Wat is een GPU? De complete gids over Graphics Processing Units (2026)

Wat is een GPU? Het antwoord in 30 seconden

Een GPU (Graphics Processing Unit) is een gespecialiseerde processor die ontworpen is om duizenden wiskundige bewerkingen tegelijkertijd uit te voeren. Hoewel hij oorspronkelijk werd uitgevonden om pixels op een scherm weer te geven, is de GPU geëvolueerd tot de rekenmotor achter kunstmatige intelligentie, wetenschappelijk onderzoek, autonome voertuigen en nog veel meer.

Hier is de eenvoudigste manier om het verschil tussen een CPU en een GPU te begrijpen. Denk aan een orkest. Een CPU is de dirigent — buitengewoon bekwaam, coördineert complexe arrangementen, leest de volledige partituur, beheert tempowisselingen en neemt in real-time beslissingen op hoog niveau. Maar een dirigent bespeelt geen instrumenten. Stel u nu 16.000 muzikanten voor, die elk op precies het juiste moment één simpele noot spelen. Individueel is elke noot triviaal. Samen produceren ze een symfonie van berekeningen — miljarden berekeningen verweven tot een samenhangend resultaat. Dat is een GPU.

Dit is belangrijk omdat de bepalende technologieën van ons tijdperk — grote taalmodellen, real-time ray tracing, geneesmiddelenonderzoek, klimaatmodellering — allemaal een gemeenschappelijk kenmerk delen: ze vereisen enorme hoeveelheden eenvoudige, repetitieve wiskunde die tegelijkertijd wordt uitgevoerd. CPU’s zijn daar nooit voor gebouwd. GPU’s wel.

De cijfers vertellen het verhaal. De wereldwijde GPU-markt was in 2025 $101,5 miljard waard en zal naar verwachting $1,7 biljoen bereiken in 2035, met een samengesteld jaarlijks groeipercentage van 32,6% (Precedence Research). GPU’s zijn van een nichecomponent in gaming-PC’s uitgegroeid tot de fundamentele infrastructuur van de AI-economie.

Hoe een GPU daadwerkelijk werkt: parallelle verwerking uitgelegd

Om een GPU te begrijpen, moet u parallelle verwerking begrijpen — en waarom dit fundamenteel verschilt van wat een CPU doet.

Een CPU voert taken sequentieel uit. Hij heeft een klein aantal extreem krachtige cores (doorgaans 8–24 op een desktopchip) die elk complexe, vertakkende logica kunnen verwerken. Hij is ontworpen voor veelzijdigheid: een besturingssysteem draaien, bestands-I/O beheren, conditionele codepaden uitvoeren. Een CPU-core is als een expert-ingenieur die elk type probleem kan oplossen, maar slechts één probleem tegelijk.

Een GPU hanteert de tegenovergestelde aanpak. Hij bevat duizenden eenvoudige cores die elk een klein stukje van een groter probleem verwerken — allemaal tegelijk. Dit is parallelle verwerking. In plaats van één expert die één probleem oplost, heeft u duizenden werkers die elk tegelijkertijd één stukje van een puzzel oplossen.

CUDA Cores

De werkpaarden van een NVIDIA GPU worden CUDA cores (Compute Unified Device Architecture) genoemd. Elke CUDA core is een eenvoudige processor die één floating-point- of integer-bewerking per klokcyclus kan uitvoeren. Wat ze krachtig maakt is hoeveelheid. De NVIDIA H100, het werkpaard van moderne AI-infrastructuur, heeft 16.896 CUDA cores. Een consumer RTX 4090 heeft er 16.384. Wanneer een taak zoals het renderen van een frame of het trainen van een neuraal netwerk kan worden opgesplitst in duizenden onafhankelijke deeltaken, vuren al die cores tegelijkertijd.

Tensor Cores

Geïntroduceerd met de Volta-architectuur in 2017, zijn Tensor Cores gespecialiseerde eenheden ontworpen voor matrixvermenigvuldiging en -accumulatie — de wiskundige bewerking in het hart van elk neuraal netwerk. Terwijl een CUDA core één getal tegelijk verwerkt, verwerkt een Tensor Core een volledige kleine matrix (bijvoorbeeld een 4x4-blok) in één enkele bewerking. De H100 bevat 528 Tensor Cores, elk in staat tot mixed-precision berekeningen (FP8, FP16, TF32) die AI-training en -inferentie drastisch versnellen.

