"AI" wordt gebruikt voor alles van een chatbot tot een robot tot een deal met een energiecentrale, en dat maakt het lastig uit te leggen. Jensen Huang, de oprichter van NVIDIA, gaf er een van de helderste beelden van: AI is een taart van vijf lagen, namelijk energie, chips, infrastructuur, modellen en applicaties. Hij gebruikte dit beeld in januari 2026 op het World Economic Forum in Davos en werkte het in maart uit in een blogpost van NVIDIA, "AI Is a 5-Layer Cake". Deze note legt uit wat AI is, hoe het werkt van de energiecentrale tot de app op uw scherm, en waarom elke laag ertoe doet voor iedereen die AI koopt of bouwt. Het raamwerk en de punten die we aan hem toeschrijven zijn van hem; de uitleg en het praktische advies zijn van ons.
Inhoud
- Wat AI is: van antwoorden ophalen naar antwoorden genereren
- Laag 1: Energie
- Laag 2: Chips
- Laag 3: Infrastructuur, de AI-fabriek
- Laag 4: Modellen
- Laag 5: Applicaties
- Waarom de lagen samen ertoe doen
- Wat het betekent voor banen
- Wat het betekent voor uw bedrijf
1. Wat AI is: van antwoorden ophalen naar antwoorden genereren
Het grootste deel van de computergeschiedenis werd software vooraf geschreven. Iemand bedacht de stappen, de computer voerde ze uit en gegevens werden in nette tabellen opgeslagen om met precieze query's te worden opgezocht. Vraag om een bestand en de computer haalde het bestand op dat er al stond.
AI werkt anders. Een model leert patronen uit enorme hoeveelheden voorbeelden: tekst, code, afbeeldingen, geluid en steeds vaker eiwitten, moleculen en sensormetingen uit de fysieke wereld. Als u het iets vraagt, haalt het geen opgeslagen antwoord op. Het genereert een nieuw antwoord, stukje voor stukje, op basis van wat het heeft geleerd en de context die u meegaf. Die stukjes heten tokens: fragmenten van woorden, pixels, geluiden of elk ander soort data.
Dat is het uitgangspunt van Huang. Omdat elk antwoord vers wordt gemaakt, op het moment dat het nodig is, heeft AI rekenkracht en elektriciteit nodig op het moment van gebruik, niet alleen een plek om bestanden te bewaren. Daarom beschrijft hij AI niet als een app of één model, maar als essentiële infrastructuur, net als elektriciteit en internet, opgebouwd in vijf lagen.
| Traditionele computing | AI | |
|---|---|---|
| Wat de computer doet | Volgt stappen die een mens schreef | Gebruikt patronen die het uit data heeft geleerd |
| Data die het begrijpt | Gestructureerde tabellen en velden | Tekst, afbeeldingen, geluid, video, code, wetenschappelijke data |
| Hoe het antwoordt | Haalt iets op dat al is opgeslagen | Genereert een nieuw antwoord voor uw context |
| Waar het draait | Datacenters gebouwd om bestanden op te slaan en te serveren | AI-fabrieken gebouwd om tokens te produceren |
2. Laag 1: Energie
Alles begint met elektriciteit. Elk token dat een AI produceert, is het resultaat van elektriciteit die wordt omgezet in berekeningen, en van warmte die wordt afgevoerd. Huang noemt energie het eerste principe van AI-infrastructuur en de bepalende beperking: het legt het plafond vast voor hoeveel intelligentie er überhaupt kan worden geproduceerd.
Waarom het ertoe doet: in het Verenigd Koninkrijk is het moeilijkste deel van een nieuw AI-datacenter vaak niet de GPU's, maar de netaansluiting, die jaren kan duren. Bij kleinere implementaties is de vraag lokaal: kan uw gebouw of serverruimte een rack van stroom voorzien en koelen dat vele malen meer vermogen trekt dan een gewoon IT-rack? Energiekosten werken ook direct door in de prijs van elk antwoord dat een AI geeft.
