De air in het datacentrum trilt zacht.
Rijen gloednieuwe AI-servers zoemen, rood en blauw licht flikkert als een soort digitale kerstboom. Buiten praat de CFO opgewonden over “strategische investeringen” in GPU’s, terwijl iemand binnen fluistert dat de energierekening in een jaar is verdubbeld. Niemand luistert echt. De hype is te groot, het geld te goedkoop.
Duizenden kilometers verderop staat in een anonieme hal in China een veel stillere kast. Geen schreeuwerige fans, geen hittegolf, nauwelijks stroomverbruik. Op de printplaten geen peperdure AI-chips, maar “ouderwetse” analoge componenten. Geen glans, geen glamour. Wel een systeem dat tot 200 keer zuiniger is dan wat het Westen nu massaal inkoopt.
Daar, tussen die twee werelden, tekent zich een ongemakkelijke vraag af. Wie bouwt de toekomst van AI echt – en wie gooit er gewoon miljarden door de schoorsteen?
Hoe het Westen zich vastbijt in dure AI-chips
Loop vandaag door een boardroom in Silicon Valley, Amsterdam of München en je hoort steeds hetzelfde woord vallen: GPU’s. Bedrijven bieden tegen elkaar op voor schaarse Nvidia-chips, alsof het om luxe penthouses in een oververhitte woningmarkt gaat. De ondertoon is altijd dezelfde: wie nu niet massaal investeert, mist de boot. Angst regeert, niet strategie.
Wat bijna niemand hardop zegt: elke nieuwe server kost niet alleen een fortuin aan hardware, maar ook aan stroom, koeling en netwerk. Elke ‘slimme’ chatbot draait op een stapel rekeningen die elke maand dikker wordt. Iedereen voelt het ongemak, maar de hype is luider dan het gezonde verstand.
Neem een Europees fintechbedrijf dat vorig jaar besloot “vol op AI” te gaan. Het huurde consultants in, bestelde een batterij GPU-servers en liet trots een persbericht uitgaan. Binnen zes maanden was het AI-budget met 280% overschreden. Het datacenter moest worden uitgebreid. De energieleverancier stapte over op een hoger tarief.
De directie slikte het weg als “kosten van innovatie”. Intern werd minder vrolijk gesproken: sommige simpele modellen draaiden prima op bestaande hardware. De dure GPU’s stonden uren per dag grotendeels te niksen. *Maar niemand wilde het project afremmen, uit angst om als ouderwets te worden gezien.*
Die spanning zie je overal. Overheden reserveren miljarden voor “sovereine AI-infrastructuur”. Universiteiten klagen dat onderzoeksgeld nu vooral naar apparatuur gaat, niet naar talent. En ondertussen blijft een ongemakkelijke waarheid onder tafel: veel AI-toepassingen hebben helemaal geen ultramoderne digitale chips nodig. Ze hebben slimme wiskunde nodig. En efficiënte, soms verrassend simpele hardware.
Digitale AI-chips zijn ontworpen om heel snel, heel veel berekeningen te doen met hoge precisie. Geweldig voor het trainen van reusachtige taalmodellen. Maar voor herkenningstaken, signaalverwerking of embedded AI is dat vaak zwaar overdreven. Analoge en mixed-signal technologie kan exact daar schitteren.
In analoge systemen wordt informatie niet in nullen en enen gepropt, maar direct als spanningen, stromen of frequenties verwerkt. Dat scheelt conversiestappen, dataverkeer en energie. Geen gigantische datastromen tussen geheugen en processor, maar rekensommen die “in de materie zelf” gebeuren. Dat is de kern van neuromorphic en analoge AI-chips: de fysica doet een deel van het rekenwerk gratis.
➡️ Je leeft niet in het verleden, je sterft erin: hoe de giftige illusie van ‘vroeger was alles beter’ je brein sloopt en je toekomst saboteert
➡️ Grijs en gênant: hoe onze angst voor natuurlijke haren elke rimpel uitvergroot
➡️ Lang leve havermout: wonderdieet dat artsen overbodig maakt of hype die je gezondheid op het spel zet?
➡️ De telefoonhack die je batterij en data redt, maar je apps om zeep helpt
➡️ Artsen verdeeld over havermoutkuur: redmiddel voor miljoenen of onverantwoord experiment met je lichaam?
➡️ De nieuwe sigaret: waarom verslaafd blijven aan spotgoedkope chinese webshops ons allemaal duur komt te staan
➡️ Van waarschuwing naar werkelijkheid: onderzoekers herkennen de eerste tekenen van een instabiel klimaatregime
➡️ Voertuig ontdekt op wrak van vliegdekschip uit de tweede wereldoorlog – baanbrekend bewijs of samenzwering voor de bühne?
Waar een digitale GPU met brute kracht door miljarden operaties per seconde ramt, kiest analoge AI voor finesse. Minder nauwkeurig per stap, maar veel dichter bij hoe hersenen werken. En vooral: extreem zuinig. Dáár zit de crux van wat er nu in China gebeurt.
