De shop is live

Wij bouwen Workstation AI-machines voor websites, AI-agents en LLM-training — configureer en koop online.

Bekijk handelsprijzen
AI-producten
AI LabsOpenAI-agentsClaude-agentsGrok-botWorkstation AI native CRMMarketingAlle producten
AI-oplossingen
Toegepaste AIAI-agentsGeneratieve AIAI-automatiseringAI-bijscholingAI-pakketten voor het mkbEnterprise AI LabAI-werkstationsNVIDIA-hardware en -softwareNVIDIA Accelerated ComputingPrivate AIGPU private cloudGPU-clustersEdge AIAI per sector
AI-diensten
PlatformmoderniseringDigitale engineeringDatafundamenten en AIAutonome operatiesAI-adviesDevOps-automatiseringCybersecuritySoftwareontwikkelingAgentontwikkelingMLOps-opzetGPU-leasingGPU private cloud
Over ons
BedrijfOns verhaalPartnersKlantverhalen
AI-datacenters
AI-datacentersGPU private cloudGPU-clustersGPU-leasing
AI-inzichtenJev-reeksBenchmarklabModelkeuze
Technische notities
Documentatie
Linux-OSUbuntuRed Hat Enterprise LinuxSUSE LinuxAlpine LinuxDebian, Rocky & AlmaLinux
AI-cloudplatformsAWS & Amazon BedrockGoogle Cloud & Vertex AIMicrosoft Azure & AI FoundryGPU-clouds en -marktplaatsen
Private AI-datacentersVoor advocatenkantorenVoor accountantskantorenOn-premises platformsVolledig beveiligde cloud
ToolsRing PromoterJobshout
Nieuws
Blog
Neem contact opInloggen

AI-werkstations, AI multi-agent software, GPU-infrastructuur en intelligente agentoplossingen voor moderne bedrijven.

Neem contact op

AI-oplossingen

Toegepaste AIAI-agentsGeneratieve AIAI-automatiseringAI-bijscholingAI-pakketten voor het mkbEnterprise AI LabAI per sector

Producten

Alle productenWorkstation AI-native CRM & ERPMarketingOpenAI-agentsRing PromoterJobshout

Bedrijf

Over onsBedrijfAI-datacentersWaarom WorkstationPartnersKlantverhalenPrijzenContactTenthMatrix

Bronnen

AI-inzichtenTechnische notitiesDocumentatieLinux-OSAI-cloudplatformsPrivate AI-datacentersBlogZoekenSitemap
Kantoor België
Workstation SRL, Rue Vanderkindere 34, 1180 Uccle, BrusselsBE 0751.518.683Ma - Vr: 9:00 - 18:00 CET
+32 492 45 67 46
Hoofdkantoor VK
77-79 Marlowes, Hemel Hempstead HP1 1LFRoute: neem afrit 20 van de M25, Outer LondonBedrijfsnummer: 11641870Ma - Vr: 9:00 - 18:00 GMT
+44 7515 356 146
Kantoor India
#159 Sector 9, Pocket 1, DDA Flats, 110077 Dwarka, New Delhi
+91 98881 98841
Kantoor Taiwan
3F, No. 2-4, Aisi Rd., Ren'ai Dist., Keelung City 200, Taiwan基隆市仁愛區愛四路2之4號3樓Ma - Vr: 9:00 - 18:00 Taiwanese tijd (GMT+8)
+886 926 892 701+32 492 45 67 46
Kantoor Estland
Aleksander Puškini tn 30-25, 20306 Narva, EstoniaMa - vr: 9:00 - 18:00 uur Estse tijd (EET)
+32 492 45 67 46

© 2026 Workstation AI. Alle rechten voorbehouden.