3. Laag 2: Chips
Boven energie zitten de chips die elektriciteit omzetten in berekeningen. AI heeft een bepaald soort nodig: processors die duizenden berekeningen tegelijk uitvoeren (parallellisme), geheugen dat snel genoeg is om ze bij te houden (high-bandwidth memory) en verbindingen die snel genoeg zijn om veel chips als één te laten werken. GPU's passen daarbij, en daarom werden ze de motor van moderne AI.
Waarom het ertoe doet: de vooruitgang in deze laag bepaalt hoe snel AI kan groeien en hoe goedkoop elk antwoord wordt. Elke GPU-generatie produceert meer tokens voor hetzelfde vermogen. Hardware kiezen is een afweging tussen geheugen (dat bepaalt hoe groot een model u kunt draaien), snelheid, stroomverbruik en beschikbaarheid. Een desktopsysteem met 128 GB zoals DGX Spark, een RTX PRO 6000-server met 96 GB en een rack met de nieuwste datacenter-GPU's passen elk bij heel verschillende taken.
4. Laag 3: Infrastructuur, de AI-fabriek
Chips alleen maken nog geen AI. Ze hebben grond, gebouwen, stroomvoorziening, koeling, netwerken en de software nodig die tienduizenden processors als één machine laat werken. Huang noemt deze faciliteiten AI-fabrieken: ze zijn niet gebouwd om informatie op te slaan, maar om intelligentie te produceren.
Waarom het ertoe doet: hier slagen of falen de meeste projecten in de praktijk. De vragen zijn fysiek en operationeel: vermogen per rack en vloeistofkoeling, het netwerk tussen servers, opslag die snel genoeg is voor trainingsdata, scheduling, monitoring, beveiliging en wie het allemaal beheert. U kunt deze laag bezitten, leasen of huren bij een cloud. Het juiste antwoord hangt af van hoe druk de hardware bezet zal zijn en waar uw data moet blijven.
5. Laag 4: Modellen
Boven de infrastructuur zitten de modellen, het deel dat de meeste mensen als "AI" zien. Huang benadrukt dat taalmodellen maar één categorie zijn. Modellen begrijpen inmiddels biologie, scheikunde, natuurkunde, financiën, geneeskunde en de fysieke wereld, en een deel van het belangrijkste werk gebeurt in eiwitontwerp, scheikunde, simulatie, robotica en zelfrijdende systemen.
Een model doorloopt twee fasen. Training is wanneer het leert van data; dat vraagt de meeste rekenkracht en gebeurt af en toe. Inferentie is wanneer het wordt gebruikt om vragen te beantwoorden of werk te doen; dat gebeurt elke keer dat iemand het gebruikt en verbruikt op schaal in totaal meer rekenkracht. Huang wijst ook op open modellen, die gratis te downloaden en te draaien zijn: wanneer een open model de frontier bereikt, zoals DeepSeek-R1 deed, stuwt dat de vraag op in elke laag eronder.
Waarom het ertoe doet: het model dat u kiest, bepaalt uw kosten, uw hardware en uw datarisico. Een groot frontier-model via een API is snel om mee te beginnen. Een open model op uw eigen hardware houdt data in huis en kan bij hoge volumes goedkoper zijn. De meeste organisaties gebruiken uiteindelijk beide.
6. Laag 5: Applicaties
Bovenaan staan de applicaties, waar de economische waarde ontstaat: platforms voor geneesmiddelenonderzoek, industriële robots, juridische copilots, klantenservice-agents, codeerassistenten, zelfrijdende auto's. In de woorden van Huang is een zelfrijdende auto een AI-applicatie belichaamd in een machine, en een humanoïde robot een AI-applicatie belichaamd in een lichaam: dezelfde stack, andere uitkomsten.