China’s stille sprong met analoge AI – en wat je daarvan kunt leren
In China werken onderzoeksinstituten en bedrijven al jaren aan analoge en neuromorphic chips. Niet om de grootste taalmodellen ter wereld te bouwen, maar om AI overal in het dagelijks leven in te bakken. Van camera’s tot industriële sensoren, van drones tot medische apparatuur. Klein, zuinig, lokaal.
Een voorbeeld zijn chips die direct in de sensor zelf basis-AI draaien: objectherkenning, patroonanalyse, anomaliedetectie. In plaats van ruwe data naar de cloud te sturen, neemt het apparaat zelf een beslissing. Daardoor mag het stroomverbruik soms 100 tot 200 keer lager liggen dan bij een vergelijkbare digitale oplossing. Geen gigantisch datacenter nodig, geen megapakket aan GPU’s.
Bij een industriële partner in Shenzhen werd zo’n analoge AI-chip ingezet op een productielijn. Voorheen draaide beeldanalyse in de cloud, met hoge latency en flinke kosten. Na de overstap deed de camera zelf de voorselectie: alleen verdachte gevallen gingen nog naar een server. De energierekening daalde merkbaar, maar vooral de foutmarge zakte omdat alles sneller ging.
De ingenieurs vertelden later dat de chip nauwelijks bekend is buiten vakkringen. Geen grote keynote, geen glossy marketingcampagne. Gewoon een product dat werkt, en zich rustig verspreidt door fabrieken, logistieke hubs en slimme steden. Terwijl het Westen vooral praat over GPT-5, bouwen zij een soort schaduwinfrastructuur van stille, zuinige intelligentie.
Waarom is dat zo krachtig? Omdat schaalbaarheid niet alleen over rekenkracht gaat, maar over kosten per eenheid intelligentie. Een camera die 200 keer zuiniger is, kun je plots in veel grotere aantallen uitrollen. Een sensor die zelf slim enough is, hoeft niet constant online te zijn. Dat maakt AI robuuster, goedkoper en minder afhankelijk van geopolitiek gevoelige cloudcapaciteit.
Die aanpak sluit naadloos aan op een lange Chinese traditie: niet altijd de grootste, maar wel de meest wendbare infrastructuur bouwen. Liever tien miljoen “domme” slimme chips in het veld dan tien megadatacenters die aan het stroomnet hangen als een gewicht aan een dunne kabel.
Wie dit nuchter bekijkt, ziet een strategisch patroon. Terwijl het Westen miljarden pompt in high-end digitale chips, investeert China in de onderlaag: sensoren, edge-devices, analoge AI-blokken. Minder sexy, maar dodelijk effectief. Want wie de onderkant van de piramide bezit, bepaalt straks welke data ontstaat, hoe die verwerkt wordt en wie er toegang toe heeft.
Ben je beslisser, founder of techlead in Europa of Nederland? Dan begint het met een andere vraag stellen. Niet: “Hoeveel GPU’s hebben we nodig?” maar: “Waar hebben we echt brute kracht nodig, en waar kan het radicaal zuiniger?” Die simpele verschuiving in denken is een methode op zich.
Een praktische stap: splits je AI-plannen in twee categorieën. Enerzijds zware trainingstaken (grote modellen, R&D, complex onderzoek). Anderzijds inferentie en edge-toepassingen (detectie, filtering, classificatie, lokale beslissingen). Voor die tweede categorie loont het om analoge, neuromorphic of andere low-power oplossingen te verkennen.
Werk met een soort interne “energieprijs” per AI-beslissing. Reken niet alleen in euro’s, maar in watt en latency. Plots wordt duidelijk welke toepassingen goedkoper, sneller en veiliger kunnen met zuinige hardware. *Je AI-strategie wordt dan minder een prestigeproject, meer een rationele infrastructuurkeuze.*
We weten allemaal hoe technologieprojecten vaak lopen. Eerst enthousiasme, dan een golf van investeringen, dan pas de vraag: wat levert dit écht op, en tegen welke kosten? In AI is die volgorde nu extreem scherp. Veel organisaties bouwen eerst een digitaal paleis en merken daarna dat de energierekening hen inhaalt.
Soyons honnêtes : personne ne fait vraiment ça tous les jours. Of in goed Nederlands: bijna niemand gaat elke week alle AI-kosten en -opbrengsten herijken. Toch kan een kleine gewoonte veel verschil maken: elk nieuw AI-project begint met één slide over energie, latency en schaalbaarheid. Niet als groen sausje, maar als harde randvoorwaarde.
