De computers waarop AI draait — en hoeveel stroom ze verbruiken

De hardware achter AI

Wanneer je een vraag stelt aan ChatGPT of Claude, reist je bericht naar een reusachtig datacenter ergens in de wereld. Daar staan rekken vol gespecialiseerde computers die binnen seconden duizenden berekeningen uitvoeren om je antwoord te genereren. Die computers zijn fundamenteel anders dan de laptop of smartphone waarop je dit leest.

De kern van moderne AI-hardware is de GPU (Graphics Processing Unit). Oorspronkelijk ontworpen voor videogames, bleken GPU’s bij uitstek geschikt voor het soort matrixberekeningen dat machine learning vereist. Waar een CPU (de gewone processor in je computer) een klein aantal taken snel uitvoert, voert een GPU duizenden taken tegelijkertijd maar iets langzamer uit. Voor AI-training is die parallelle kracht doorslaggevend.

De GPU: hart van de AI-revolutie

Illustratie gemaakt met Canva AI

NVIDIA dominieert de AI-GPU-markt met meer dan 80% marktaandeel. De meest gevraagde chips zijn:

• NVIDIA H100 — de huidige standaard voor AI-training. Kost circa ․30.000 per stuk. Verbruikt 700 watt. Een enkele H100 levert meer rekenkracht dan een supercomputer van tien jaar geleden.
• NVIDIA H200 — opvolger van de H100 met 141 GB HBM3e-geheugen. Betere prestaties bij grote modellen.
• NVIDIA Blackwell B200 — de nieuwste generatie (2025). Verbruikt tot 1.000 watt per chip maar levert 2,5x meer prestatie dan de H100. Wachttijden van meer dan een jaar bij grote cloudproviders.
• Google TPU v5 — Google’s eigen AI-chip, geoptimaliseerd voor TensorFlow en zijn eigen modellen. Niet te koop, alleen beschikbaar via Google Cloud.
• AMD Instinct MI300X — het meest serieuze alternatief voor NVIDIA. Meer geheugen (192 GB) maar minder ecosysteem-ondersteuning.

Hoeveel GPU’s heeft een AI-model nodig?

De schaal is verbijsterend:

• GPT-3 (2020) werd getraind op circa 10.000 NVIDIA V100 GPU’s gedurende weken.
• GPT-4 (2023) — exacte details zijn geheim, maar schattingen liggen op tienduizenden A100’s.
• Llama 3 405B (Meta, 2024) werd getraind op meer dan 16.000 H100’s gedurende 30 dagen.
• Inference (dagelijks gebruik) voor ChatGPT vereist naar schatting 30.000–50.000 GPU’s permanent actief voor de huidige gebruikersaantallen.

Datacenters: de fabrieken van de AI-economie

Al die GPU’s staan in gespecialiseerde datacenters — gebouwen van soms meerdere hectares groot, gevuld met serverrekken. De grootste AI-datacenters ter wereld worden gebouwd in de VS (Virginia, Texas, Arizona), Europa (Ierland, Nederland) en Azië.

Een modern AI-datacenter vereist:

• Megawatts aan stroomaansluiting — een enkel groot datacenter kan 500 MW tot 1 GW verbruiken. Ter vergelijking: een gemiddeld kolencentrale levert circa 500 MW.
• Koeling — de helft van het energieverbruik gaat naar koeling. GPU’s produceren extreme hitte; zonder koeling zouden ze binnen minuten smelten.
• Redundante stroomvoorziening — noodgeneratoren, UPS-systemen en dubbele netaansluitingen.
• Netwerk — honderden kilometers glasvezelkabel intern, en aansluitingen op het internet-backbone.

Het stroomverbruik van AI

Hoe groot is het energieverbruik van AI precies? De cijfers zijn schokkend:

• GPT-4 trainen: naar schatting 50–100 GWh — vergelijkbaar met het jaarverbruik van 5.000–10.000 Nederlandse huishoudens.
• één ChatGPT-gesprek: naar schatting 0,001–0,01 kWh per bericht — 10x meer dan een Google-zoekopdracht.
• Microsoft Azure AI-diensten: Microsoft’s totale datacenter-gebruik steeg met 30% in 2023 na de ChatGPT-investering.
• Google: meldde in 2024 dat AI zijn CO₂-uitstoot met 48% deed stijgen ten opzichte van 2019, ondanks grote investeringen in duurzame energie.

De IEA (International Energy Agency) voorspelde in 2024 dat datacenters in 2026 evenveel stroom verbruiken als heel Japan — en AI is de snelst groeiende component.

Waterconsumptie: het vergeten probleem

Naast elektriciteit verbruiken datacenters enorme hoeveelheden water voor koeling. Servers worden gekoeld via watercircuits die warmte afvoeren via koeltorens. Microsoft’s datacenters verbruikten in 2022 al 6,4 miljoen m³ water — vergelijkbaar met het jaarverbruik van 50.000 huishoudens.

Dit is een groeiend probleem in regio’s met waterschaarste. Arizona, waar veel grote AI-datacenters worden gebouwd, kampt met ernstige droogte door de klimaatverandering.

Efficiëntie-verbeteringen

De industrie is niet passief. Er zijn serieuze pogingen om het energieverbruik terug te dringen:

• Kleinere modellen — Modellen als Mistral 7B, Phi-4 en Llama 3.2 1B bieden verrassend goede prestaties bij een fractie van de rekenkracht van de grote modellen.
• Quantisatie — modellen comprimeren van 32-bit naar 4-bit of 8-bit precisie, waardoor ze op minder krachtige hardware draaien.
• Efficiëntere architecturen — Mixture of Experts (MoE) activeert slechts een deel van het netwerk per query, wat energie bespaart.
• On-device AI — kleine modellen op smartphones en laptops elimineren de serverreis voor eenvoudige taken.
• Groene energie — Google, Microsoft en Amazon committeren zich aan 100% hernieuwbare energie voor hun datacenters, al lopen de beloften en realiteit uiteen.

De geopolitiek van AI-hardware

De afhankelijkheid van NVIDIA-GPU’s heeft geopolitieke gevolgen. De VS heeft exportbeperkingen ingesteld die voorkomen dat geavanceerde chips naar China worden geleverd. Dit heeft China gedwongen eigen chips te ontwikkelen (Huawei Ascend, Cambricon) en heeft de wereldwijde aanbodketen van AI-hardware fundamenteel verstoord.

Taiwan speelt een cruciale rol: TSMC (Taiwan Semiconductor Manufacturing Company) produceert vrijwel alle geavanceerde AI-chips, inclusief die van NVIDIA. De geopolitieke spanning rond Taiwan is daardoor direct verbonden met de toekomst van AI.

Conclusie

AI draait op een fysieke infrastructuur van ongekende schaal en complexiteit — en de energiehonger groeit sneller dan de efficiëntieverbeteringen. De vraag of AI’s energieverbruik duurzaam is, is geen technische maar een politieke en maatschappelijke keuze: welke voordelen rechtvaardigen welke kosten?