De grote verandering kwam volgens hem het afgelopen jaar: modellen werden goed genoeg om op schaal nuttig te zijn. Redeneren verbeterde, fouten en "hallucinaties" namen af en antwoorden werden beter onderbouwd met echte bronnen. AI ging van vragen beantwoorden naar werk doen, als agents die stappen plannen en tools gebruiken.
Waarom het ertoe doet: dit is de enige laag die uw klanten zien, en de laag die alles daaronder moet betalen. Begin bij een bedrijfsprobleem dat het oplossen waard is en werk dan de stack af naar wat ervoor nodig is.
7. Waarom de lagen samen ertoe doen
Het punt van de taart is dat geen enkele laag op zichzelf staat. Elke succesvolle applicatie leunt op elke laag eronder, "helemaal tot aan de energiecentrale die haar in leven houdt", zoals Huang het zegt. Betere chips maken antwoorden goedkoper; goedkopere antwoorden maken meer applicaties de moeite waard; meer applicaties vragen meer infrastructuur en meer energie. Elke laag versterkt de andere.
Daarom noemt Huang dit de grootste infrastructuuruitbouw in de geschiedenis van de mensheid, en daarom stelt hij dat het nog vroeg is: een paar honderd miljard dollar geïnvesteerd, met nog biljoenen dollars aan infrastructuur te bouwen. Het verklaart ook waarom AI zoveel sectoren tegelijk raakt, van energieopwekking en bouw tot software en gezondheidszorg.
8. Wat het betekent voor banen
Huang maakt twee punten over werk. Ten eerste vraagt de uitbouw zelf enorme aantallen vakmensen: elektriciens, loodgieters, pijpfitters, staalwerkers, netwerktechnici, installateurs en operators. U hebt geen PhD in informatica nodig om mee te doen.
Ten tweede neemt AI taken over in plaats van hele banen. Zijn voorbeeld is radiologie: AI helpt nu bij het beoordelen van scans, maar de vraag naar radiologen blijft groeien, omdat het doel van een radioloog de zorg voor patiënten is, niet het lezen van scans. Wanneer AI routinewerk afhandelt, helpen ziekenhuizen meer patiënten en nemen ze meer mensen aan. In zijn woorden: productiviteit creëert capaciteit, en capaciteit creëert groei.
9. Wat het betekent voor uw bedrijf
U hoeft niet alle vijf lagen te bezitten. Maar u moet weten van welke u afhankelijk bent, en bij elke laag een bewuste keuze maken:
| Laag | De vraag die u moet stellen | Hoe Workstation helpt |
|---|---|---|
| Applicaties | Welk bedrijfsprobleem is het eerst het oplossen waard, en hoe meten we dat? | AI-agents, AI-consultancy, agents bouwen |
| Modellen | Frontier-API, open model of beide? Waar moet de data blijven? | Private AI, MLOps-inrichting |
| Infrastructuur | Bezitten, leasen of huren? Wie beheert het? | GPU-clusters, GPU-leasing, AI-datacenter |
| Chips | Hoeveel GPU-geheugen en snelheid heeft de workload nodig? | AI-workstations, DGX Spark- en RTX PRO-servers in onze shop |
| Energie | Kan onze locatie het van stroom voorzien en koelen? Wat kost elk antwoord om te draaien? | Planning van stroom en koeling als onderdeel van elk server- en clusterproject |
Neem contact met ons op om te bespreken waar uw organisatie op de taart zit, en wat u als volgende moet bouwen of kopen.
Bronnen
- Jensen Huang, "AI Is a 5-Layer Cake", NVIDIA Blog, 10 maart 2026.
- NVIDIA Blog, "Largest Infrastructure Buildout in Human History": Jensen Huang on AI's "Five-Layer Cake" at Davos, januari 2026.
Jensen Huang is op 12 november 2026 afgetreden als President en CEO van NVIDIA; de hier geciteerde standpunten gaf hij terwijl hij het bedrijf leidde. NVIDIA en DGX zijn handelsmerken en/of gedeponeerde handelsmerken van NVIDIA Corporation in de VS en andere landen.