouden.

Wat is er veranderd?

De recente cijfers van Nvidia tonen een ander beeld. Het bedrijf verkoopt niet alleen losse GPU’s meer. Het bouwt complete systemen rondom die chips. Die systemen regelen hoe data beweegt, hoe opslag en netwerk samenwerken, en hoe rekencapaciteit op grote schaal efficiënt draait.

AI-installaties groeien nu naar verbruik op gigawatt-niveau. Dat maakt het beheer van al die onderdelen steeds ingewikkelder. Het gaat niet alleen om sneller rekenen, maar vooral om slim regelen van verkeer tussen opslag, geheugen en GPU’s.

Waarom orkestratie van data belangrijk is

Orkestratie betekent hier het coördineren en doorsturen van data tussen verschillende onderdelen van een datacenter. Dat lijkt technisch, maar het heeft simpele gevolgen:

• Als data niet op het juiste moment bij de GPU is, staat die stil en gaat energie en capaciteit verloren.

• Hoe minder data onnodig wordt verplaatst, hoe efficiënter een AI-model draait.

• Meer efficiëntie betekent minder stroomgebruik per reactie, oftewel een betere tokens-per-watt (hoeveel AI-uitvoer je krijgt per gebruikte energie).

Grote cloudspelers en chipmakers proberen dit op verschillende manieren op te lossen. Sommige ontwerpen, zoals een chip van OpenAI genaamd Jalapeño, verkleinen juist de noodzaak om data te verplaatsen door veel werk binnen één verbonden systeem te houden.

Wat levert Nvidia nu precies?

Nvidia rolt nieuwe systemen uit onder de naam Vera Rubin-architectuur. Die combineert de Rubin GPU met andere eenheden, zoals de Vera CPU en speciale versnellers voor bepaalde taken. Deze extra onderdelen richten zich niet op het doen van alle rekentaken, maar op het zorgen dat de GPU’s zo efficiënt mogelijk kunnen werken.

Bijvoorbeeld de Vera CPU helpt data zo te regelen dat opslagmedia volledig benut kunnen worden. Zonder goede coördinatie kan snelle opslag (flash, oftewel snelle digitale opslag) niet het maximale rendement geven omdat er knelpunten ontstaan bij het verplaatsen van data.

Het resultaat is volgens Nvidia soms tot drie keer betere prestaties in bepaalde gegevensstromen. Dat betekent dat systemen sneller en zuiniger werken, zonder alleen maar meer GPU-kernen toe te voegen.

Waarom dit een ander soort concurrentie is

Tot nu toe ging veel aandacht uit naar wie de snelste of krachtigste GPU bouwt. Maar als de winstvoorraad verschuift naar het geheel rond die GPU’s — het geheugen, de opslag, het netwerk en de besturing — verandert de wedstrijd van individuele chips naar complete systemen.

Dat brengt twee belangrijke punten mee:

• Het is niet voldoende om alleen een vergelijkbare GPU te maken.

• Wie het beste hele systeem bouwt, kan een groter voorsprong hebben, ook als andere partijen prima GPU’s leveren.

Natuurlijk blijven chipmakers en grote cloudbedrijven concurreren op meerdere fronten. Nvidia moet die slag nog voeren zoals eerder op het gebied van GPU’s. Maar in deze nieuwe laag van infrastructuur lijkt Nvidia in de beginfase al een stevige positie te hebben.

Conclusie

Nvidia’s concurrentievoordeel gaat steeds vaker over slimme systeemontwerpen en data‑orkestratie, niet alleen over de raw power van een GPU. Naarmate AI-installaties groter en energie-intensiever worden, bepaalt efficiënte regie tussen opslag, geheugen en rekenkernen voor een groot deel de prestaties.

Dat betekent dat de strijd om leidende posities in AI niet alleen op chipniveau wordt uitgevochten, maar op het niveau van hele racks en datacenters. Voor organisaties die AI willen inzetten, is het inzichtelijk dat efficiëntie en slimme samenhang tussen onderdelen net zo belangrijk zijn als de individuele rekenchip.