Dit is waarom GPU’s AI domineren: neurale netwerken zijn in hun kern enorme reeksen matrixvermenigvuldigingen. Elke laag van een transformer-model — de architectuur achter GPT-4, Claude en Gemini — vermenigvuldigt invoermatrices met gewichtsmatrices. Deze bewerking is embarrassingly parallel, wat betekent dat ze kan worden verdeeld over duizenden processors met vrijwel geen coördinatie-overhead. GPU-architectuur past op deze werklast zo precies als een sleutel in een slot.

RT Cores

Ray Tracing cores verwerken de fysica van licht — ze volgen het pad van miljoenen individuele stralen terwijl ze weerkaatsen, breken en verstrooien in een virtuele scène. Geïntroduceerd met de Turing-architectuur in 2018, ontlasten RT Cores deze rekenintensieve taak van de CUDA cores, waardoor real-time fotorealistische rendering mogelijk wordt in games en professionele visualisatie.

Samen vormen CUDA Cores, Tensor Cores en RT Cores een drieluik dat moderne GPU’s veelzijdig genoeg maakt voor gaming, AI en wetenschappelijk rekenen binnen één enkele chip.

De GPU-tijdlijn: van pixels tot petaflops (1999–2026)

De transformatie van de GPU van een grafisch randapparaat tot de meest invloedrijke chip in de computerwereld duurde slechts 27 jaar.

• 1999 — NVIDIA brengt de GeForce 256 uit en introduceert de term “GPU.” Het is de eerste chip die transform- en lichtberekeningen op de grafische kaart afhandelt, waardoor de CPU wordt ontlast.

• 2006 — NVIDIA lanceert CUDA, een programmeerframework dat ontwikkelaars in staat stelt general-purpose code te schrijven voor GPU’s. Deze enkele beslissing transformeert de GPU van een grafische chip naar een parallel computing platform.

• 2012 — Alex Krizhevsky’s AlexNet wint de ImageNet-competitie met een historische marge, waarbij twee NVIDIA GTX 580 GPU’s worden gebruikt om een diep convolutioneel neuraal netwerk te trainen. De deep learning-revolutie begint.

• 2016 — Jensen Huang overhandigt persoonlijk het eerste DGX-1-systeem aan OpenAI. Het systeem bevat acht P100 GPU’s en 170 teraflops aan rekenkracht — een vroeg signaal van de centraliteit van de GPU in AI-onderzoek.

• 2017 — De Volta-architectuur introduceert Tensor Cores, speciaal gebouwd silicium voor matrixberekeningen. De prestaties van AI-training maken een sprong voorwaarts.

• 2020 — De A100 (Ampere) wordt gelanceerd met 3e-generatie Tensor Cores, met ondersteuning voor de TF32- en FP64-formaten die zowel AI als wetenschappelijk rekenen versnellen. Hij wordt de standaard-GPU voor datacenters wereldwijd.

• 2022 — Ethereum stapt over op Proof of Stake, waarmee effectief het tijdperk van GPU-mining eindigt. Miljoenen GPU’s overspoelen de tweedehandsmarkt, terwijl NVIDIA resoluut richting AI-datacenter-inkomsten draait.

• 2024 — De Blackwell-architectuur arriveert met 208 miljard transistors, een 2e-generatie Transformer Engine en FP4-precisie-ondersteuning. De B200 GPU levert 4x de AI-trainingsprestaties van de H100.

• 2025 — NVIDIA wordt het eerste bedrijf in de geschiedenis dat een marktwaarde van $4 biljoen bereikt, aangedreven door onverzadigbare vraag naar AI-infrastructuur.

• 2026 — NVIDIA kondigt de Rubin-architectuur aan — 336 miljard transistors, 50 PFLOPS aan FP4-inferentie en HBM4-geheugen. Het volgende tijdperk van GPU-rekenkracht begint.

GPU vs. CPU: het essentiële verschil

De GPU en CPU zijn geen concurrenten — ze zijn complementair. Het begrijpen van hun verschillen helpt u het juiste hulpmiddel te kiezen voor elke werklast.

Het belangrijkste inzicht: CPU’s optimaliseren voor latentie (één taak zo snel mogelijk voltooien), terwijl GPU’s optimaliseren voor doorvoer (zoveel mogelijk taken per seconde voltooien).

