Nvidia-topman Jensen Huang roept landen op om kunstmatige intelligentie niet langer te zien als software alleen, maar als strategische infrastructuur zoals elektriciteit, wegen en het internet. Volgens Huang moeten landen investeren in rekenkracht, datacenters, modellen en toepassingen om economisch mee te kunnen. Tegelijk waarschuwde hij dat overregulering en angst landen het risico geven achterop te raken.
Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.
AI als vijflaagse infrastructuur
Huang beschrijft AI als een stapel van vijf onderling afhankelijke lagen.
Onderaan staat energie. Zonder elektriciteit geen rekencapaciteit. Daarboven bevinden zich chips, gevolgd door de infrastructuur waarin die chips draaien: datacenters, netwerken, koeling en andere fysieke systemen.
De vierde laag bestaat uit AI-modellen. Pas helemaal bovenaan komen de data en toepassingen waarmee bedrijven en overheden daadwerkelijk economische waarde creëren.
Voor Huang is vooral die bovenste laag belangrijk. Landen hoeven niet noodzakelijk zelf de beste chipfabrieken of funderingsmodellen ter wereld te bouwen. Ze kunnen zich ook specialiseren in toepassingen voor gezondheidszorg, industrie, wetenschap, onderwijs of andere sectoren waarin ze al expertise hebben.
Tokens worden een economische eenheid
Een van Huangs opvallendste vergelijkingen gaat over tokens, de rekeneenheden die moderne generatieve AI-systemen produceren.
Volgens hem zetten AI-datacenters elektriciteit en computerkracht om in wat hij omschrijft als digitale intelligentie. Waar energie economisch wordt gemeten in bijvoorbeeld kilowattuur, wordt generatieve AI steeds vaker afgerekend per miljoen tokens.
Dat is uiteraard geen perfecte economische vergelijking, maar ze illustreert hoe Nvidia naar de sector kijkt: rekencapaciteit is niet langer alleen een technische kostenpost, maar een productie-installatie waarmee een verkoopbaar digitaal product wordt gemaakt.
Nvidia spreekt daarom zelf steeds vaker over AI factories.
Van taalmodel naar agent en robot
Huang trok de redenering verder door naar AI-agents en robotica. Een taalmodel alleen is volgens hem nog geen volwaardig productief systeem. Er moet een soort softwarematige “exoskelet” rond worden gebouwd: geheugen, toegang tot informatie, tools en mechanismen waarmee het systeem taken kan uitvoeren. Zo ontstaat een AI-agent.
Wanneer diezelfde agent geen browser of spreadsheet bedient maar een machine, verandert het concept volgens Huang nauwelijks. De agent kan dan terechtkomen in een industriële robot, zelfrijdende auto, logistiek voertuig, chirurgische robot of geautomatiseerd laboratorium.
Daarmee vervaagt de grens tussen digitale en fysieke AI steeds verder. AI-infrastructuur wordt zo niet alleen relevant voor kenniswerk, maar ook voor productie, logistiek en robotica.
Het grootste risico is volgens Huang achterblijven
Huang gebruikte zijn optreden ook om een duidelijke positie in het reguleringsdebat in te nemen.
Volgens hem moeten overheden zich richten op concrete en aantoonbare schade in plaats van op hypothetische risico’s. Hij stelde dat het slechtste resultaat voor een land zou zijn dat het de technologie onvoldoende benut en daardoor economisch achterop raakt.
Die visie is niet onomstreden. Rond de G20-bijeenkomst waren ook zorgen over energiegebruik, datacenters en maatschappelijke risico’s zichtbaar, terwijl andere deelnemers benadrukten dat innovatie en publieke veiligheid tegelijkertijd aandacht nodig hebben.
Huangs standpunt moet bovendien worden bekeken tegen de achtergrond van Nvidia’s commerciële positie. Het bedrijf levert de hardware waarop een groot deel van de huidige AI-infrastructuur draait en heeft er dus direct belang bij dat landen en bedrijven fors blijven investeren in rekenkracht.
Ook met zeer krachtige AI blijft context nodig
Een ander interessant deel van Huangs boodschap ging over werk. Zelfs wanneer AI in de komende jaren veel capabeler wordt, verwacht hij niet dat bedrijven simpelweg een intelligent systeem aansluiten en daarna grotendeels zonder mensen verder kunnen.
Hij vergelijkt toekomstige AI-systemen met uitzonderlijk goed opgeleide nieuwe werknemers. Zelfs iemand met een doctoraat van een topuniversiteit moet na indiensttreding nog leren hoe een organisatie werkt, welke context belangrijk is, welke informatie toegankelijk is en welke doelen moeten worden bereikt.
Voor AI geldt volgens Huang hetzelfde.
Daarom ziet hij context, bedrijfskennis en de softwareomgeving rond modellen als cruciaal. Taken zoals typen, zoeken of bepaalde analyses kunnen steeds verder worden geautomatiseerd, maar het bepalen van doel, betekenis en context blijft volgens hem een belangrijke menselijke en organisatorische verantwoordelijkheid.
Niet elk land hoeft alles zelf te bouwen
Misschien is dat uiteindelijk het meest bruikbare deel van Huangs boodschap voor beleidsmakers en bedrijven.
Digitale soevereiniteit hoeft niet te betekenen dat ieder land zijn eigen chipindustrie, datacenters, foundation models én applicatielaag volledig zelfstandig bouwt. Wel moet volgens Huang bewust worden gekozen welke lagen strategisch belangrijk zijn en welke intelligentie een land of onderneming niet volledig wil uitbesteden.
Dat maakt de huidige AI-race minder een wedstrijd om één superieur model en meer een infrastructuurvraagstuk.
De landen en bedrijven die de komende jaren voordeel willen halen uit AI zullen daarom niet alleen moeten beslissen welk model ze gebruiken, maar ook waar hun rekenkracht vandaan komt, wie hun data beheert, welke kennis ze zelf opbouwen en op welke laag van de AI-economie ze waarde willen creëren.