PrivacyGegevensverwijderingCookiesServicevoorwaardenWebsite-sitemap

NVIDIA, het NVIDIA-logo, RTX, RTX PRO, Blackwell, CUDA, NVLink, MGX, Omniverse, Spectrum-X, Quantum, BlueField, DGX en HGX zijn handelsmerken en/of gedeponeerde handelsmerken van NVIDIA Corporation in de VS en andere landen. AMD, het AMD Arrow-logo, EPYC, Instinct, Ryzen en Threadripper zijn handelsmerken van Advanced Micro Devices, Inc. Dell en PowerEdge zijn handelsmerken van Dell Inc. of haar dochterondernemingen. Intel en Xeon zijn handelsmerken van Intel Corporation of haar dochterondernemingen. AMAX, AceleMax en LiquidMax zijn handelsmerken van AMAX Engineering Corporation. Alle andere productnamen, logo's en merken zijn eigendom van hun respectieve eigenaren. Wij gebruiken ze uitsluitend om de producten aan te duiden die wij beschrijven, leveren of ondersteunen; het gebruik ervan betekent niet dat de eigenaren ons onderschrijven.

Home / Technische notities / Technology
AIAI AgentsNVIDIA

GTC Berlin: Jensen Huang over productieve AI en de vijf elementen van een agent

Wat de keynote van 21 oktober 2026 zei over OpenClaw, de vraag naar tokens en de verdeling tussen model, sandbox, harness, kennis en tools

9 november 2026Technology6 min read

Op 21 oktober 2026 vertelde Jensen Huang op GTC Berlin de zaal dat de discussie over infrastructuur niet langer de interessante was. De fabrieken, de CUDA-stack en de GPU's waren het fundament. De vraag die hij daarna stelde, was wat je ermee doet. Engineers van Workstation zaten in de zaal in STATION-Berlin. Dit is wat hij zei, gecontroleerd aan de hand van het door NVIDIA gepubliceerde transcript van de keynote, en wat het betekent als u machines koopt in plaats van een campus van een gigawatt.

AI werd dit jaar productief

De boodschap van Huang was helder. Het afgelopen jaar werd AI productief. Hij verwees naar het begin van het jaar, toen NVIDIA sprak over OpenClaw, een opensource-agent. Dat, zei hij, is wat het patroon startte dat nu overal zichtbaar is: agents die denken, redeneren, itereren en tools gebruiken.

Nuttige agents zijn op een specifieke manier duur. Ze antwoorden niet één keer. Ze werken in lussen. Elke lus kost tokens. Meer agents, gebruikt door meer mensen, die elk veel tokens verbruiken om na te denken: daarom zei hij dat zowel het tokengebruik als de vraag naar GPU's door het dak is gegaan. In die passage toonde hij geen tokengrafiek. De bewering geeft een richting aan: agent-workloads vormen de vraag, niet één enkel chatvenster.

Vijf elementen, niet één model

Daarna definieerde hij een agent als vijf dingen. Het model is het taalmodel dat op GPU's draait en tokens produceert die de agent verbruikt. Dat noemde hij het exoskelet. De harness is het programma dat plant en tools aanroept. De harness zit in een sandbox, die hem isoleert van de rest van het systeem. De andere twee elementen zijn kennis en tools.

Zijn eigen lijst, in de volgorde waarop hij uitkwam: modellen, sandbox, harness, kennis en tools.

Diagram van de vijf elementen van een agent: model, een harness binnen een sandbox, kennis en tools

Die verdeling is het nuttige deel voor een koper. Een grotere GPU voedt alleen het model. Die bepaalt niet wat de harness mag aanraken, welke kennis hij kan zien of welke tools hij mag aanroepen. Dat zijn afzonderlijke systemen. De volgende zin van Huang was dat de agent veilig moet zijn voordat hij nuttig is, omdat hij autonoom is en bij bestanden, netwerken en tools kan komen. Rechten moeten minimaal zijn en iemand moet erop letten. Dat is de aankondiging van OpenShell, die in het begeleidende artikel wordt behandeld.

Wat de rest van de keynote hieraan ophing

Drie verdere ideeën rustten op hetzelfde kader.