Voor een diepgaande vergelijking van GPU vs. CPU prestaties, benchmarks en kostenanalyse, lees onze complete GPU vs. CPU vergelijking.

Typen GPU’s: consumer, datacenter en mobiel

Niet alle GPU’s zijn gelijk. Ze bestrijken een breed spectrum van vormfactoren, energiebudgetten en prijspunten.

Geïntegreerd vs. discreet

Geïntegreerde GPU’s zijn ingebouwd in de CPU-die en delen het systeemgeheugen. Intel UHD en AMD Radeon geïntegreerde graphics vallen in deze categorie. Ze verbruiken minimaal vermogen en verwerken alledaagse taken — video afspelen, lichte fotobewerking, desktop-compositing — maar missen de ruwe kracht voor veeleisende werklasten.

Discrete GPU’s zijn zelfstandige chips met hun eigen dedicated VRAM, stroomvoorziening en koeling. Ze leveren dramatisch hogere prestaties en zijn vereist voor gaming op hoge instellingen, professioneel 3D-werk en elke AI- of rekentaak.

Consumer GPU’s

De NVIDIA GeForce RTX-serie (RTX 4060 tot RTX 5090) en AMD Radeon RX-serie (RX 7600 tot RX 9070 XT) richten zich op gamers en content creators. Prijzen variëren van $250 tot $2.000+. Deze GPU’s beschikken over snelle kloksnelheden, GDDR6X-geheugen en geoptimaliseerde drivers voor games en creatieve software.

Datacenter GPU’s

De NVIDIA H100, A100, L40S en AMD MI300X zijn ontworpen voor kunstmatige intelligentie, high-performance computing (HPC) en grootschalige inferentie. Ze beschikken over enorm VRAM (80–192 GB), ultrasnelle HBM-geheugen, NVLink-interconnects en foutcorrigerend geheugen. Een enkele H100 SXM-module verbruikt tot 700W en kost $25.000–$40.000.

Mobiele GPU’s en NPU’s

Smartphones en laptops gebruiken mobiele GPU’s zoals Qualcomm Adreno en de Apple GPU-cores in M-serie en A-serie chips. In toenemende mate bevatten deze apparaten ook dedicated NPU’s (Neural Processing Units) geoptimaliseerd voor on-device AI-taken — beeldherkenning, spraakverwerking en real-time vertaling — tegen een fractie van het stroomverbruik van een discrete GPU.

GPU vs. grafische kaart

Een veelvoorkomend punt van verwarring: de GPU is de siliciumchip zelf. Een grafische kaart is het volledige geheel — GPU-chip, VRAM-modules, koeloplossing, stroomtoevoercircuit en PCB — dat in uw moederbord past. Wanneer iemand zegt “ik heb een GPU gekocht,” bedoelen ze bijna altijd de volledige grafische kaart.

Waar worden GPU’s voor gebruikt? 8 sectoren buiten gaming

Gaming heeft de GPU-industrie opgebouwd, maar vandaag vertegenwoordigt het slechts een fractie van wat GPU’s doen. Hier zijn acht sectoren waar GPU-rekenkracht nu onmisbaar is.

1. AI en Machine Learning. GPU’s drijven de training en inferentie aan achter grote taalmodellen zoals GPT-4 en Claude, beeldgeneratoren zoals Stable Diffusion en de aanbevelingssystemen die Netflix en Spotify aansturen. Het trainen van een frontier LLM vereist tienduizenden GPU’s die maandenlang draaien. Zonder GPU-parallellisme zou moderne AI simpelweg niet bestaan.

2. Gezondheidszorg. GPU-versnelde analyse van MRI- en CT-scans reduceert diagnosetijd van uren naar minuten. In farmaceutisch onderzoek comprimeren moleculaire dynamicasimulaties op GPU-clusters de tijdlijnen voor geneesmiddelenontdekking. NVIDIA’s BioNeMo-framework is ingezet bij grote farmaceutische bedrijven om eiwitstructuurvoorspelling en generatieve chemie te versnellen.

3. Klimaatwetenschap. De JUPITER exascale computer, een van de krachtigste systemen ooit gebouwd, draait kilometer-schaal wereldwijde klimaatsimulaties op GPU-clusters. Weervoorspellingsmodellen bereiken nu een 10-daagse voorspelnauwkeurigheid die tien jaar geleden een maand zou hebben gekost om te berekenen. GPU-versnelde klimaatmodellering transformeert hoe overheden en instellingen zich voorbereiden op klimaatverandering.

