GPU’s voor datacenters zijn geëvolueerd van een gespecialiseerde component naar een van de meest gevechtspunten binnen de digitale infrastructuur. Generatieve kunstmatige intelligentie, modeltraining, grootschalige inferentie, geavanceerde analyse, wetenschappelijke simulaties en cloudservices drijven de vraag op die niet langer alleen chipfabrikanten treft. Ook cloudproviders, serverintegratoren, netwerkaanbieders, koelbedrijven, datacenteroperators en energieleveranciers worden meegezogen in deze trend.
De bijgaande infographic vat de verandering goed samen: NVIDIA leidt het gesprek, maar de markt is geen eenvoudige race tussen fabrikanten van grafische kaarten. AMD, Intel, Huawei, Cerebras, SambaNova en andere actoren strijden op verschillende niveaus; hyperscalers kopen capaciteit massaal in; OEM’s zoals Dell, HPE, Lenovo, Supermicro, QCT, GIGABYTE en ASUS integreren deze accelerators in servers; en de software, van CUDA tot ROCm, oneAPI, OpenShift AI, SUSE of Ubuntu, bepaalt grotendeels de daadwerkelijke gebruikerservaring.
Marktvoorspellingen variëren sterk tussen consultants, wat logisch is in een sector die sneller groeit dan veel statistische modellen kunnen bijbenen. Market.us schat dat de wereldwijde GPU-markt voor datacenters van ongeveer 18 miljard dollar in 2024 kan groeien tot 183 miljard dollar in 2034. Precedence Research zet de waarde in 2025 op 21,77 miljard dollar en projecteert 226,87 miljard dollar in 2035. Future Market Insights noemt 21,6 miljard dollar in 2025 en 265,5 miljard dollar in 2035, terwijl SNS Insider de verwachting verhoogt tot 284,8 miljard dollar in 2035. Hoewel de cijfers verschillen, wijst de richting duidelijk op een decennium van sterke groei voor high-performance computing en acceleratie.
NVIDIA blijft leidend, maar de concurrentie opereert op meerdere lagen
NVIDIA blijft de centrale speler. De financiële resultaten illustreren hoe sterk AI zijn business heeft getransformeerd: in het eerste kwartaal van hun fiscale jaar 2027 noteerde het bedrijf recordomzetten van 81,6 miljard dollar, waarvan 75,2 miljard afkomstig was uit de datacenter-activiteit, een stijging van 92% ten opzichte van een jaar eerder. Dit onderstreept dat praten over GPU’s voor datacenters automatisch ook over marktaandeel, chipbeschikbaarheid, knelpunten en consolidatie binnen de leveranciersketen gaat.
Maar de markt beperkt zich niet tot NVIDIA. AMD versterkt zijn Instinct-lijn met accelerators zoals de MI350-serie, gericht op generatieve AI, HPC, training, inferentie en wetenschappelijke toepassingen. Intel blijft inzetten op accelerators en het oneAPI-ecosysteem, zij het in een complexere positie. Huawei promoot Ascend in de Chinese markt en in scenario’s waar Amerikaanse restricties hebben geleid tot een zoektocht naar lokale alternatieven. Cerebras en SambaNova richten zich op meer gespecialiseerde architecturen, ontworpen voor AI-belastingen die kunnen profiteren van andere benaderingen dan de traditionele GPU.
