AI-fabriek
Een AI-fabriek is een datacenter dat niet zomaar wat servers herbergt, maar volledig is ingericht om op industriële schaal kunstmatige intelligentie te trainen en te laten draaien. De term komt van Jensen Huang, de topman van chipmaker NVIDIA, die de vergelijking maakt met een traditionele fabriek: waar een autofabriek grondstoffen als staal en plastic omzet in auto's, zet een AI-fabriek elektriciteit en data om in "intelligentie" — in de praktijk: in tokens, de kleine tekstbrokjes waarmee een taalmodel als ChatGPT zinnen opbouwt.
Denk aan een magazijn ter grootte van meerdere voetbalvelden, vol rekken met gespecialiseerde rekenchips, dikke koelleidingen en een eigen stroomaansluiting zo groot als die van een middelgrote stad. Dat is geen overdrijving: de nieuwste generatie van dit soort complexen wordt gebouwd met een stroomverbruik dat wordt uitgedrukt in gigawatts, hetzelfde soort eenheid waarin je de capaciteit van een kerncentrale meet. Het doel is steeds hetzelfde: zoveel mogelijk AI-rekenkracht produceren, zo betrouwbaar en efficiënt mogelijk, als een lopende band die nooit stilstaat.
Wat is het precies?
De kern van een AI-fabriek bestaat uit tienduizenden tot honderdduizenden gespecialiseerde rekenchips, meestal GPU's genoemd (graphics processing units). Deze chips zijn oorspronkelijk ontwikkeld voor computergrafica, maar blijken ook uitstekend geschikt om de wiskundige berekeningen uit te voeren die AI-modellen nodig hebben. Eén los pakket sneller rekenen is echter niet genoeg: de chips moeten razendsnel met elkaar kunnen communiceren, via speciale hogesnelheidsverbindingen zoals NVLink en InfiniBand, zodat duizenden chips feitelijk als één grote rekenmachine samenwerken.
Al die chips produceren enorm veel warmte, meer dan gewone luchtkoeling aankan. Daarom gebruiken de nieuwste AI-fabrieken vloeistofkoeling: leidingen met koelvloeistof die vlak langs de chips lopen en de warmte direct afvoeren. Daarnaast is er een enorme, stabiele stroomvoorziening nodig, vaak met eigen aansluitingen op het elektriciteitsnet of zelfs eigen energiecentrales, omdat een storing van een fractie van een seconde al duizenden dure chips uit de pas kan laten lopen.
Functioneel wordt er onderscheid gemaakt tussen twee fases. Bij training wordt een AI-model "geleerd" door het enorme hoeveelheden tekst, beeld of andere data te laten verwerken, een proces dat weken tot maanden kan duren en gigantisch veel rekenkracht vergt. Bij inference (het Nederlandse woord "gevolgtrekking" wordt zelden gebruikt) draait het al getrainde model om daadwerkelijk vragen van gebruikers te beantwoorden, zoals wanneer iemand een vraag stelt aan een chatbot. Naarmate meer mensen AI-toepassingen gebruiken, groeit vooral de vraag naar rekenkracht voor die tweede fase.
Wat wil men ermee bereiken?
De directe aanleiding is simpel: sinds de doorbraak van taalmodellen als ChatGPT (eind 2022) is de vraag naar rekenkracht voor AI explosief gestegen, en bestaande datacenters waren daar niet op gebouwd. Techbedrijven willen voorkomen dat een tekort aan rekenkracht hun ontwikkeling van nieuwe AI-modellen afremt, en bouwen daarom vooruit op verwachte vraag.
Er speelt ook een economisch motief: wie een AI-fabriek bezit, kan "tokens" als een soort schaalbaar product verkopen — te vergelijken met een energiebedrijf dat stroom levert, maar dan reken- en taalvermogen. Jensen Huang omschrijft dit expliciet als een nieuwe industrie, waarbij landen en bedrijven zonder eigen "AI-fabriek" afhankelijk worden van anderen voor hun toegang tot geavanceerde AI.
Daarnaast speelt geopolitiek mee. Overheden zien AI-rekenkracht steeds meer als strategische infrastructuur, vergelijkbaar met energie of halfgeleiders, en willen niet volledig afhankelijk zijn van een handvol Amerikaanse techbedrijven. Dat verklaart waarom ook de Europese Unie en landen als de Verenigde Arabische Emiraten fors investeren in eigen AI-infrastructuur.