4. Autonome voertuigen. Stellantis, Mercedes-Benz, Volvo en Lucid Motors gebruiken het NVIDIA DRIVE-platform voor real-time waarneming, HD-mapping en autonome besluitvorming. Elk zelfrijdend voertuig moet tegelijkertijd data verwerken van camera’s, LiDAR, radar en ultrasone sensoren — een parallelle verwerkingsuitdaging die op het lijf geschreven is van GPU’s.

5. Digital Twins. Siemens en NVIDIA Omniverse stellen bedrijven in staat AI-gestuurde virtuele replica’s van fysieke operaties te bouwen. PepsiCo optimaliseert supply chain-logistiek, Foxconn simuleert fabriekslay-outs en HD Hyundai modelleert scheepswerf-operaties — allemaal als GPU-aangedreven digital twins die resultaten voorspellen voordat beslissingen in de echte wereld worden genomen.

6. Fusie-energie. Commonwealth Fusion Systems gebruikt GPU-versnelde digital twins om plasmagedrag in tokamak-reactoren te simuleren. Fusiereactoren genereren omstandigheden heter dan de kern van de zon, waardoor fysiek experimenteren gevaarlijk en duur is. GPU-simulaties stellen ingenieurs in staat om reactorontwerpen te itereren in een tempo dat anders onmogelijk zou zijn.

7. Financiën. Grote banken en hedgefondsen draaien real-time fraudedetectie, Monte Carlo-risicosimulaties en algoritmische handelsstrategieën op GPU-clusters. Een Monte Carlo-simulatie die miljoenen marktscenario’s evalueert profiteert enorm van GPU-parallellisme — wat een CPU-farm uren zou kosten, kan in seconden worden voltooid op een multi-GPU-node.

8. Content creatie. Hollywood VFX-studio’s, architecturale visualisatiebedrijven en game-ontwikkelaars vertrouwen op GPU’s voor rendering, compositing en real-time virtuele productie. De combinatie van Unreal Engine en high-end GPU’s heeft virtuele productiestages mogelijk gemaakt (de technologie achter The Mandalorian) die traditionele green screen-workflows vervangen in de entertainmentindustrie.

GPU-specificaties ontcijferd: een spiekbriefje voor beginners

GPU-specificatiebladen kunnen overweldigend zijn. Hier is wat elk getal werkelijk betekent — en waarom het ertoe doet.

VRAM (Video Random Access Memory) — Het kortetermijngeheugen van de GPU. VRAM bepaalt hoe groot een AI-model kan zijn of hoeveel hoge-resolutie textures tegelijkertijd op de kaart passen. De H100 heeft 80 GB HBM3 — genoeg om een model met 70 miljard parameters volledig in het geheugen te houden. Als uw model niet in het VRAM past, storten de prestaties in of mislukt de training volledig.

Geheugenbandbreedte — Hoe snel data stroomt tussen de GPU en zijn geheugen. De H100 bereikt 3,35 TB/s. Beschouw VRAM-capaciteit als de grootte van een pakhuis en bandbreedte als de breedte van de snelweg die het verbindt met de fabriekshal. Een enorm pakhuis betekent niets als de weg ervoor een enkele rijstrook is. Hoge bandbreedte zorgt ervoor dat de cores van de GPU constant worden gevoed met data.

Tensor Cores — Gespecialiseerde matrixrekenunits gebouwd voor de bewerkingen die neurale netwerken aandrijven. Ze voeren mixed-precision berekeningen (FP8, FP16, TF32) uit die veel sneller zijn dan general-purpose CUDA cores. Wanneer een AI-benchmark de “AI TOPS” (biljoenen bewerkingen per seconde) van een GPU vermeldt, meet het de doorvoer van Tensor Cores.

Interconnect (NVLink en InfiniBand) — De communicatiestructuur die meerdere GPU’s in staat stelt om data te delen tijdens gedistribueerde training. Het trainen van een groot taalmodel vereist 256 tot 32.000+ GPU’s die in harmonie werken. NVLink 4.0 op de H100 levert 900 GB/s bidirectionele bandbreedte tussen GPU-paren, terwijl InfiniBand-netwerken nodes door een cluster verbinden. Zonder snelle interconnects zou multi-GPU-training bottlenecken op communicatie, niet op berekening.