  • Open modellen die u kunt hertrainen. Nemotron voor taal, Cosmos voor wereldmodellen, GR00T voor robotica, Alpamayo voor autonoom rijden en Earth-2 voor fysica. Huang zei dat NVIDIA de gewichten, de data en de scripts levert, zodat een lab kan zien waar het model vandaan komt. Hij zei expliciet dat de taalmodellen niet automatisch de frontier zijn totdat een partner ze met eigen data post-traint.
  • Een kennisfundament. Ongestructureerde documenten gaan door Nemotron Parse, Nemotron Embed, cuVS en Nemotron Rerank. Gestructureerde data gaat door Auto-Ontology, daarna cuDF voor analyse en Kumo voor voorspelling. Zijn uitgewerkte voorbeeld was een leveranciersvertraging in een document, orders in SQL en een zoektocht naar een vervangend onderdeel.
  • De fabriek eronder. NVIDIA DSX is het full-stack referentieontwerp voor een AI-fabriek: compute, netwerk, opslag, software, stroom en koeling, uitgaande van een digital twin. De Europa-slide stapelde applicaties, modellen, AI-fabrieken, NVIDIA-compute en energie.

Wat dit betekent op een workstation

De meeste bedrijven in de zaal bouwen dit jaar geen Vera Rubin NVL72-hal. Ze draaien een harness, een sandbox en een model dat op een bureau of in één rack past. Het beeld met vijf elementen geldt nog steeds.

  • Het model kan Nemotron zijn, een gesloten API, of beide. Huang zei dat elk bedrijf gesloten en open modellen zal gebruiken en zal aanpassen waar het werk bedrijfseigen is.
  • De harness kan OpenClaw, Hermes, OpenHands, een LangChain- of Deep Agents-stack zijn, of Python die u zelf schrijft. Hij noemde die als manieren om de harness te bouwen die nu binnen OpenShell zit.
  • Kennis bestaat uit uw documenten en uw database, niet uit een generieke crawl van het web.
  • Tools zijn waar CUDA-X nog steeds telt: de bibliotheken die een agent aanroept wanneer de taak wetenschap, engineering of een ontwerpbestand is, niet weer een alinea chat.

Een Workstation-build voor die vorm is een Linux- of Mac Studio-machine met genoeg geheugen voor het model, een sandbox-runtime en een plek voor de documenten en de SQL. Het fabrieksverhaal is voor wanneer de tokensnelheid niet meer in één machine past. Huang sloot zijn referentiearchitectuur zelf af met: agents denken op Rubin, handelen op Vera en worden bestuurd op BlueField. Dat is een datacenterzin. De vijf elementen zijn het deel waarmee u op één machine kunt beginnen.

Cijfers die we niet als de onze behandelen

De newsroom van NVIDIA meldde dezelfde dag dat Vera Rubin NVL72 bij agent-workloads 30 keer de doorvoer per megawatt van de vorige generatie levert, dat Vera-CPU's tweemaal de prestaties van x86 leveren bij een hogere efficiëntie, en dat Sentry op BlueField-4 de agentcapaciteit met tot 20 procent kan verhogen. Dat zijn de cijfers van NVIDIA, uit hun persbericht, geen benchmark van Workstation. De keynote zei ook dat Vera Rubin binnen twee jaar nog eens 30 keer Blackwell is. Zelfde regel: citeer het als het hunne.

De lange technische stukken die hierop volgen behandelen OpenShell en Sentry, het kennisfundament en DSX en de Europese stack.

Een lus, geen antwoord

Een chatantwoord is één aanroep. Een agent is een keten. Het model leest een lange prompt, schrijft een tool-aanroep, de harness voert de tool uit en het resultaat gaat terug in de volgende prompt. Huangs "enorme hoeveelheid tokens" is die keten, vermenigvuldigd met het aantal agents dat tegelijk actief is. Hij zei niet dat een team tien keer sneller wordt. Hij zei dat de machines drukker worden omdat de software eindelijk werk verzet.