| Marktlaag | Belangrijkste actoren | Waarom het belangrijk is |
|---|---|---|
| GPU’s en accelerators | NVIDIA, AMD, Intel, Huawei, Cerebras, SambaNova | Bepalen prestaties, beschikbaarheid, kosten en efficiëntie |
| Cloud en hyperscalers | Microsoft Azure, AWS, Google Cloud, Meta, Oracle, Alibaba, Tencent | Massale capaciteit inkopen en wereldwijde vraag sturen |
| Servers en integratie | Dell, HPE, Lenovo, Supermicro, QCT, GIGABYTE, ASUS | Vertalen chips naar implementeerbare datacenter-systemen |
| Software en platforms | CUDA, ROCm, oneAPI, OpenShift AI, VMware, SUSE, Ubuntu | Beïnvloeden gebruiksgemak, interoperabiliteit en adoptie |
| Fysieke infrastructuur | Netwerken, energievoorziening, koeling, racks, opslag | Beslissen of een cluster op grote schaal kan functioneren |
Het kernpunt is dat een GPU alleen niet voldoende is. Een AI-cluster vereist HBM-geheugen, hoge-snelheid interconnecties, switches, snelle opslag, vloeistofkoeling of hybride systemen, orkestratiesoftware, stabiele drivers en operationeel geschikte hardware. Het marktlandschap ontwikkelt zich daarom tot een volledige waardeketen, niet enkel een aankoop van kaarten.
Vraag ontstaat door training, inferentie en edge computing
De eerste golf van vraag kwam voort uit de training van grote modellen. Het trainen van foundation-modellen vereist duizenden of tienduizenden accelerators die coördinatief werken, met hoge bandbreedte, geheugencapaciteit en stabiliteitsvereisten. Die fase blijft kritisch, maar de nieuwe grote druk komt van inferentie.
Wanneer modellen in productie gaan, verbruiken elke vraag, agent, aanbeveling, generatieve zoekopdracht of zakelijke assistent rekenkracht. Inferentie is misschien minder spectaculair dan training, maar kan wel een continue en zware belasting worden. Als miljoenen gebruikers en bedrijven AI integreren in hun dagelijkse workflows, wordt de vraag naar GPU’s geen incidenteel gebeuren, maar een constante behoefte.
Ook de edge groeit. Niet alle data kan naar een verafgelegen cloud-omgeving. Industrie, gezondheidszorg, retail, telecommunicatie, slimme steden, mobiliteit en infrastructuurmonitoring vereisen steeds meer lokale verwerking. GPU’s en accelerators voor edge datacenters, kleiner dan grote training clusters maar ontworpen voor lage latency, energie-efficiëntie en gedistribueerde werking, worden daarom steeds relevanter.
| Typen GPU voor datacenters | Hoofdbelasting | Voorbeelden van toepassingen |
|---|---|---|
| AI en machine learning | Training en inferentie | LLMs, beeldherkenning, recommender systemen |
| HPC en wetenschappelijk rekenen | Simulaties en complexe berekeningen | Klimaatmodellen, fysica, engineering, bioinformatica |
| Inferentie | Realtime respons | Chatbots, digitale assistenten, zoekmachines, personalisatie |
| Virtualisatie | Virtuele desktops en rendering | VDI, CAD, ontwerpsoftware, remote workstations |
| Edge data centers | Lokale verwerking | IoT, industriële analytics, lage latency toepassingen |
De knelpunten zijn niet alleen de chip
De groei van de markt brengt ook problemen met zich mee. De eerste is de kosten: een high-density AI-rack vereist enorme investeringen in servers, accelerators, netwerken, opslag, energie, koeling en onderhoud. Veel bedrijven zullen daarom kiezen voor GPU’s via cloud of gespecialiseerde leveranciers. Voor anderen kan eigen of hybride infrastructuur voordeliger zijn, vanwege data-privacy, latency, beveiliging of lange termijnkosten.
Het tweede knelpunt is energie. De International Energy Agency voorspelt dat het wereldwijde energieverbruik van datacenters zal verdubbelen van 485 TWh in 2025 naar ongeveer 950 TWh in 2030, met AI-gefocuste datacenters die nog sneller groeien. Dit plaatst energievoorziening, netwerkinfrastructuur en koeling centraal in elke GPU-strategie voor datacenters.
