Blackwell en Verder: De Toekomst van Hardwareversnelling voor Kunstmatige Intelligentie

NVIDIA’s Blackwell is de nieuwste GPU-architectuur van het bedrijf, die de Hopper (H100) architectuur uit 2022 en de Ampere (A100) architectuur uit 2020 opvolgt nvidianews.nvidia.com cudocompute.com. De naam verwijst naar de wiskundige David Blackwell, waarmee NVIDIA haar traditie voortzet om pioniers in de computerwereld te eren cudocompute.com. Blackwell GPU’s vertegenwoordigen een enorme sprong in prestaties en mogelijkheden, ontworpen om te voldoen aan de explosieve vraag naar kunstmatige intelligentie (AI) op schaal. NVIDIA CEO Jensen Huang heeft Blackwell geprezen als “de motor die [de] nieuwe industriële revolutie” van AI zal aandrijven nvidianews.nvidia.com. In dit rapport bieden wij een uitgebreid overzicht van Blackwell’s technologie, de innovaties ten opzichte van vorige generaties, en de betekenis ervan voor grootschalige AI-training en inferentie. We onderzoeken ook toepassingen in verschillende sectoren – van enorme taalmodellen tot robotica en gezondheidszorg – en vergelijken Blackwell met concurrerende AI-accelerators van AMD, Intel, Google en leidende startups. Ten slotte bespreken we trends voor de toekomst van AI-hardwareversnelling en de impact van deze nieuwe generatie AI-chips op de markt.

Technisch Overzicht van de Blackwell Architectuur

Blackwell GPU’s zijn gebouwd op het 4N+ proces van TSMC en bevatten een verbazingwekkende 208 miljard transistors in één pakket nvidia.com. Dat is bijna 2,5× het aantal transistors van NVIDIA’s vorige Hopper H100 (~80 miljard) en maakt Blackwell tot de meest complexe chip ter wereld tot nu toe cudocompute.com nvidianews.nvidia.com. Om dit te bereiken, gebruikte NVIDIA een multi-die architectuur: twee reticle-limit GPU dies worden op één module geplaatst en verbonden via een snelle chip-naar-chip-interconnectie van 10 terabyte per seconde nvidia.com cudocompute.com. In feite functioneren de twee dies als één geünificeerde GPU, waardoor Blackwell het aantal cores en het geheugen aanzienlijk kan opschalen zonder buiten de productiegrenzen te treden. Elke Blackwell GPU die is uitgerust met vier stacks van de nieuwe generatie HBM3e high-bandwidth memory (totaal 8 stacks per GPU-module), wat tot 192 GB HBM-geheugen oplevert op high-end modellen cudocompute.com. De totale geheugendoorvoer bereikt een gigantische ~8 TB/s per GPU (dus voor twee dies samen), een 5× toename ten opzichte van de geheugenbandbreedte van Hopper cudocompute.com. Dankzij deze enorme geheugencapaciteit en bandbreedte kan Blackwell AI-modellen tot ~740 miljard parameters in het geheugen aan – ongeveer 6× groter dan wat Hopper kon ondersteunen cudocompute.com.

Naast de enorme omvang introduceert Blackwell zes transformerende technologieën in de architectuur nvidianews.nvidia.com nvidianews.nvidia.com:

Volgende generatie GPU Superchip: Zoals vermeld, is Blackwell de eerste NVIDIA-GPU die is ontworpen als een dual-die “superchip.” Dit ontwerp levert ongekende parallellisme en rekendichtheid in één accelerator. Een enkele Blackwell GPU levert 5× de AI-prestaties van H100 (vijf keer zoveel als Hopper) dankzij de grotere schaal en nieuwe cores cudocompute.com cudocompute.com. Het ondersteunt geheugen op het pakket dat veel verder gaat dan bij eerdere generaties (bijna 200 GB per GPU), cruciaal voor de enorme huidige AI-modellen.
Tweede generatie Transformer Engine: Blackwell bevat een verbeterde Transformer Engine (TE) voor het versnellen van AI-berekeningen, vooral voor transformer-gebaseerde modellen zoals grote taalmodellen (LLMs). De nieuwe TE introduceert ondersteuning voor 4-bit floating point (FP4) gegevens en geavanceerde “micro-tensor scaling” technieken om nauwkeurigheid te behouden bij zulke lage precisies nvidia.com nvidianews.nvidia.com. In de praktijk betekent dit dat Blackwell de effectieve doorvoer en modelgrootte voor AI-inferentie kan verdubbelen door 4-bit gewichten/activaties te gebruiken wanneer mogelijk (met minimaal verlies aan nauwkeurigheid). De Blackwell Tensor Cores leveren ongeveer 1,5× meer AI FLOPS dan voorheen en bevatten gespecialiseerde hardware om 2× snellere Transformer attention layers te realiseren, een knelpunt in LLMs nvidia.com. Gecombineerd met NVIDIA’s software (TensorRT-LLM compiler en NeMo-libraries), zorgt dit voor tot 25× lagere latentie en energieverbruik voor LLM-inferentie ten opzichte van Hopper nvidianews.nvidia.com nvidianews.nvidia.com. Blackwell kan zelfs triljoens-parameter-modellen in real time bedienen – iets dat voorheen niet mogelijk was bij GPU’s nvidianews.nvidia.com.
Vijfde generatie NVLink Interconnect: Om opschaling verder mogelijk te maken, introduceert Blackwell NVLink 5, NVIDIA’s nieuwste supersnelle interconnect voor multi-GPU’s. NVLink 5 levert 1,8 TB/s aan bidirectionele bandbreedte per GPU, wat het mogelijk maakt om tot 576 GPU’s in één cluster te koppelen met snelle all-to-all communicatie nvidia.com nvidianews.nvidia.com. Ter vergelijking: Hopper’s NVLink kon circa 18 GPU’s per server koppelen; dankzij Blackwell’s nieuwe NVLink Switch-chips kan een NVL72-domein van 72 GPU’s werken als één gigantische accelerator nvidia.com nvidia.com. De NVLink Switch voorziet in een totale 130 TB/s bandbreedte in een 72-GPU subsystem nvidia.com. Dit is cruciaal voor het trainen van AI-modellen met meerdere triljoen parameters die tientallen tot honderden GPU’s vereisen zonder communicatiefouten. De nieuwe NVLink ondersteunt ook NVIDIA’s SHARP-protocol om collectieve operaties (zoals all-reduce) in hardware te versnellen met FP8-precisie, waardoor multi-GPU-efficiëntie verder toeneemt nvidia.com cudocompute.com.
Betrouwbaarheid, Beschikbaarheid, Onderhoudbaarheid (RAS) Engine: Aangezien Blackwell-gebaseerde systemen massale AI-workloads weken tot maanden continu kunnen draaien, heeft NVIDIA hardware voor betrouwbaarheid ingebouwd. Elke GPU heeft een toegewijde RAS-engine die duizenden datapunten monitort op vroege tekenen van fouten of prestatiedaling nvidia.com nvidia.com. Deze engine gebruikt AI-gedreven voorspellende analyses om potentiële problemen te voorspellen en kan proactief componenten voor onderhoud markeren, waardoor onverwachte uitval wordt geminimaliseerd. De engine biedt gedetailleerde diagnose-informatie en helpt bij het coördineren van onderhoud – essentiële eigenschappen nu AI-infrastructuur schaalt naar “AI-fabrieken” met tienduizenden GPU’s in datacenters nvidia.com nvidia.com.
Veilige AI-verwerking: Blackwell is de eerste GPU met ingebouwde Confidential Computing-mogelijkheden. Het implementeert een trusted execution environment met geheugenversleuteling en isolatie (TEE-I/O), zodat gevoelige data en modellen kunnen worden verwerkt in GPU-geheugen zonder risico op blootstelling nvidia.com. Opvallend is dat de encryptie van Blackwell verwaarloosbare prestatiedaling heeft, met vrijwel dezelfde doorvoer als in de normale modus nvidia.com. Dit is aantrekkelijk voor privacygevoelige sectoren als de gezondheidszorg en financiën, die hierdoor AI-workloads op gedeelde infrastructuur kunnen draaien en toch dataconfidentialiteit verzekeren nvidianews.nvidia.com. Van veilige medische beeldanalyse tot multi-party training op privégegevens: Blackwell maakt nieuwe toepassingen mogelijk door beveiligingsdrempels te verwijderen.
Decompressie & Data Acceleration: Om de rekenkracht optimaal te voeden, voegt Blackwell een Decompression Engine toe die decompressietaken hardwarematig van de CPU overneemt nvidia.com nvidia.com. Moderne analyticspijplijnen comprimeren vaak datasets (bv. met LZ4, Snappy) om opslag en I/O te verbeteren – Blackwell kan deze data transparant decompressen met volledige snelheid, zonder CPU-knelpunten. In combinatie met de Grace CPU van NVIDIA kan Blackwell rechtstreeks toegang krijgen tot systeemgeheugen met 900 GB/s via NVLink-C2C, waarmee razendsnelle streaming van enorme datasets mogelijk wordt nvidia.com nvidia.com. Deze functies versnellen samen data-intensieve workloads zoals ETL, SQL-analytics en aanbevelingssystemen. NVIDIA verwacht dat in de komende jaren een groeiend deel van de tientallen miljarden dollars besteed aan dataverwerking zal verschuiven naar GPU-versnelde oplossingen nvidianews.nvidia.com.