Datacenter GPU-vergelijking (2026)

Het GPU-landschap: NVIDIA, AMD en Intel in 2026

Drie bedrijven definiëren de GPU-markt in 2026, maar de concurrentieverhoudingen zijn verre van gelijk.

NVIDIA: de dominante kracht

NVIDIA beheerst 92% van de discrete GPU-markt en een nog groter aandeel van AI-datacenter GPU’s. De roadmap van het bedrijf — Blackwell (2024) → Rubin (2026) → Feynman (2027+) — bepaalt het tempo voor de gehele industrie. Alleen al in Q3 van fiscaal jaar 2026 genereerde NVIDIA’s datacentersegment $30,77 miljard aan omzet. In 2025 werd NVIDIA het eerste bedrijf in de geschiedenis dat een marktwaarde van $4 biljoen overschreed. Het CUDA-software-ecosysteem, inmiddels bijna 20 jaar oud, creëert een diepe slotgracht: miljoenen ontwikkelaars, duizenden geoptimaliseerde bibliotheken en een complete AI-toolchain gebouwd op het platform van NVIDIA.

AMD: de opkomende uitdager

AMD’s MI300X is naar voren gekomen als een geloofwaardig alternatief voor AI-inferentiewerklasten, met name bij kostenbewuste cloudproviders. De aankomende MI350X belooft 4x de prestaties ten opzichte van de MI300X, terwijl de MI400 zich richt op een release in 2026. AMD’s ROCm-softwarestack is aanzienlijk verbeterd, maar loopt nog steeds achter op CUDA qua bibliotheekomvang en community-adoptie. Voor klanten die concurrerende prijzen en multi-vendor flexibiliteit zoeken, is AMD een steeds levensvatbaardere optie.

Intel: betreedt de race

Intel’s Gaudi 3 AI-accelerator wint terrein in specifieke inferentiewerklasten, en het Falcon Shores-platform is erop gericht GPU- en AI-rekencapaciteiten te verenigen in één enkele architectuur. Intel’s marktaandeel blijft klein vergeleken met NVIDIA en AMD, maar de agressieve prijsstrategie en integratie met eigen foundry-diensten positioneren het als een potentiële disruptor in kostengevoelige segmenten.

Een opvallende statistiek: meer dan 75% van de Fortune 500-bedrijven gebruikt nu NVIDIA GPU-infrastructuur in enige vorm — een bewijs van hoe diep GPU’s het zakelijke computergebruik zijn binnengedrongen.

GPU, TPU of NPU: welke AI-chip heeft u nodig?

De GPU is niet de enige AI-accelerator. Google’s TPU en de groeiende categorie NPU’s hebben elk onderscheidende sterke punten.

GPU (Graphics Processing Unit) — De general-purpose parallelle processor. GPU’s blinken uit in AI-training, gemengde werklasten en elke taak die flexibiliteit vereist. De CUDA- en ROCm-ecosystemen ondersteunen PyTorch, TensorFlow, JAX en vrijwel elk AI-framework. GPU’s zijn de standaardkeuze voor de meeste AI-teams vanwege hun veelzijdigheid en de volwassenheid van hun softwarestack.

TPU (Tensor Processing Unit) — Google’s op maat ontworpen chip, gebouwd rond systolische arrays geoptimaliseerd voor matrixbewerkingen. TPU’s zijn uitstekend voor large-batch inferentie en TensorFlow-native werklasten, met name op Google Cloud. Ze zijn echter exclusief voor Google Cloud Platform, wat de flexibiliteit beperkt voor teams die multi-cloud of on-premises implementatie nodig hebben.

NPU (Neural Processing Unit) — Speciaal gebouwd silicium voor on-device AI-inferentie. NPU’s zijn 40–60x energie-efficiënter dan GPU’s voor edge-taken zoals spraakherkenning, beeldclassificatie en real-time vertaling. U vindt ze in smartphones (Apple Neural Engine, Qualcomm Hexagon), laptops (Intel AI Boost, AMD XDNA) en IoT-apparaten. Ze zijn niet ontworpen voor training — ze zijn ontworpen voor snelle, energiezuinige inferentie aan de edge.

Besliskader

Voor de meeste teams blijft de GPU de veiligste en meest veelzijdige keuze. TPU’s zijn zinvol binnen het Google Cloud-ecosysteem, en NPU’s zijn essentieel voor edge-implementatie waar energie-efficiëntie van het grootste belang is.