Het derde probleem is warmte. Nieuwe GPU- en acceleratormodellen verhogen de densiteit per rack, wat koeling op vloeistofbasis, efficiëntere ontwerpen en betere planning van datacenters noodzakelijk maakt. Het is niet langer voldoende om servers in een bestaande ruimte te plaatsen; AI-clusters vereisen herziening van rackvermogen, stroomdistributie, redundantie en warmtebeheer.
Het vierde aspect is software. CUDA gaf NVIDIA een grote voorsprong omdat het niet alleen een API is, maar een ecosysteem van libraries, frameworks, tools, documentatie en talent. AMD versterkt ROCm, Intel zet in op oneAPI, en voor bedrijven wordt orkestratie en compatibiliteit essentieel. Op lange termijn kan de strijd om software net zo belangrijk worden als die om hardware.
Noord-Amerika blijft leidend, Azië versnelt, Europa zoekt zijn plek
Noord-Amerika behoudt haar leiderspositie dankzij de concentratie van hyperscalers, kapitaal, talent en AI-projecten. Microsoft, AWS, Google, Meta en Oracle bouwen of huren capaciteit op een tempo dat moeilijk te evenaren is. Azië-Pacific groeit krachtig door China, Japan, Zuid-Korea, India en Zuidoost-Azië, waar de bouw van datacenters en adoptie van AI snel toenemen.
Europa bevindt zich in een ongemakkelijke positie. Het beschikt over zakelijke vraag, regelgeving, geavanceerde industrieën en een ambitie voor digitale soevereiniteit, maar ondervindt meer energiebeperkingen, trage vergunningstrajecten, beperkte beschikbaarheid van grote eigen cloud-regio’s en een afhankelijkheid van externe leveranciers. Tegelijkertijd biedt dit kansen voor privéclouds, nationale infrastructuur, efficiënte datacenters en hybride implementaties voor gereguleerde sectoren.
De GPU-markt voor datacenters zal niet uniform zijn. Hyperscalers blijven op grote schaal inkopen voor training en generieke modellen. Reguliere bedrijven zoeken meer beheersbare omgevingen. Regionale aanbieders proberen GPU-as-a-Service, private cloud of geavanceerde bare-metal oplossingen aan te bieden. Fabrikanten van servers richten zich op complete oplossingen die snelle implementatie mogelijk maken.
De onderliggende tendens is dat GPU’s een infrastructurele en economische rol hebben gekregen. Net zoals de x86-serverfase de cloud zette, zo zullen accelerators de volgende fase van AI bepalen. De markt wordt niet gewonnen door de krachtigste chip alleen, maar door degenen die prestaties, energieverbruik, koeling, software, beschikbaarheid en totale eigendomskosten in balans brengen.
Het decennium van AI zal niet alleen bestaan uit modellen. Het wordt gebouwd uit racks, kabels, geheugen, energie, koeling en platforms die capaciteit omzetten in bruikbare services. Daar ligt de kern van waar de markt voor GPU’s voor datacenters echt haar grootte zal bepalen.
Veelgestelde vragen
Wat is een GPU voor datacenters?
Een versneller ontworpen voor intensieve workloads zoals AI, machine learning, HPC, inferentie, rendering, geavanceerde analyse of virtualisatie in servers en professionele clusterts.
Waarom groeit deze markt zo snel?
Vanwege de uitbreiding van generatieve AI, taalmodellen, productie-inferentie, cloud, HPC en de behoefte om grote datavolumes efficiënter te verwerken.
Maakt NVIDIA de markt volledig uit?
NVIDIA is duidelijk de marktleider, vooral dankzij het CUDA-ecosysteem en aanwezigheid in hyperscalers, maar AMD, Intel, Huawei en anderen proberen ook terrein te winnen op specifieke segmenten.
Wat is de grootste uitdaging bij het implementeren van GPU’s in datacenters?
Het gaat niet alleen om de chips kopen. Grote uitdagingen zijn energie, koeling, netwerken, levering, kosten, software, operationeel personeel en het vermogen om clusters stabiel te houden op grote schaal.
Bron: LinkedIn