Prestatiebenchmarks: Dankzij bovenstaande innovaties levert Blackwell een generatieversnelling in prestaties. Bij gelijke precisie biedt een enkele high-end Blackwell GPU (B100 model) ongeveer 5× de AI-trainingsthroughput van H100 (Hopper) en circa 25× de throughput van de oudere Ampere A100 cudocompute.com nvidianews.nvidia.com. Zo haalt Blackwell tot 20 PetaFLOPS AI-rekenkracht op FP8/FP6-precisie versus ~8 PFLOPS voor de H100 cudocompute.com. Nog indrukwekkender: met FP4 bereikt Blackwell 40 PFLOPS, vijf keer de FP8-mogelijkheid van Hopper cudocompute.com. In de praktijk betekent dit dat taken zoals GPT-3 (175B parameter) inferentie die seconden duurden op H100, nu in fracties van een seconde op Blackwell draaien. NVIDIA gaf aan dat Blackwell real-time inferentie mogelijk maakt op modellen tot 10× groter dan voorheen mogelijk was nvidianews.nvidia.com. Vroege industriebenchmarks bevestigen dit – in de MLPerf-inferentietests presteerden systemen met de nieuwe Blackwell GPU’s alle concurrenten voorbij, terwijl zelfs de nieuwste AMD MI300-serie accelerators slechts gelijke tred hielden met Nvidia’s vorige H100/H200 bij kleinere LLMs spectrum.ieee.org. In een Llama-70B benchmark presteerden Blackwell-submissies 30× sneller dan een gelijk aantal H100 GPU’s, met daarnaast nog eens een dramatische verlaging van het energieverbruik nvidianews.nvidia.com.

Het is belangrijk op te merken dat het behalen van deze winst in de praktijk afhankelijk is van software-optimalisatie. NVIDIA’s full-stack benadering – van CUDA-bibliotheken tot de nieuwe TensorRT-LLM-compiler – helpt toepassingen eenvoudig gebruik te maken van Blackwell’s mogelijkheden. Bijvoorbeeld, automatische precisieschaling in de Transformer Engine stelt gebruikers in staat te profiteren van FP4-versnellingen met minimale codewijzigingen nvidia.com. Deze nauwe integratie van hardware en software is een belangrijk voordeel voor NVIDIA. Daarentegen hebben concurrenten vaak moeite met softwarevolwassenheid; industrie-analisten wijzen erop dat, hoewel AMD’s MI300-hardware “inloopt” op Nvidia, het software-ecosysteem nog steeds achterloopt op CUDA qua gebruiksgemak en optimalisatie research.aimultiple.com research.aimultiple.com.

Innovaties vergeleken met Hopper en Ampere

Blackwell introduceert verschillende grote architectonische verbeteringen ten opzichte van eerdere GPU-generaties van NVIDIA:

Multi-Chip Module (MCM) ontwerp: Hopper (H100) en Ampere (A100) waren monolithische GPU’s op een enkele chip. Blackwell is NVIDIA’s eerste stap richting een MCM-GPU – feitelijk twee GPU’s in één. Dit resulteert in een veel groter aantal transistoren (208 miljard tegenover 80 miljard) en meer geheugencapaciteit (tot 192 GB tegenover 80 GB) cudocompute.com cudocompute.com. Concurrenten zoals AMD introduceerden MCM-GPU’s in de MI200/MI300-serie, maar NVIDIA’s implementatie verenigt de dubbele chips tot één GPU-adresruimte cudocompute.com, waardoor het eenvoudiger is voor programmeurs. De MCM-aanpak verbetert ook het productie-rendement (kleinere chips zijn makkelijker te produceren) en biedt betere schaalbaarheid voor toekomstige ontwerpen.
Verbeterde Tensor Cores & FP4 Precisie: Waar Ampere Tensor Cores introduceerde en Hopper FP8-ondersteuning toevoegde via de eerste generatie Transformer Engine, gaat Blackwell nog verder met ondersteuning voor native 4-bit-precisie nvidia.com. Het voegt “Ultra” Tensor Cores toe die FP4-matrixbewerkingen aankunnen en nieuwe microscaling-algoritmen om de nauwkeurigheid bij 4-bit te behouden nvidia.com. Dit is belangrijk omdat veel AI-inferentiewerkzaamheden lagere precisie toestaan, en FP4 hierdoor de doorvoer ten opzichte van FP8 kan verdubbelen. Blackwell’s Tensor Cores zijn bovendien beter afgestemd op sparsity en aandachts-patronen die vaak voorkomen in Transformers, terwijl Ampere/Hopper meer algemeen waren ontworpen. Resultaat: een grote prestatieverbetering op Transformer-modellen (2× snellere attention in Blackwell) nvidia.com.
Geheugen en Interconnect: Blackwell gebruikt HBM3e-geheugen met hogere capaciteit en bandbreedte. Hopper’s H100 had 80 GB HBM (3 TB/s); Blackwell B100 biedt tot ~192 GB HBM met een snelheid tot ~8 TB/s cudocompute.com. Daarnaast verbetert Blackwell’s NVLink 5 de multi-GPU-schaalbaarheid sterk, zoals eerder beschreven. Hopper kon maximaal 8 GPU’s direct verbinden in een node (met ~0,6 TB/s verbinding per GPU); Blackwell kan er 72 of meer verbinden met veel hogere bandbreedte nvidia.com nvidianews.nvidia.com. Dit speelt in op de schaalbaarheidseisen van gedistribueerde training op tientallen GPU’s en vermindert communicatie-overhead.
Confidential Computing en RAS: Eerdere architecturen boden slechts beperkte beveiliging (zo introduceerde Hopper versleutelde VM-isolatie voor multi-instance GPU-partities). Blackwell is de eerste met volledige confidential computing op GPU-niveau, waarbij data tijdens verwerking wordt versleuteld nvidia.com. Het is ook de eerste NVIDIA GPU met een toegewijde RAS-core voor voorspellend onderhoud nvidia.com. Deze functies tonen de volwassenheid van GPU-technologie voor bedrijfskritische enterprise- en cloudtoepassingen waar uptime en privacy net zo belangrijk zijn als ruwe snelheid. Ampere en Hopper boden niet zulke robuuste ingebouwde telemetrie en encryptie.
Nieuwe Data Processing Engines: Blackwell’s decompressiehardware is een nieuwe toevoeging – eerdere GPU’s lieten dataloading over aan CPU’s of DPU’s. Door taken als JSON parsing of het decoderen van gecomprimeerde data direct op de GPU te versnellen, kan Blackwell datapijplijnen van begin tot eind versnellen, niet alleen neural network-berekeningen nvidia.com. Dit weerspiegelt het verbreden van de rol van de GPU: van pure ML-accelerator naar een algemene dataworkhorse voor analytics en ETL. Het is een erkenning van de trend waar AI en big data analytics samenkomen.

Samengevat, Blackwell’s verbeteringen ten opzichte van Hopper/Ampere zijn te zien in vijf belangrijke dimensies: (1) Compute (meer TFLOPS door schaal en FP4), (2) Geheugen (meer capaciteit/bandbreedte), (3) Connectiviteit (NVLink-clusters), (4) Veerkracht/Beveiliging (RAS-engine, encryptie), en (5) Data-afhandeling (compressie-engines). Deze verbeteringen maken Blackwell veel beter uitgerust voor het aanpakken van grootschalige AI dan zijn voorgangers.

Inspelen op de eisen van grootschalige AI-training & inference

De huidige grensverleggende AI-modellen – of het nu gaat om grote taalmodellen met miljarden parameters, complexe vision transformers, of aanbevelingssystemen die petabytes aan data verwerken – vragen om enorme rekenkracht en geheugen. Blackwell is expliciet ontworpen om aan deze uitdagingen te voldoen:

Ongekende modelgrootte: Zoals opgemerkt kan een enkele Blackwell-GPU modellen met rond de 0,5–0,7 biljoen parameters in het geheugen bevatten cudocompute.com. En als dat niet genoeg is, kunnen systemen op basis van Blackwell worden opgeschaald naar honderden GPU’s met snelle interconnects, zodat modellen met tientallen biljoenen parameters getraind kunnen worden door parameters over verschillende GPU’s te verdelen nvidianews.nvidia.com nvidia.com. Zo kan de NVIDIA DGX SuperPOD met Blackwell 576 GPU’s verbinden en ongeveer 1,4 ExaFLOP aan AI-prestaties leveren met 30 TB aan geïntegreerd HBM-geheugen nvidianews.nvidia.com nvidianews.nvidia.com. Die capaciteit maakt het mogelijk om echt GPT-4 en verder te verkennen, waar het aantal parameters in het multi-biljoen bereik kan liggen. Kortom, Blackwell lost het schaalprobleem op met brute kracht – grotere chips en meer daarvan, naadloos aan elkaar gekoppeld.
Hogere doorvoer, lagere latentie: Voor AI-inferentie, vooral interactieve toepassingen (chatbots, realtime visie, enz.), zijn latentie en kosten cruciaal. Blackwell’s optimalisaties voor transformers en FP4-precisie richten zich direct op efficiëntie bij inferentie en leveren tot 25× lagere latentie en energiekosten per query voor LLM’s vergeleken met de vorige generatie nvidianews.nvidia.com. In de praktijk kan dit betekenen dat een query aan een model met 1 biljoen parameters, dat eerst een groot GPU-cluster nodig had, nu sneller en goedkoper kan worden verwerkt door een kleiner Blackwell-cluster. Bedrijven zoals OpenAI en Meta verwachten Blackwell in te zetten om LLM’s op grote schaal aan gebruikers aan te bieden, waarbij elke kostenreductie per inference van groot belang is nvidianews.nvidia.com nvidianews.nvidia.com.
Trainings-efficiëntie & Kosten: Het trainen van een state-of-the-art model kan tientallen miljoenen dollars aan rekentijd kosten. Blackwell wil dit verminderen via snellere trainingstijden en betere benutting per node. De combinatie van meer FLOPS en betere netwerkprestaties betekent dat een cluster met Blackwell-GPU’s een model in een fractie van de tijd kan trainen (of andersom: meer nauwkeurigheid halen in dezelfde tijd). NVIDIA beweert dat grote LLM-training op Blackwell tot 25× minder energie vereist dan met Hopper nvidianews.nvidia.com. Dit is niet alleen dankzij hardwarerapiditeit, maar ook door software-innovaties (zoals Blackwell-compatibele compilers en mixed-precision schema’s). Snellere training cycli stellen onderzoekers in staat sneller modellen te itereren – een grote boost voor de innovatie in AI.
Geheugencapaciteit voor grote batches en datasets: Blackwell’s uitgebreide geheugen is een uitkomst voor zowel training als inferentie. Voor training ondersteunt het grotere batchgroottes of sequenties, wat de trainingsefficiëntie en modelkwaliteit verbetert. Voor inferentie kan het complete modellen of lange contexten (cruciaal voor LLM’s met lange prompts) in één GPU cachen, zodat trage CPU-geheugenwissels worden vermeden. Bovendien kan met de Grace CPU-link (900 GB/s) een Blackwell-GPU extra data naar CPU-geheugen offloaden zonder veel prestatieverlies nvidia.com. Hierdoor ontstaat een geheugenniveau-hiërarchie waarin GPU+CPU coherent geheugen delen – handig voor grote aanbevelingsdatasets of graaf-analyses waarbij de werkdata het GPU-geheugen overstijgt.
Altijd-aan betrouwbaarheid: In enterprise- en cloud-omgevingen draaien AI-workloads vaak continu als diensten. De betrouwbaarheid van Blackwell (de RAS-engine) betekent dat deze langdurige workloads met minimale onderbrekingen kunnen draaien, doordat automatisch issues als geheugenfouten, verbindingsproblemen of thermische afwijkingen worden opgespoord en beheerders worden gewaarschuwd nvidia.com nvidia.com. Dit speelt in op een praktische behoefte: bedrijven verwachten van AI-hardware net zo veel betrouwbaarheid als van traditionele IT-infrastructuur. Blackwell maakt die stap richting serverniveau-betrouwbaarheid met mechanismen zoals we die kennen van missiekritische CPU’s en servers.

