Google zet de druk op Nvidia op met eigen AI-chips in de cloud. Het bedrijf breidt dit jaar wereldwijd de inzet van zijn tensor processing units (TPU’s) uit en koppelt die aan een nieuwe Arm-cpu, Axion. Daarmee wil Google de kosten en levertijden voor kunstmatige intelligentie verlagen voor ontwikkelaars en bedrijven. Voor Europa is dit belangrijk door de Europese AI-verordening en strengere duurzaamheidsdoelen, die direct gevolgen hebben voor overheid en bedrijfsleven.
Google versnelt met eigen chips
Google investeert al jaren in TPU’s, speciale chips voor het trainen en draaien van AI-modellen. De nieuwste generaties, zoals TPU v5e en v5p, zijn via Google Cloud beschikbaar, met Trillium als aangekondigde volgende stap op het moment van schrijven. Het doel is snellere en goedkopere rekenkracht te leveren dan standaard grafische kaarten.
De Gemini-modellen van Google, waaronder Gemini 1.5 Pro en Gemini 1.5 Flash, draaien direct op deze TPU-infrastructuur. Een AI-model is een algoritme dat patronen leert uit data; het heeft veel rekenkracht nodig om te trainen en om antwoorden te geven (inference). Door TPU’s te gebruiken kan Google die processen optimaliseren op eigen hardware en software.
Daarbovenop introduceert Google Axion, een Arm-gebaseerde cloudprocessor voor algemene taken. Deze cpu’s verlagen kosten voor niet-AI-werk, terwijl TPU’s de zware AI-taken versnellen. Samen kan dat de afhankelijkheid van Nvidia-hardware bij Google Cloud-klanten verkleinen.
Een tensor processing unit (TPU) is een speciaal soort processor die berekeningen voor neurale netwerken versnelt.
Nvidia blijft trainingsstandaard
Nvidia heeft op dit moment de sterkste positie in high-end AI-chips met kaarten zoals de H100. Het bedrijf profiteert van CUDA, het software-ecosysteem dat veel AI-tools en bibliotheken ondersteunt. Daardoor is Nvidia vaak de eerste keuze voor het trainen van grote taalmodellen.
Ook Google Cloud biedt Nvidia-instanties aan voor klanten die daarop zijn ingericht. Veel teams hebben hun code en tooling afgestemd op CUDA en Nvidia-stacks. Overschakelen naar TPU’s vraagt dan extra werk, bijvoorbeeld via PyTorch XLA of JAX, de softwarelagen die modellen voor TPU’s geschikt maken.
De praktijk is dus geen of-of, maar en-en. Grote AI-projecten kiezen per fase de beste combinatie van chips en cloud. Zolang CUDA-dominantie blijft, behoudt Nvidia een voorsprong, terwijl Google groeit door eigen workloads en nieuwe cloudklanten.
Kosten en energie sturen keuze
Rekenkracht is de grootste kostenpost bij moderne AI. TPU’s zijn ontworpen voor hoge efficiëntie en voorspelbare capaciteit in Googles datacenters. Dat kan de totale kosten per getraind model of per miljoen modelaanroepen verlagen.
Energieverbruik speelt daarbij een steeds grotere rol, zeker in Europa waar stroomprijzen en netcongestie drukken op IT-budgetten. Efficiëntere chips en beter gebruik van koeling en stroommix maken AI-diensten goedkoper én groener. Klanten kijken daarom verder dan alleen rauwe snelheid: ook stabiliteit, leverbaarheid en energie-intensiteit tellen mee.
Beschikbaarheid is een tweede factor. Schaarste aan topchips vertraagde het afgelopen jaar veel AI-projecten. Als Google via TPU-capaciteit wachttijden verkort, kan dat een kantelpunt worden voor ontwikkelaars die nu nog op Nvidia wachten.
Europese regels en soevereiniteit
De Europese AI-verordening (AI Act) verplicht aanbieders van algemene AI-systemen tot meer documentatie, testbaarheid en toezicht op misbruik, op het moment van schrijven. Dat vergroot de vraag naar transparante toeleveringsketens en voorspelbare rekenkracht. Cloudkeuze en chipkeuze worden daarmee ook compliance-keuzes.
Daarnaast gelden de AVG en regels voor dataminimalisatie en versleuteling. Europese organisaties eisen vaak dat data binnen de EU blijven en alleen in gecertificeerde regio’s worden verwerkt. Google en Nvidia moeten daarom niet alleen snelheid leveren, maar ook duidelijke garanties over data-opslag, logging en toegang.
Europese initiatieven zoals EuroHPC en GAIA-X willen meer strategische autonomie in rekenkracht. Extra opties, zoals Google’s TPU’s naast Nvidia GPU’s, verminderen het risico op lock-in. Voor overheden betekent dit concreet meer speelruimte bij aanbestedingen en bij het naleven van “Europese AI-verordening gevolgen overheid”.
Impact voor Nederlandse organisaties
Nederlandse bedrijven in financiën, zorg, industrie en media testen versneld generatieve AI. Toegang tot meerdere chipplatformen in EU-cloudregio’s, waaronder in Nederland en omringende landen, helpt bij het opschalen. Dit kan latentie verlagen, datalocatie borgen en kosten voorspelbaarder maken.
Voor CIO’s en datateams verschuift de afweging van “welke GPU” naar “welke werkstroom op welk platform”. Training kan bijvoorbeeld op Nvidia blijven, terwijl inference op TPU’s draait als dat goedkoper of energiezuiniger is. Softwareportabiliteit en MLOps-processen worden dan cruciaal.
De komende maanden letten Nederlandse klanten op drie zaken: beschikbaarheid en prijsstelling van nieuwe TPU-generaties, levertijden van Nvidia-systemen en ondersteuning in tools als PyTorch en TensorFlow. Wie snel kan schakelen tussen platforms, beperkt risico’s en benut inkoopvoordeel. Dat bepaalt of Google Nvidia in de praktijk voorbijstreeft, of dat de markt voorlopig twee snelheden houdt.
Wat er echt op het spel staat
De vraag is minder “wie wint”, en meer “wie levert betrouwbare, betaalbare en verantwoorde rekenkracht”. Bedrijven willen zekerheid over kosten, energie en naleving van EU-regels. Een kantelpunt ontstaat als ontwikkelaars zonder frictie kunnen wisselen tussen chips, regio’s en modellen.
Google zet in op verticale integratie met Gemini, TPU’s en Axion om die frictie te verlagen. Nvidia verdedigt zijn positie met krachtige GPU’s en het brede CUDA-ecosysteem. Voor Europese gebruikers telt vooral: meer keuze, meer concurrentie en betere voorwaarden om verantwoord met AI te werken.
Als beide aanbieders leveren wat ze beloven, kan dat de groei van AI in de regio versnellen. Dan winnen niet alleen de chipbouwers, maar ook de gebruikers die sneller, groener en veiliger kunnen innoveren. Dat is de echte test van dit kantelpunt in de AI-race.