Typische fout: alles naar de cloud schuiven “tot we later optimaliseren”. Dat “later” komt vaak nooit. Terwijl er nu al samenwerkingen mogelijk zijn met chipmakers en onderzoeksinstellingen rond analoge en low-power AI. Niet alleen in China, ook in Europa. Het vraagt alleen om een andere reflex: niet automatisch voor de dikste digitale chip gaan, maar de vraag stellen of eenvoud niet slimmer is.
“De echte kloof tussen winnaars en verliezers in AI wordt niet bepaald door wie het grootste model heeft, maar door wie per joule de meeste zinnige beslissingen uit zijn systemen haalt.”
Voor wie dit concreet wil maken, helpt een klein mentaal lijstje bij elke investeringsbeslissing:
- Hebben we hier echt high-end GPU-kracht nodig, of kan het met specialistische, zuinige hardware?
- Kan een deel van de AI dichter bij de sensor of gebruiker draaien, in plaats van in het datacenter?
- Hoeveel energie kost één “beslissing” van dit systeem – en kan dat factor 10 omlaag?
- Zijn er bestaande analoge of neuromorphic oplossingen voor dit type taak?
- Welk risico lopen we als energieprijzen of geopolitieke spanningen oplopen?
Wat er op het spel staat als we blijven dromen van digitale spierballen
We staan op een gek punt in de tijd. AI voelt als magie, maar draait op heel fysieke dingen: koperkabels, koeltorens, gascentrales. Het Westen praat graag over “digitale strategie”, terwijl de echte strijd misschien wel plaatsvindt in transformatorhuisjes en chipfabrieken.
Als China erin slaagt om AI 50 tot 200 keer zuiniger te maken op grote schaal, ontstaat een voorsprong die niet zomaar met geld is dicht te gooien. Dan wordt elke camera, elk verkeerslicht, elke industriële sensor daar eerder en slimmer uitgerust dan hier. Het gaat niet alleen om data, maar om tempo: wie sneller en goedkoper kan uitrollen, leert sneller. En wie sneller leert, loopt weg.
We hebben allemaal dat moment gehad waarop je naar een nieuwe gadget keek en dacht: hoe dan? Zo klein, zo goedkoop, zo krachtig. Dat gevoel zouden we binnenkort ook kunnen hebben als we naar Chinese AI-infrastructuur kijken. Niet omdat die magischer is, maar omdat daar eerder is gekozen voor andere bouwstenen. Meer analoog, meer edge, minder verspilling.
De vraag is dan: durft het Westen uit de GPU-roes te stappen en nuchter te kijken naar wat AI moet zijn? Niet alleen groot, maar ook houdbaar. Minder vuurwerk, meer degelijkheid. Minder prestige, meer infrastructuur. Want ergens tussen een ronkend datacenter en een stille analoge chip wordt nu besloten wie straks de toon zet in de wereld van slimme systemen.
Misschien is het tijd dat we AI minder zien als een sprint naar de grootste modellen, en meer als een marathon rond efficiëntie, veerkracht en slim omgaan met schaarste. Dat is geen romantisch verhaal. Wel een verhaal dat we nog jaren gaan voelen in onze energierekening, onze strategische autonomie en de vraag wie eigenlijk de onzichtbare laag van onze digitale samenleving beheert.
| Point clé | Détail | Intérêt pour le lecteur |
|---|---|---|
| Digitale AI-hype | Westen investeert massaal in dure GPU’s en datacenters | Begrijpt waarom kosten en risico’s zo snel oplopen |
| Analoge voorsprong China | Analoge en neuromorphic chips tot 200 keer zuiniger | Ziet dat er een alternatieve, stillere AI-revolutie gaande is |
| Strategische keuze | Verschuiving naar efficiënte, edge-centrische AI-architecturen | Krijgt handvatten om eigen AI-plannen toekomstbestendiger te maken |
FAQ :
- Waarom zijn analoge AI-chips tot 200 keer zuiniger?Omdat ze veel rekentaken direct in de fysieke eigenschappen van de chip uitvoeren, zijn er minder datatransfers en conversiestappen nodig, wat drastisch energie scheelt.
- Betekent dit dat digitale GPU’s gaan verdwijnen?Nee, voor het trainen van zeer grote modellen blijven GPU’s cruciaal, maar voor inferentie en edge-toepassingen komt er een serieuze rol voor analoge en low-power chips.
- Is deze analoge technologie al commercieel inzetbaar?Ja, in nichetoepassingen zoals industriële vision, IoT-sensoren en bepaalde embedded systemen wordt dit al gebruikt, vaak zonder veel ruchtbaarheid.
- Kan Europa zelf ook analoge AI-chips ontwikkelen?Absoluut, er zijn al onderzoeksprojecten en startups mee bezig, maar ze krijgen minder aandacht en budget dan de grote digitale AI-infrastructuurplannen.
- Wat kan ik nu concreet doen in mijn organisatie?Splits zware training en edge-inferentie, stel energiekosten per beslissing centraal en verken actief partners die gespecialiseerd zijn in low-power en analoge AI-oplossingen.