Samengevat richt Blackwell zich nadrukkelijk op de noden van “AI-fabrieken”: grootschalige AI-infrastructuur die alles aandrijft van onderzoekslabs tot cloud AI-diensten nvidianews.nvidia.com. Het levert de schaal, snelheid, efficiëntie en robuustheid die nodig zijn nu AI-modellen en datasets exponentieel blijven groeien.

Toepassingen en Use Cases in Verschillende Sectoren

NVIDIA’s Blackwell draait niet alleen om het verleggen van prestatiegrenzen – het is ontworpen om nieuwe AI-toepassingen in uiteenlopende sectoren mogelijk te maken. Hier bekijken we hoe Blackwell-GPU’s een impact zullen hebben op meerdere belangrijke domeinen:

Generatieve AI en Grote Taalmodellen (LLMs)

De opkomst van generatieve AI (GPT-3, GPT-4, etc.) is een primaire drijfveer achter de ontwikkeling van Blackwell. Blackwell-GPU’s blinken uit in zowel het trainen als het uitrollen van grote taalmodellen:

Training van Gigantische Modellen: Onderzoeksinstellingen en bedrijven zoals OpenAI, Google DeepMind en Meta trainen steeds grotere LLM’s. Met Blackwell worden trainingsruns mogelijk die voorheen onpraktisch waren. Dankzij multi-GPU schaalbaarheid en snellere doorvoersnelheden, is het haalbaar om modellen met biljoenen parameters te trainen of modellen van meer dan 100 miljard parameters aanzienlijk sneller te trainen. Zo gaf de CEO van Meta aan dat ze “uitkijken naar het gebruik van NVIDIA’s Blackwell om [hun] open-source Llama-modellen te trainen en de volgende generatie van Meta AI te bouwen” nvidianews.nvidia.com. De snellere iteratiecyclus leidt tot meer experimenten en mogelijk tot doorbraken in modelcapaciteiten. Bovendien is Blackwells Transformer Engine geoptimaliseerd voor transformer-stijl netwerken, wat kan resulteren in betere hardwarebenutting en lagere kosten om een doelnauwkeurigheid te bereiken.
Schaalbare LLM Infferentie-Diensten: Het uitrollen van een op LLM gebaseerde dienst (zoals een chatbot die miljoenen gebruikers bedient) vereist enorme rekenkracht. Blackwell vermindert de benodigde hardware voor een bepaalde belasting drastisch. Jensen Huang stelde dat Blackwell “organisaties in staat stelt om real-time generatieve AI te draaien op modellen met een biljoen parameters tegen tot wel 25× lagere kosten” dan voorheen nvidianews.nvidia.com. Voor een cloudprovider betekent dit dat ze economisch aantrekkelijk GPT-achtige diensten aan klanten kunnen aanbieden. Ook maakt het real-time toepassingen mogelijk – bijvoorbeeld assistenten die door enorme documenten kunnen zoeken of zeer complexe vragen direct kunnen beantwoorden, dankzij de lage latency van Blackwell. Google’s CEO Sundar Pichai benadrukte hoe Google Blackwell-GPU’s op Google Cloud en Google DeepMind gaat inzetten om “toekomstige ontdekkingen te versnellen” en de eigen AI-producten efficiënter te leveren nvidianews.nvidia.com.
Mixture-of-Experts (MoE) Modellen: Blackwell’s architectuur (enorme geheugencapaciteit + snelle interconnect) is ook voordelig voor MoE-modellen, waarbij invoer dynamisch wordt gerouteerd naar verschillende expert-submodellen. Deze modellen kunnen schalen tot biljoenen parameters, maar vereisen snelle communicatie tussen experts (vaak verspreid over meerdere GPU’s). De NVLink Switch en het grote GPU-geheugen houden MoE’s efficiënt, wat mogelijk een nieuwe golf van sparse expert-modellen mogelijk maakt die eerder tegen bandbreedtebeperkingen aanliepen nvidia.com cudocompute.com.

Robotica en Autonome Voertuigen

AI-hardware wordt steeds belangrijker voor robotica – zowel om robots te trainen in simulatie als om AI-breinen te leveren voor robots/voertuigen:

Robotica Onderzoek en Simulatie: Het trainen van robotbesturingssystemen (bijvoorbeeld voor drones of industriële robots) maakt vaak gebruik van enorme simulatie-omgevingen en reinforcement learning, wat zeer GPU-intensief is. Blackwell versnelt de fysische simulatie (Omniverse, Isaac Sim, enz.) en de training van besturingsnetwerken. NVIDIA rapporteerde dat Grace+Blackwell-systemen tot wel 22× snellere simulatiesnelheden voor dynamica haalden vergeleken met CPU-gebaseerde systemen cudocompute.com. Dit betekent snellere ontwikkeling van planning voor robotbewegingen, betere digitale tweelingen voor fabrieken en betaalbaardere training van complexe robottaken. Onderzoekers kunnen rijkere simulaties draaien (met hogere nauwkeurigheid of meer agenten) op één Blackwell-node dan voorheen, wat leidt tot beter getrainde robots.
Autonome Voertuigen (AV) – Drive Thor Platform: NVIDIA’s automotive AI-computer, DRIVE Thor, zal worden gebouwd op de Blackwell GPU-architectuur nvidianews.nvidia.com. Dit platform is gericht op de volgende generatie zelfrijdende auto’s, robotaxi’s en vrachtwagens. Blackwell’s kracht op het gebied van transformers en AI-inferencing sluit aan op nieuwe trends in AV-software – bijvoorbeeld het gebruik van transformer-gebaseerde perceptiemodellen of grote taalmodellen voor in-cabin assistenten. DRIVE Thor met Blackwell kan tot 20× de prestaties behalen van het huidige Orin-platform (voorheen gebaseerd op Ampere) en daarmee visie, radar, lidar-verwerking en zelfs AI voor entertainment combineren op één computer medium.com. Leidend automerken en AV-bedrijven (BYD, XPENG, Volvo, Nuro, Waabi, en anderen) hebben al plannen aangekondigd om DRIVE Thor te adopteren voor voertuigen die in 2025+ op de markt komen nvidianews.nvidia.com nvidianews.nvidia.com. Dit maakt Level-4 autonomie mogelijk, geavanceerde rijhulpsystemen en zelfs generatieve AI in de auto (voor spraakassistenten of passagiersentertainment). Kortom, Blackwell in de auto levert de rekenkracht om talloze sensorinput in real time te analyseren en met voldoende veiligheidsmarge rijbeslissingen te nemen.
Industriële en Zorgrobots: Blackwell wordt ook ingezet in gespecialiseerde robots voor de zorg en industrie. Tijdens GTC 2025 in Taiwan demonstreerden ontwikkelaars bijvoorbeeld AI-gedreven medische robots die Blackwell-GPU’s gebruiken voor hun AI-verwerking worldbusinessoutlook.com. Dit omvat autonome mobiele robots voor ziekenhuizen en humanoïde assistenten die met patiënten kunnen communiceren. Iedere robot gebruikte een Blackwell-GPU in combinatie met een groot taalmodel (hier “Llama 4”) en NVIDIA’s Riva spraak-AI om natuurlijk met mensen te converseren worldbusinessoutlook.com. De Blackwell-GPU levert de benodigde power voor het begrijpen van spraak, het draaien van de LLM voor redenering, en real-time besturing van de robot. Proeven in ziekenhuizen meldden betere patiëntenzorg en minder werkdruk voor personeel dankzij deze AI-robots worldbusinessoutlook.com worldbusinessoutlook.com. In de industrie kun je je voorstellen dat Blackwell-aangedreven robotsystemen complexe visuele inspecties uitvoeren of robotvloten in magazijnen coördineren met behulp van AI-planning. De extra rekenkracht maakt het mogelijk om meer geavanceerde AI-modellen op robots in te zetten, waardoor ze slimmer en autonomer worden.