Hoe krijgt u toegang tot een GPU: kopen, huren of cloud

Toegang tot GPU-rekenkracht in 2026 valt doorgaans uiteen in drie paden, elk met eigen afwegingen.

Hardware kopen

Een enkele NVIDIA H100 kost $25.000–$40.000 — en dat is als u er een kunt vinden, gezien de aanhoudende leveringsbeperkingen. Het bouwen van een multi-GPU-server voegt kosten toe voor CPU, geheugen, netwerken, stroomvoorziening, koeling en rackruimte. Aankoop is economisch alleen zinvol als u van plan bent GPU’s op hoge bezetting (boven 60%) continu te draaien gedurende jaren. Voor onderzoekslaboratoria en grote ondernemingen met voorspelbare, aanhoudende werklasten kan eigendom de laagste totale kosten opleveren.

Grote cloudproviders

AWS (p5-instances), Google Cloud (A3-instances) en Microsoft Azure (ND H100-serie) bieden allemaal GPU-instances met enterprise-grade betrouwbaarheid, wereldwijde beschikbaarheid en geïntegreerde opslag en netwerken. De afweging is complexiteit: cloud GPU-prijzen variëren per regio, commitmentniveau en instancetype. Gereserveerde instances vereisen verplichtingen van 1–3 jaar, terwijl on-demand-prijzen twee tot drie keer hoger kunnen zijn dan spot-tarieven.

GPU-marktplaatsen

Een groeiende categorie platformen aggregeert GPU-capaciteit van gedistribueerde datacenters en biedt flexibelere toegangsmodellen. GPUnex aggregeert bijvoorbeeld capaciteit van meer dan 150 datacenters en biedt facturering per seconde met vooraf geïnstalleerde AI-frameworks (PyTorch, TensorFlow, JAX) — waardoor de setup-overhead wordt weggenomen die onderzoeksteams vaak vertraagt. Deze marktplaatsen zijn bijzonder geschikt voor startups, academische onderzoekers en teams met variabele werklasten die geen gereserveerde cloudverplichtingen rechtvaardigen.

De kernvraag

Als uw gemiddelde GPU-bezetting onder 60% ligt, is huren vrijwel altijd kosteneffectiever dan bezitten. Volg uw daadwerkelijke gebruik voordat u kapitaal aan hardware besteedt.

De toekomst van GPU’s

De koers van de GPU vertoont geen tekenen van vertraging. Sterker nog, het tempo van de vooruitgang versnelt.

Rubin-architectuur (2026) vertegenwoordigt een generatiesprong: 336 miljard transistors, 50 PFLOPS aan FP4-inferentie en de eerste HBM4-geheugenintegratie in de industrie. Dit is ruwweg een 5x verbetering ten opzichte van Blackwell in AI-inferentiedoorvoer — een verbeteringstempo dat de Wet van Moore ver overtreft.

De energieuitdaging wordt urgent. Een enkele GPU-server verbruikt 3.000–5.000 watt, vergeleken met 300–500 watt voor een CPU-server. Het wereldwijde stroomverbruik van datacenters zal naar verwachting 96 GW bereiken tegen 2026 (Deloitte), en GPU’s zijn een primaire aandrijver. Vloeistofkoeling, efficiëntere chipontwerpen en kernenergie-aangedreven datacenters worden allemaal actief ontwikkeld om dit aan te pakken.

Toeleveringsketenbeperkingen blijven de markt vormgeven. High-bandwidth memory (HBM) is uitverkocht tot en met 2026, waarbij SK Hynix, Samsung en Micron allemaal op maximale capaciteit draaien. TSMC’s CoWoS geavanceerde verpakking — de technologie die GPU-dies verbindt met HBM-stacks — blijft de primaire productiebottleneck.

Neuromorf rekenen vertegenwoordigt een verschuiving op langere termijn. Chips zoals Intel’s Loihi en BrainChip’s Akida bootsen de structuur van biologische neuronen na en zijn 1.000x energie-efficiënter dan GPU’s voor bepaalde patroonherkenningstaken. Ze missen echter de programmeerframeworks en software-ecosystemen die nodig zijn voor brede adoptie en zijn nog jaren verwijderd van het uitdagen van GPU’s in productie-AI-werklasten.

