Model Hardware Standard: waarom AI-modellen behoefte hebben aan gedeelde hardware-afspraken
Stel je voor dat elke smartphone een eigen, uniek soort stopcontact nodig had. Elke fabrikant zijn eigen oplader, zijn eigen stekker, niets uitwisselbaar. Precies dat probleem speelt vandaag in de wereld van kunstmatige intelligentie: AI-modellen worden getraind op specifieke combinaties van chips, geheugen en – bij robots – motoren en sensoren, en werken lang niet altijd soepel op andere hardware. Een Model Hardware Standard (letterlijk: model-hardwarestandaard) is een verzameling afspraken die dat moet oplossen, zodat een AI-model niet langer vastzit aan één specifiek stukje techniek.
De term duikt de laatste jaren steeds vaker op in twee werelden die dicht bij elkaar liggen: datacenters vol AI-chips, en robots die door AI-modellen worden aangestuurd. In beide gevallen gaat het om dezelfde kernvraag: hoe zorg je dat een model dat elders is ontwikkeld, betrouwbaar en veilig draait op de hardware die jij in huis hebt? Dit artikel legt uit wat er precies wordt gestandaardiseerd, wie daaraan werkt en hoe ver dat proces is – én waar de term nog vaag of in ontwikkeling is.
Wat is het precies?
Een AI-model is in de kern een verzameling wiskundige berekeningen: miljarden vermenigvuldigingen die bepalen wat het model als antwoord geeft, of welke beweging een robotarm moet maken. Die berekeningen kunnen in theorie op elke computer draaien, maar in de praktijk zijn ze afgestemd op specifieke chips (bijvoorbeeld grafische processoren, ook wel GPU's genoemd) met een bepaalde hoeveelheid geheugen en rekenkracht.
Een model-hardwarestandaard probeert dit in lagen te ordenen. Eerst is er de modellaag: een gestandaardiseerd bestandsformaat waarin het model is opgeslagen, zodat verschillende programma's het kunnen lezen. Een bekend voorbeeld is ONNX (Open Neural Network Exchange), een formaat waarmee een model getraind in het ene systeem kan worden ingeladen in een ander systeem.
Daarna komt de hardwarelaag: minimale en aanbevolen specificaties, vergelijkbaar met de systeemeisen op de doos van een computerspel. Denk aan: hoeveel geheugen heeft een chip minimaal nodig, welke reken-precisie (hoe nauwkeurig getallen worden afgerond) wordt ondersteund, en welke interfaces (aansluitingen tussen onderdelen) zijn vereist.
Bij robots komt daar een derde laag bij: de belichamingslaag (embodiment). Een robotarm met zes gewrichten stuurt heel andere signalen aan dan een robot op wielen met twee motoren. Een model-hardwarestandaard voor robotica beschrijft dan hoe sensordata en besturingssignalen worden genoteerd, zodat één AI-model met kleine aanpassingen meerdere robotlichamen kan aansturen.
Wat wil men ermee bereiken?
Het hoofddoel is uitwisselbaarheid, in het Engels vaak interoperability genoemd. Zonder gedeelde standaarden moet elk bedrijf zijn AI-model opnieuw afstemmen op elke nieuwe chip of elk nieuw robotlichaam, wat tijd en geld kost en fouten in de hand werkt.
Een tweede doel is eerlijke vergelijkbaarheid. Als bedrijf A beweert dat zijn chip twee keer zo snel is als die van bedrijf B, is dat alleen te controleren als beide onder dezelfde, gestandaardiseerde omstandigheden zijn getest. Vandaar het bestaan van benchmarkstandaarden (test-standaarden) die precies voorschrijven hoe zo'n snelheidstest moet worden uitgevoerd.
Een derde, groeiend belang is veiligheid en betrouwbaarheid. Bij robots die in de fysieke wereld bewegen, kan een verkeerd geïnterpreteerd signaal tot een botsing leiden. Een heldere hardwarestandaard maakt het makkelijker om vooraf te toetsen of een combinatie van model en machine veilig samenwerkt, wat ook toezichthouders en verzekeraars helpt.
Tot slot speelt er een economisch belang: standaarden verlagen drempels voor kleinere spelers. Een startup die een goedkope robotarm bouwt volgens een gedeelde standaard, kan meeliften op AI-modellen die al door grotere partijen zijn getraind, in plaats van alles zelf te moeten ontwikkelen.