AI-diensten voor Datacenters en Cloud Providers

Vanwege de schaal past Blackwell van nature in het datacenter, waar het zowel publieke cloud-diensten als private enterprise AI-infrastructuur aandrijft:

Cloud AI-Instances: Alle grote cloudproviders – Amazon AWS, Google Cloud, Microsoft Azure en Oracle – hebben plannen aangekondigd om Blackwell-gebaseerde GPU-instances aan te bieden nvidianews.nvidia.com. Hierdoor kunnen startups en bedrijven Blackwell-accelerators naar behoefte huren voor modeltraining of AI-toepassingen. Cloudproviders werken zelfs direct samen met NVIDIA aan maatwerksystemen; AWS onthulde een gezamenlijk project “Project Ceiba” om Grace-Blackwell-superchips te integreren met de AWS-netwerken voor NVIDIA’s eigen R&D nvidianews.nvidia.com. Dankzij Blackwell in de cloud krijgen kleinere AI-bedrijven of onderzoeksinstellingen toegang tot dezelfde geavanceerde hardware die voorheen enkel aan de grootste partijen was voorbehouden – en zo wordt het trainen van enorme modellen of grootschalige AI-diensten enigszins gedemocratiseerd.
Enterprise “AI-fabrieken”: Veel organisaties bouwen nu hun eigen AI-datacenters (“AI-fabrieken” genoemd door NVIDIA) om AI-modellen te ontwikkelen en uit te rollen binnen hun business. Met de lancering van Blackwell worden referentieontwerpen zoals NVIDIA’s MGX-servers en DGX SuperPOD aangeboden om het opzetten van Blackwell-clusters voor bedrijven te vereenvoudigen nvidianews.nvidia.com. Zo brengen Dell, HPE, Lenovo en Supermicro allemaal servers uit met Blackwell HGX boards (8× B200 GPUs per board) nvidianews.nvidia.com nvidianews.nvidia.com. Een onderneming kan zo’n cluster inzetten voor alles van interne analyses tot klantgerichte AI-functies. Opmerkelijk is de energie-efficiëntie: Door Blackwell’s verbeteringen daalt de prijs per training of per inference, waardoor het financieel aantrekkelijker wordt AI breder in te zetten. Jensen Huang stelt dat met Blackwell de industrie “de overstap maakt naar GPU-versnelde AI-fabrieken” als nieuwe norm voor enterprise IT-infrastructuur research.aimultiple.com research.aimultiple.com. Dit zien we bijvoorbeeld in partnerschappen van NVIDIA met farmabedrijf Lilly voor AI voor medicijnontwikkeling op locatie, en met IT-firma’s zoals Foxconn voor slimme productie – allemaal op Blackwell-gebaseerde systemen research.aimultiple.com.
Analytics, HPC en Wetenschap: Het gaat niet alleen om neurale netwerken – Blackwell wordt ook gebruikt om klassieke high-performance computing (HPC) en data-analyse te versnellen. In het persbericht worden toepassingen genoemd als ingenieursimulatie, EDA (chipontwerp) en zelfs onderzoek naar quantum computing die profiteren van Blackwell nvidianews.nvidia.com. Softwareleveranciers Ansys, Cadence en Synopsys (belangrijk voor simulatie en elektronisch ontwerp) optimaliseren hun tools voor Blackwell-GPU’s nvidianews.nvidia.com. Zo kan een structurele simulatie die eerst uren duurde op CPU-clusters veel sneller draaien op Blackwell-GPU’s. Op dezelfde manier kan bij gezondheidszorg “computer-aided drug design” Blackwell gebruiken om verbindingen te screenen of eiwitinteracties efficiënter te simuleren nvidianews.nvidia.com. Grote medische centra en onderzoeksinstellingen zetten GPU-versnelde genomica en medische beeldvorming in; Blackwell breidt dit verder uit met groot geheugen (handig bij genomische databases) en veilige computing (belangrijk voor privacy van patiëntdata) nvidianews.nvidia.com. Samengevat: Blackwell in het datacenter is een universele accelerator – niet alleen voor AI-modellen maar voor elke taak die gebruikmaakt van parallelle rekenkracht, van big data tot wetenschappelijk onderzoek.

Zorg en Levenswetenschappen

De zorgsector kan aanzienlijk profiteren van door Blackwell-aangedreven AI, gezien de behoefte aan verwerking van grote, gevoelige datasets:

Medische beeldvorming en diagnostiek: Neurale netwerken worden gebruikt om ziekten te detecteren in beeldvormende technieken zoals MRI, CT en röntgenfoto’s. Deze modellen (bijvoorbeeld tumordetectie) vereisen vaak zeer hoge resolutie en grote 3D-volumes. Het geheugen en de rekenkracht van Blackwell maken het mogelijk om in één keer volledige lichaamscans of hoogwaardige pathologieslides te analyseren, wat moeilijk was met kleinere GPU’s. Bovendien betekent de functie confidential computing dat ziekenhuizen deze analyses op gedeelde cloudservers kunnen uitvoeren zonder het risico van datalekken van patiëntgegevens nvidia.com nvidianews.nvidia.com. Dit kan de introductie van AI-diagnostische tools versnellen, zelfs bij ziekenhuizen die een cloudinstance delen, aangezien elk de gegevens versleuteld kan houden.
Genomica en medicijnontwikkeling: Genoomsequencingdata en moleculaire simulaties produceren enorme datasets. Blackwell’s decompressie en Grace CPU-geheugensamenwerking kunnen genomische pijplijnen versnellen (zoals het comprimeren van data in CPU-geheugen en deze streamen naar de GPU voor uitlijning of variantdetectie). NVIDIA heeft aangegeven dat databases en Spark-gebaseerde analyses grote snelheidswinst behalen – zo realiseerde Blackwell met Grace CPU een 18× versnelling in databaseverwerking vergeleken met systemen met alleen een CPU cudocompute.com cudocompute.com. Voor farmaceutische bedrijven die virtueel miljarden verbindingen screenen, kan Blackwell de tijd drastisch verkorten om kanshebbers te selecteren, en feitelijk als een supercomputer voor medicijnontwikkeling in een box dienen.
AI in klinische workflows: Het eerdere voorbeeld van medische robots in een slim ziekenhuis (Mackay Memorial in Taiwan) illustreert hoe Blackwell nieuwe klinische toepassingen mogelijk maakt worldbusinessoutlook.com worldbusinessoutlook.com. Die robots gebruiken on-premise Blackwell-GPU’s om spraak te begrijpen, medische informatie op te halen en het ziekenhuis te navigeren. In bredere zin zouden ziekenhuizen Blackwell-servers kunnen inzetten als centrale AI-hubs – alles afhandelen van het voorspellen van verslechtering bij patiënten (via grote temporele modellen op vitale functies) tot het optimaliseren van de bedrijfsvoering (zoals bedmanagement met reinforcement learning). De RAS-functies van Blackwell zorgen ervoor dat deze kritieke systemen betrouwbaar 24/7 draaien, en de beveiligde enclaves beschermen patiëntgegevens wanneer modellen worden getraind op gevoelige medische dossiers. Zoals een ziekenhuisbestuurder betrokken bij het robotproject zei: “deze samenwerking verbetert de kwaliteit van de dienstverlening aan patiënten en optimaliseert de interne werkprocessen” worldbusinessoutlook.com – een uitspraak die waarschijnlijk herhaald zal worden naarmate AI steeds meer ingebed raakt in zorgprocessen.

Blackwell vergelijken met andere AI-accelerators

Hoewel NVIDIA momenteel de markt voor AI-accelerators aanvoert, krijgt Blackwell concurrentie van andere hardwareplatformen. Hier vergelijken we Blackwell met opmerkelijke concurrenten:

AMD Instinct MI300-serie (en opvolgers)

De Instinct-lijn van AMD is NVIDIA’s belangrijkste GPU-concurrent in datacenters voor AI. De nieuwste MI300X en MI300A accelerators (gebaseerd op AMD’s CDNA3-architectuur) delen enkele ontwerpfilosofieën met Blackwell – met name een chiplet-ontwerp en HBM-geheugen. De MI300A is een APU die een CPU en GPU combineert in één package (vergelijkbaar met NVIDIA’s Grace+Blackwell superchip-concept), terwijl de MI300X een GPU-only variant is met 192 GB HBM3. Qua prestaties beweert AMD dat de MI300X kan wedijveren met of zelfs beter presteren dan NVIDIA’s Hopper (H100) bij bepaalde inferentie-toepassingen research.aimultiple.com research.aimultiple.com. Onafhankelijke MLPerf-resultaten toonden zelfs dat AMD’s MI325 (een variant van de MI300) gelijkwaardig presteerde aan Nvidia’s H100 (een “H200”-update) bij Llama-70B taalmodel-inferentie spectrum.ieee.org. Toch lijkt NVIDIA’s Blackwell ruim voor te liggen aan het ultra-hoge segment – een analyse merkte op dat als ruwe doorvoer (tokens/sec bij lage latency) de maatstaf is, “NVIDIA Blackwell in een klasse apart is” onder de accelerators van 2024–2025 ai-stack.ai. De eerste signalen zijn dat de B100 significant beter presteert dan de MI300X (mogelijk 2–3× sneller in transformer doorvoer), zij het bij een hoog stroomverbruik.

Een voordeel dat AMD benadrukt is kosteneffectiviteit en openheid. MI300 GPU’s ondersteunen alternatieve softwarestacks zoals ROCm, en AMD werkt actief samen met open-source AI-frameworks (zelfs in samenwerking met Meta en Hugging Face om modellen te optimaliseren voor AMD-GPU’s research.aimultiple.com). Voor sommige cloudproviders en afnemers in China (waar NVIDIA exportbeperkingen gelden research.aimultiple.com) zijn AMD-GPU’s een aantrekkelijk tweede alternatief. Toch blijft de uitdaging voor AMD het software-ecosysteem – CUDA en de bibliotheken van NVIDIA hebben nog steeds betere ondersteuning. Veelzeggend was dat in het openbaar discussie ontstond toen NVIDIA en AMD elkaars GPU’s benchmarkten: de juiste software-instellingen maakten een groot verschil, en velen vonden het NVIDIA-ecosysteem meer uitontwikkeld research.aimultiple.com research.aimultiple.com. Kortom, AMD MI300-serie is concurrerend met NVIDIA’s laatste generatie (Hopper), en AMD’s volgende generatie (MI350, bedoeld als concurrent voor Blackwell/H200 research.aimultiple.com) zal proberen het gat te dichten. Maar vooralsnog behoudt Blackwell een voorsprong qua prestaties aan de bovenkant, vooral bij de grootste modellen en grootschalige deployments.

Intel (Habana Gaudi en komende “Falcon Shores”)

Intel’s inspanningen op het gebied van AI-accelerators zijn tweeledig: de ingekochte Habana Gaudi-lijn voor AI-training en Intel’s eigen GPU-architecturen (Xe HPC). De Gaudi2-accelerator (gelanceerd in 2022) bood een alternatief voor NVIDIA’s A100 voor training, met vergelijkbare prestaties op ResNet- en BERT-benchmarks tegen een lagere prijs. Gaudi2 had echter moeite met softwareadoptie, en hoewel Gaudi3 is aangekondigd, zijn de verkoopverwachtingen van Intel hiervoor bescheiden (~$500M in 2024) research.aimultiple.com research.aimultiple.com. Intel heeft recent strategische koerswijzigingen ondergaan – het veelbesproken Falcon Shores-project, oorspronkelijk bedoeld als hybride CPU+GPU-XPU die moest concurreren met Grace Hopper, heeft te maken gehad met vertragingen en een aangepaste scope. Intel “de-XPUde” Falcon Shores aanvankelijk naar een GPU-only ontwerp, en plande een lancering in 2025 hpcwire.com hpcwire.com. Er gaan zelfs geruchten dat Intel deze high-end AI-chips zou kunnen annuleren of radicaal ombuigen om zich te richten op specifieke niches (zoals inferentie-accelerators) waar ze een voordeel hebben crn.com bloomberg.com.

Intussen is het meest concrete product van Intel de Ponte Vecchio / Max Series GPU, die de Aurora-supercomputer aandrijft. Ponte Vecchio is een complexe 47-tegel GPU die jaren is vertraagd, en de afgeleiden (bekend als Rialto Bridge) zijn geannuleerd. De GPU’s van Aurora leveren goede FP64-HPC-prestaties, maar op AI-gebied zijn ze in veel taken ongeveer gelijk aan een A100/H100. De uitdaging voor Intel is geweest om te kunnen leveren en op te schalen – hun architecturen zijn theoretisch krachtig, maar op tijd chips leveren en robuuste drivers maken is tot nu toe erg lastig gebleken.