De marktvooruitzichten zijn verbijsterend. Van $101,5 miljard in 2025 tot een verwachte $1,7 biljoen in 2035 (Precedence Research), groeit de GPU-markt met een samengesteld jaarlijks percentage van 32,6%. GPU’s zijn niet langer een componentcategorie — ze worden de bepalende infrastructuur van het AI-tijdperk, even fundamenteel voor de economie van de jaren 2020 als de microprocessor was voor de jaren 1990.

Veelgestelde vragen

Wat doet een GPU eigenlijk?

Een GPU voert duizenden wiskundige berekeningen tegelijkertijd uit. Oorspronkelijk ontworpen voor het renderen van graphics — het berekenen van de kleur, helderheid en positie van miljoenen pixels per frame — drijven GPU’s nu AI-modeltraining, wetenschappelijke simulaties, videoverwerking en elke werklast aan die profiteert van massief parallellisme. De kernvaardigheid is doorvoer: een GPU ruilt single-task snelheid in voor het vermogen om enorme hoeveelheden eenvoudige bewerkingen tegelijk te verwerken.

Heb ik een GPU nodig voor AI?

Voor het trainen van modellen met meer dan een paar honderd miljoen parameters, ja. Een taak die een GPU-cluster uren kost, zou een CPU weken of maanden kosten. Voor inferentie op kleinere modellen (onder 1,5 miljard parameters) kunnen moderne CPU’s soms GPU-prestaties evenaren, vooral met geoptimaliseerde runtimes zoals ONNX. Maar voor serieuze AI-ontwikkeling — het finetunen van grote taalmodellen, het trainen van diffusiemodellen, het uitvoeren van reinforcement learning-experimenten — vermindert een GPU de iteratietijd dramatisch en is hij feitelijk vereist.

Wat is het verschil tussen VRAM en RAM?

RAM (systeemgeheugen) bedient de CPU en het besturingssysteem. Het bevat draaiende applicaties, bestandscaches en OS-processen. VRAM (videogeheugen) is toegewijd aan de GPU en bevat textures, framebuffers, modelgewichten en tussentijdse rekenresultaten. VRAM is doorgaans veel sneller — HBM3 bereikt 3,35 TB/s vergeleken met DDR5 op ruwweg 50 GB/s — maar kleiner in totale capaciteit. Voor AI-werklasten is VRAM de kritieke bottleneck: de gewichten, activaties en optimizer-states van uw model moeten allemaal in het VRAM passen voor efficiënte training.

Waarom zijn GPU’s zo duur?

Drie samenvloeiende factoren bepalen GPU-prijzen. Ten eerste, productiecomplexiteit: de meest geavanceerde fabricagenodes van TSMC kosten meer dan $20 miljard per fab om te bouwen, en elke wafer levert een beperkt aantal grote, complexe GPU-dies op. Ten tweede, schaars high-bandwidth geheugen: HBM3- en HBM4-voorraad is uitverkocht tot en met 2026, waarbij de vraag van AI-bedrijven de productiecapaciteit ver overtreft. Ten derde, ongekende vraag: AI-bedrijven besteden gezamenlijk meer dan $600 miljard aan infrastructuur in 2026, waardoor een verkopersmarkt ontstaat waarin NVIDIA premium prijzen kan vragen voor datacenter GPU’s.

Kan ik een GPU gebruiken zonder CPU?

Nee. Een GPU is een accelerator, geen zelfstandige processor. Hij heeft een CPU (de “host”) nodig om taken te coördineren, het besturingssysteem te beheren, bestands-I/O af te handelen en sequentiële logica uit te voeren. De CPU stuurt werk naar de GPU, die het parallel verwerkt en de resultaten retourneert. Ze functioneren als een team — de CPU orkestreert terwijl de GPU rekent. Zelfs in een enorm GPU-cluster met 32.000 GPU’s bevat elk knooppunt CPU’s die planning, netwerken en dataverplaatsing beheren.

Hoeveel kost het om een GPU te huren?

Cloud GPU-prijzen variëren sterk op basis van het GPU-model, provider, regio en commitmentniveau. Een NVIDIA H100 varieert van $1,49 tot $6,98 per uur, afhankelijk van de provider en of u spot-, on-demand- of gereserveerde prijzen heeft. Een A100 is te vinden voor onder $1/uur op GPU-marktplaatsen. Voor lichtere inferentiewerklasten begint een NVIDIA L4 bij ongeveer $0,30/uur. Per-seconde factureringsopties op sommige platformen kunnen de kosten verder verlagen voor onregelmatige, kortdurende taken.