Voorbeelden uit de praktijk
Enkele bekende, concrete projecten laten zien hoe dit er in de praktijk uitziet, al gaat het bij investeringsbedragen vaak om aangekondigde plannen die nog niet volledig gerealiseerd of extern geverifieerd zijn:
- Stargate — in januari 2025 aangekondigd door OpenAI, SoftBank en Oracle, met als eerste locatie Abilene in Texas. Het plan behelst een investering die kan oplopen tot 500 miljard dollar over meerdere jaren, verspreid over meerdere datacenters in de VS.
- Colossus — het cluster van Elon Musks bedrijf xAI in Memphis, Tennessee, gebouwd in 2024 met naar verluidt zo'n 100.000 GPU's. Opvallend was de bouwsnelheid: het complex zou in ongeveer 122 dagen operationeel zijn gemaakt, aanzienlijk sneller dan gebruikelijk in de sector.
- Hyperion — een groot datacenterproject van Meta in Louisiana, aangekondigd in 2025, met een beoogde uiteindelijke schaal van meerdere gigawatts aan stroomcapaciteit.
- Gefion — de Deense supercomputer, gebouwd met NVIDIA-technologie en operationeel geworden in 2024. Het systeem wordt beheerd door het Deens Centrum voor AI-innovatie en is bedoeld om Deense bedrijven en onderzoekers toegang te geven tot serieuze AI-rekenkracht, zonder dat elk bedrijf zelf zo'n fabriek hoeft te bouwen.
- Europese AI Factories — sinds 2024-2025 maakt de EU, via het samenwerkingsverband EuroHPC, bestaande Europese supercomputers zoals LUMI (Finland) en MareNostrum (Spanje) toegankelijker voor AI-startups en onderzoekers. Er liggen ook plannen voor grotere "AI Gigafactories" op langere termijn, al bevinden die zich nog in een vroeg stadium.
Hoe ver is de techniek?
De onderliggende technologie — krachtige GPU's, snelle netwerkverbindingen, vloeistofkoeling — is beproefd en werkt. Wat nieuw is, is vooral de schaal: waar een groot datacenter tien jaar geleden misschien tientallen megawatts stroom gebruikte, praten de nieuwste AI-fabrieken over gigawatts, duizend keer zoveel. Sinds 2023-2024 wordt er wereldwijd in hoog tempo gebouwd, met nieuwe aankondigingen die elkaar bijna maandelijks opvolgen.
Toch lopen deze plannen tegen stevige obstakels aan. Elektriciteitsnetten zijn in veel regio's niet berekend op de plotselinge vraag van een enkel datacenter dat zoveel stroom nodig heeft als een hele stad, waardoor aansluitingen soms jaren op zich laten wachten. De productie van de meest geavanceerde chips is bovendien geconcentreerd bij één bedrijf, de Taiwanese chipfabrikant TSMC, wat een kwetsbaarheid in de keten vormt. De Amerikaanse overheid beperkt daarnaast de export van de nieuwste chips naar China, wat de wereldwijde markt in twee sporen dreigt te splitsen.
Ook het waterverbruik voor koeling ligt onder een vergrootglas, zeker bij vestigingen in droge regio's. En onder economen groeit de discussie of de gigantische investeringen — deels gefinancierd via onderlinge "circulaire" deals tussen AI-bedrijven, chipmakers en clouddienstverleners — wel in verhouding staan tot de daadwerkelijke opbrengsten tot nu toe. Sommigen waarschuwen voor een "AI-bubbel"; anderen wijzen erop dat de vraag naar AI-diensten nog altijd sneller groeit dan het aanbod. Beide standpunten zijn op dit moment niet definitief te bewijzen.
Wie werken eraan?
NVIDIA speelt een centrale rol: het bedrijf levert niet alleen de meeste GPU's, maar ook een groot deel van de omliggende technologie (netwerkapparatuur, software) en heeft de term "AI-fabriek" zelf gepopulariseerd. Grote Amerikaanse techbedrijven als Microsoft, Meta, Google, Amazon (via AWS) en OpenAI investeren tientallen tot honderden miljarden dollars in eigen of gedeelde AI-infrastructuur, vaak samen met financiers als SoftBank en cloudpartij Oracle. Elon Musks xAI bouwt eigen clusters, en chipfabrikant TSMC en assemblagebedrijf Foxconn vormen onmisbare schakels in de productieketen.
Op landenniveau zijn vooral de Verenigde Staten toonaangevend, gevolgd door de Europese Unie (via het samenwerkingsverband EuroHPC), de Verenigde Arabische Emiraten (met lokale partij G42, onder meer betrokken bij een Stargate-project in Abu Dhabi), en Aziatische landen als Japan en Zuid-Korea. China bouwt eigen AI-infrastructuur op, deels noodgedwongen met binnenlandse chips vanwege de Amerikaanse exportbeperkingen.