In directe vergelijking, Blackwell vs Intel: momenteel is er geen Intel-product dat direct de combinatie van trainingsprestaties en ecosysteem van Blackwell uitdaagt. Intel lijkt zich nu meer te richten op het inzetten van hun CPU’s (met AI-extensies) en mogelijk kleinere Gaudi-accelerators voor inferentie, in plaats van de concurrentie aan te gaan in de grootste trainingsclusters. Zoals een HPC-analist het samenvatte, lijkt Intel “de AI-trainingsmarkt toe te wijzen aan GPU-concurrenten” en zich te richten op gemakkelijke overwinningen hpcwire.com. De implicatie is dat Blackwell waarschijnlijk het topsegment trainingshardware zal domineren zonder concurrentie van Intel tot minstens 2025/2026 wanneer/als Falcon Shores verschijnt. Zelfs dan suggereren geruchten dat Falcon Shores vooral mikt op een niche (mogelijk een zeer hoog vermogen, 1500W ontwerp voor specifieke taken) reddit.com wccftech.com, dus het is onduidelijk of het echt een Blackwell-gebaseerde DGX zal evenaren in algemeen gebruik. Voor nu blijft Intel een verre derde op het gebied van AI-acceleratie, met hun kracht op CPU-gebied nog steeds relevant (bijvoorbeeld veel AI-systemen gebruiken Intel Xeon-hosts, en Intel heeft AI-instructies ingebouwd in CPUs voor lichtere workloads).

Google TPU’s (Tensor Processing Units)

Google heeft een andere strategie gevolgd met hun eigen TPU’s, gespecialiseerde ASIC’s ontwikkeld voor neurale netwerk-workloads (vooral Google’s eigen software zoals TensorFlow). De nieuwste publieke generatie is TPU v4, die Google in zijn datacenters heeft uitgerold en die beschikbaar is via Google Cloud. TPUv4 pods (4096 chips) leveren naar verluidt ~1 exaflop BF16-rekenkracht en zijn gebruikt om grote modellen zoals PaLM te trainen. Hoewel de exacte specificaties deels geheim zijn, is TPUv4 qua prestaties ongeveer vergelijkbaar met NVIDIA’s A100/H100-generatie. Google kondigde echter recent een volgende-generatie platform aan met codenaam “Trillium” TPU v5 (ook wel aangeduid als TPU v6 in sommige berichten, waarbij Ironwood een specifiek ontwerp is) research.aimultiple.com research.aimultiple.com. De Ironwood TPU zou 4.614 TFLOPs aan AI-vermogen leveren (waarschijnlijk INT8 of BF16) per chip en schaalt tot 9216-chip superpods met in totaal 42,5 exaflop research.aimultiple.com. Opvallend is dat Google’s TPU v5 beschikt over 192 GB HBM per chip (gelijk aan Blackwell qua geheugen), 7.2 TB/s geheugenbandbreedte (gelijk of hoger) en een verbeterde interconnect van 1,2 Tbps tussen chips research.aimultiple.com. Ook is de energie-efficiëntie twee keer zo goed als TPUv4. Deze cijfers tonen aan dat de nieuwste TPU’s van Google in veel opzichten in dezelfde klasse als Blackwell vallen.

Het verschil is dat TPU’s niet breed beschikbaar zijn buiten Google zelf en hun cloudklanten. Ze blinken uit in taken met grote matrixvermenigvuldiging en drijven Google-producten aan (Search, Photos, enz.), maar vormen een meer gesloten ecosysteem. Zo is een TPU geoptimaliseerd voor TensorFlow- en JAX-workloads op Google Cloud, terwijl NVIDIA-GPU’s universeel zijn met veel frameworks. Vergelijk je Blackwell met TPU op grote schaal: Blackwell biedt meer flexibiliteit (breder scala aan modeltypes, eigen operators, etc.), terwijl TPU mogelijk iets efficiënter is bij goed gedefinieerde Google-workloads. Google zal intern waarschijnlijk TPU’s blijven gebruiken omwille van de kosten, maar opmerkelijk is dat zelfs Google Blackwell GPU’s wil aanbieden op Google Cloud naast haar TPU’s nvidianews.nvidia.com. Dat geeft aan dat men erkent dat veel klanten de voorkeur geven aan de NVIDIA-stack of de veelzijdigheid nodig hebben. Samenvattend: Google TPU’s zijn indrukwekkend — de nieuwste evenaren de ruwe specificaties van Blackwell — maar ze bedienen een smallere markt. Blackwell houdt een voordeel qua adoptie en software-ondersteuning, wat verklaart waarom zelfs Google samenwerkt met NVIDIA (zoals Pichai aangaf, is er een “langdurig partnerschap” met NVIDIA voor infrastructuur) nvidianews.nvidia.com.

Cerebras (Wafer-Scale Engine)

Cerebras Systems heeft een unieke aanpak door de Wafer-Scale Engine (WSE) te bouwen – een AI-chip die letterlijk zo groot is als een volledige siliciumwafer. De huidige WSE-2 telt 2,6 biljoen transistoren en 850.000 eenvoudige rekenkernen op één chip research.aimultiple.com, en is qua transistoren veel groter dan elk conventioneel ontwerp. Het voordeel hiervan is dat al deze kernen snel on-wafer geheugen en communicatie delen, waardoor multi-chip netwerkcomplexiteit wordt vermeden. Voor het trainen van zeer grote modellen kan Cerebras soms het hele model op één wafer kwijt, waardoor de complexiteit van parallelle verdeling vervalt. Elke kern is echter relatief licht en de klokfrequenties zijn bescheiden, dus de ruwe doorvoer schaalt niet direct mee met het aantal transistoren. In de praktijk heeft een Cerebras CS-2 systeem (met één WSE-2) aangetoond modellen als GPT-3 eenvoudiger te trainen (geen parallelisatie zoals bij GPU’s nodig), maar de prijs-prestatieverhouding overtreft GPU’s alleen in bepaalde specifieke gevallen. Onlangs kondigde Cerebras de WSE-3 aan, met nog meer transistoren (4 biljoen volgens berichten) research.aimultiple.com.

Vergeleken met Blackwell: Cerebras WSE kan zeer grote netwerken in het geheugen verwerken, maar Blackwell’s dichte rekenkracht en hogere frequentie zorgen dat elke Blackwell GPU meer operaties per seconde kan uitvoeren op typische deep learning-taken. Zo is Blackwell’s 40 PFLOPS bij FP4 moeilijk voor Cerebras om te evenaren, tenzij hun sparsiteit-features volledig tot hun recht komen. Cerebras profileert zich als eenvoudiger om op te schalen (voeg simpelweg meer wafers toe voor grotere modellen, verbonden via MemoryX en SwarmX), en blinkt uit bij grote, sparse modellen of wanneer geheugen de bottleneck is. Maar voor grootschalige, dichte modellen zijn GPU-clusters (vooral met de verbeteringen van Blackwell) doorgaans sneller aan het resultaat. Toch heeft Cerebras een niche gevonden in enkele onderzoekslabs en wordt het als clouddienst aangeboden – voor wie de complexiteit van multi-GPU-programmering wil vermijden. Met Blackwell’s enorme unified geheugen en snellere interconnect wordt de kloof die Cerebras probeerde te vullen qua modelgrootte en schaal wellicht gedeeltelijk gedicht.