Als u een planningsgetal wilt, label het dan als schets. Stel dat één agentrun acht modelaanroepen is en dat iemand twintig runs per dag start. Dat zijn 160 aanroepen waar een chatbot er 20 zou zijn geweest. De GPU's zijn niet trager geworden. De vorm van het werk is veranderd. Verander de 8 of de 20 en de schets verandert. Citeer het niet als benchmark.

Wat u opschrijft voordat u koopt

Zet de vijf elementen op een overzicht voordat u een GPU kiest.

  1. Model. Welke gewichten, met welke precisie en hoe lang de context is die u daadwerkelijk verstuurt. Het VRAM volgt daaruit. Een model met 70 miljard parameters in 4-bit is een andere machine dan hetzelfde model in 16-bit.
  2. Harness. OpenClaw, Hermes, OpenHands, een framework of uw eigen Python. De harness is software die u kunt veranderen. Het is geen GPU-SKU.
  3. Sandbox. OpenShell, of een andere runtime die nee kan zeggen. Als u dit overslaat, delen de andere vier elementen één set rechten.
  4. Kennis. Welke documenten, welke database en wie ze mag ophalen.
  5. Tools. De paar API's en CUDA-X-bibliotheken die de taak nodig heeft. Huang zei dat de nuttige agent degene is die een echte tool kan aanroepen, en dat die tools de reden zijn dat een GPU sneller is dan dezelfde bibliotheek op een CPU. Hij sprak van 10, 50 of 100 keer. Dat was een bandbreedte vanaf het podium, geen paper.

Als dat overzicht op één workstation past, koop dan de workstation. Als de tokensnelheid een hal vereist, zit u in het DSX-gesprek. Beide kunnen in één bedrijf tegelijk waar zijn.

Bronnen

  • NVIDIA on-demand-transcript, GTC Berlin 2026-keynote SB61112: nvidia.com
  • NVIDIA-newsroom, 21 oktober 2026, OpenShell Reference Architecture: nvidianews.nvidia.com
  • NVIDIA-blog, live-aantekeningen bij de keynote: blogs.nvidia.com
Deel dit artikel

Meer in Technology

AI-developerlaptops: LLM's lokaal draaien onder Linux met GPU's van 16 GB en 24 GB (gids 2026)

AI-developerlaptops: LLM's lokaal draaien onder Linux met GPU's van 16 GB en 24 GB (gids 2026)

Wat er past op een RTX 5080 of RTX 5090 Laptop GPU, de geheugenberekening, de open modellen die de moeite waard zijn, Ubuntu 26.04 inrichten met de NVIDIA-stack, Ollama, llama.cpp en vLLM, codeerassistenten, LoRA-fine-tuning, beveiliging, en wanneer werk naar een server moet

Lees meer
ML- en LLM-systemen testen die u niet correct kunt bewijzen: een Python-kit voor bewijsmateriaal

ML- en LLM-systemen testen die u niet correct kunt bewijzen: een Python-kit voor bewijsmateriaal

Bewijsmateriaal in plaats van bewijzen, in ongeveer 400 regels Python met echte output: slice-metrics met bootstrap-intervallen en een pass/fail-contract, property- en metamorfe tests met Hypothesis, kalibratie en conformal prediction, Pydantic-contracten en regressie-evals voor LLM-output, driftcontroles, een CI-gate en exacte verificatie van een klein neuraal netwerk

Lees meer
TorchCurves in de praktijk: leerbare B-spline- en Legendre-curves in PyTorch

TorchCurves in de praktijk: leerbare B-spline- en Legendre-curves in PyTorch

torchcurves installeren, een curve fitten en dimensioneren, kiezen tussen B-spline en Legendre en de input map, een monotone kalibratiecurve en een additief model op tabeldata bouwen, vergelijken met SciPy, scikit-learn, een KAN en een MLP, coëfficiënten naar JSON exporteren, testen en in productie draaien, met echte output

Lees meer