Voorbeelden uit de praktijk
MLPerf / MLCommons (opgericht in 2018) is een samenwerkingsverband van tientallen bedrijven, waaronder chipmakers en cloudaanbieders, dat gestandaardiseerde snelheidstests (benchmarks) publiceert voor AI-hardware. Hiermee kunnen kopers objectief vergelijken hoe verschillende chips presteren bij het trainen of uitvoeren van hetzelfde model.
Open Compute Project (OCP, gestart in 2011 door Facebook) ontwikkelt open hardware-ontwerpen voor datacenters. Sinds 2023 werkt OCP samen met chipfabrikant Nvidia aan referentie-ontwerpen zoals MGX, een gestandaardiseerd rekstelsel waarin AI-serverbouwers verschillende chips en onderdelen kunnen combineren zonder alles opnieuw te ontwerpen.
Open X-Embodiment (2023), een samenwerking tussen Google DeepMind en meer dan dertig onderzoeksinstellingen, bracht bewegingsdata van 22 verschillende robotsoorten samen in één gedeelde dataset en dataformaat. Het resultaat, het RT-X-model, kon daardoor op meerdere, sterk verschillende robotlichamen worden toegepast – een concreet voorbeeld van hardware-overstijgende AI.
LeRobot en de SO-100/SO-101-robotarm (2024-2025) van AI-bedrijf Hugging Face is een open-source project waarbij een goedkope, exact gespecificeerde robotarm als gedeelde hardwarebasis dient. Onderzoekers over de hele wereld trainen modellen op deze arm en delen ze vrij uit, wat alleen werkt omdat de hardware zelf gestandaardiseerd is.
Nvidia Jetson Thor en het GR00T-project (aangekondigd 2024) vormen een referentieplatform (chip plus software) dat Nvidia aanbiedt aan robotbouwers, zodat AI-modellen voor humanoïde robots op een vaste hardwarebasis kunnen worden ontwikkeld in plaats van op wisselende, incompatibele systemen.
Hoe ver is de techniek?
Het eerlijke antwoord is dat er niet één wereldwijd erkende, formele 'Model Hardware Standard' bestaat zoals bijvoorbeeld USB-C dat is voor opladers. In plaats daarvan groeit er een lappendeken van deelstandaarden – voor bestandsformaten, voor benchmarks, voor serverontwerpen, voor robotdata – die samen in de richting van zo'n standaard bewegen.
Op softwareniveau (bestandsformaten zoals ONNX) is de standaardisatie al behoorlijk volwassen: veel modellen kunnen inmiddels tussen systemen worden uitgewisseld. Op chipniveau is er vooruitgang via MLPerf en OCP, maar concurrentie tussen grote chipmakers zorgt ervoor dat elke fabrikant ook eigen, niet-compatibele optimalisaties blijft toevoegen.
Op robotica-niveau staat het werk nog het meest in de kinderschoenen. Elke robotfabrikant gebruikt andere motoren, sensoren en besturingssoftware, en pogingen zoals Open X-Embodiment zijn veelbelovend maar dekken nog een klein deel van alle bestaande robotontwerpen. Onderzoekers zijn het erover eens dat volledige uitwisselbaarheid – een model 'downloaden' en het op elke robot laten werken – nog jaren onderzoek vergt.
Een belangrijk obstakel is dat standaardisatie en concurrentie elkaar soms tegenwerken: bedrijven die net een voorsprong hebben met eigen, gesloten hardware zijn niet altijd gebaat bij open standaarden die concurrenten dezelfde toegang geven.
Wie werken eraan?
In de chipwereld zijn Nvidia, AMD, Intel en Google (met zijn eigen TPU-chips) de belangrijkste spelers, samen met cloudbedrijven als Microsoft, Amazon en Meta die via het Open Compute Project en MLCommons meewerken aan gedeelde ontwerpen en tests.
In de robotica lopen Google DeepMind, Hugging Face, Nvidia en een groeiend aantal universiteiten voorop, waaronder Stanford University en de University of California, Berkeley, die betrokken waren bij Open X-Embodiment. Ook Europese onderzoeksgroepen, onder meer verbonden aan technische universiteiten in Duitsland en Nederland, dragen bij aan open robotica-datasets.
Op beleidsniveau houden internationale standaardisatie-organisaties als IEEE en ISO de ontwikkelingen in de gaten, al is er tot nu toe geen enkel orgaan dat een allesomvattende 'Model Hardware Standard' officieel heeft vastgesteld. Het blijft voorlopig een informeel, sterk in ontwikkeling zijnd streven van de industrie zelf.