Graphcore IPU

Graphcore, een startup uit het Verenigd Koninkrijk, ontwikkelde de Intelligence Processing Unit (IPU) met focus op zeer fijne parallelisatie en hoge geheugenbandbreedte per rekeneenheid. Een IPU-chip bevat vele kleine kernen (1.472 kernen in hun GC200-chip), elk met lokaal geheugen, waardoor massale parallelle verwerking van neurale netwerken met onregelmatige structuren mogelijk is. Graphcore’s IPU-POD systemen (bijv. IPU-POD256 met 256 chips) laten goede prestaties zien op sommige taken zoals sparse neurale netwerken en graph neural nets. Graphcore’s aanpak draait minder om rauwe TFLOPS en meer om het uitvoeren van modellen met complexe afhankelijkheden (niet alleen grote matrixvermenigvuldigingen). In vergelijking met NVIDIA: Graphcore claimt concurrerende trainingsdoorvoer op sommige visiemodellen en efficiëntie bij kleine batchgroottes. Naarmate modellen echter grotere, dichte transformers werden, had de IPU moeite met de enorme reken- en geheugenvereisten. Graphcore’s nieuwste Bow IPU gebruikt 3D-gestapeld geheugen voor hogere bandbreedte, maar elke chip heeft nog steeds veel minder geheugen (ongeveer 900 MB per IPU) dan een GPU, waardoor grote modellen veel IPU’s en geavanceerde verdeling vereisen. NVIDIA’s Blackwell, met enorm geheugen en gespecialiseerde transformerondersteuning, vergroot waarschijnlijk de voorsprong op de populairste workloads (LLMs, enz.). Graphcore richt zich vooral op specifieke markten (ze boeken wat winst in finance en universiteiten research.aimultiple.com) en claimt mogelijk betere energie-efficiëntie voor middelgrote modellen. Toch zorgen Blackwell’s efficiency-winst en softwaremomentum (PyTorch, enz. optimaliseert vooral eerst voor CUDA) dat Graphcore op achterstand staat qua brede adoptie. Samengevat: Graphcore’s IPU is een innovatieve architectuur voor nichetoepassingen, maar Blackwell GPU’s blijven de voorkeurswerkpaarden voor de brede reeks AI-taken.

Tenstorrent en Andere AI-Chip Startups

Een golf van startups probeert NVIDIA uit te dagen met nieuwe architecturen, vaak gericht op specifieke niches zoals energie-efficiëntie of goedkope inferentie:

Tenstorrent: Opgericht door de bekende chipontwerper Jim Keller, ontwikkelt Tenstorrent AI-chips op basis van een flexibele dataflow-architectuur en maakt gebruik van RISC-V-kernen. Hun nieuwste chip, Wormhole, wordt aangeboden als PCIe-kaarten en servers (zoals Tenstorrent’s Galaxy-systeem) voor AI-training en inferentie research.aimultiple.com. Tenstorrent legt nadruk op modulair ontwerp en heeft zijn IP zelfs in licentie gegeven voor gebruik in andermans SoC’s. Ze haalden recent fors kapitaal op (meer dan $200 miljoen, waaronder van investeerder Jeff Bezos) als gok om NVIDIA uit te dagen research.aimultiple.com. De strategie van Tenstorrent lijkt te zijn een licentieerbare AI-accelerator te worden, geschikt voor allerlei systemen (zelfs automotive of edge). Er is weinig publieke informatie over prestaties; vermoedelijk zijn ze concurrerend met mid-range NVIDIA-kaarten op ResNet of kleinere Transformer-modellen, maar niet met Blackwell in het topsegment. Hun architectuur kan uitblinken in lagere vermogens- of edge-datacenter-scenario’s dankzij RISC-V-programmeerbaarheid en mogelijk betere efficiëntie. Als ze blijven innoveren, kan Tenstorrent een eigen plek veroveren, maar op korte termijn domineert Blackwell in absolute performance en ecosysteem.
Mythic, Groq, d-Matrix, etc.: Diverse startups richten zich op inference-acceleratie met onconventionele methodes. Mythic gebruikt analoge in-memory computing om matrixvermenigvuldiging met zeer laag vermogen uit te voeren. Groq (opgericht door ex-Googlers van de TPU) ontwikkelde een processor die instructies verwerkt in een deterministische pipeline (een “tensor streaming processor”), met als resultaat lage latency en hoge batch-1 performance – Groq claimt voordelen bij bepaalde real-timetoepassingen. d-Matrix bouwt chips die grote taalmodel-inferentie versnellen via digitale in-memory computing. Deze startups bedienen elk een deel van de markt waar NVIDIA wellicht te krachtig of inefficiënt is: Mythic voor ultra-zuinige edge devices, Groq voor latency-kritische systemen, d-Matrix voor goedkope LLM-inferencing. Maar zij worstelen met software-integratie en beperkte schaalbaarheid. Een Groq-node kan een ondergebruikte GPU bij een specifieke realtimetask overtreffen, maar Blackwell’s schaal en volwassen software maken het veiliger voor datacentra. Opmerkelijk is dat NVIDIA zelf nu inzet op inferentie met geoptimaliseerde software (zoals Triton Inference server) en ook Grace Hopper-combo’s voor efficiënte inferentie. Dat betekent dat startups ver voorop moeten blijven in hun niche. Vooralsnog bedreigt geen van hen Blackwell’s positie in high-end training, maar ze maken het accelerator-landschap wel breder.
AWS Trainium en anderen: Daarnaast ontwikkelen sommige cloudproviders eigen AI-chips (AWS’ Trainium voor training en Inferentia voor inferentie, Microsoft’s veronderstelde Athena-chip, etc.). Trainium v2-clusters worden volgens berichten intern bij AWS gebruikt (bijvoorbeeld voor Anthropic-modeltraining) research.aimultiple.com. Deze chips zijn ontwikkeld om de afhankelijkheid van NVIDIA te verminderen en specifiek te optimaliseren voor workloads van de cloudoperator, vaak tegen lagere kosten. Het zijn formeel geen “startups”, maar ze vormen wel degelijk concurrentie omdat ze het marktaandeel van NVIDIA bij cloudgebruik kunnen beperken. Dat Blackwell breed wordt geadopteerd door clouds toont aan dat NVIDIA nog steeds zeer gewild is, maar de druk van huisontwikkelde chips zal op termijn invloed hebben op prijsstelling en features.

Conclusie: NVIDIA Blackwell is anno 2025 het toppunt van AI-accelerators, maar de concurrentie is levendig. AMD volgt snel (vooral op inferentie en met geheugenrijke GPU’s), Google’s TPU’s zijn een uitdager op het gebied van supercomputing (zij het alleen intern bij Google), en startups/alternatieven innoveren vooral rond efficiëntie en integratie. Zoals Bloomberg het samenvatte: “Voor klanten die racen om AI-systemen te trainen… is het prestatievoordeel van Hopper en Blackwell van cruciaal belang”, maar de vraag is hoe lang NVIDIA deze voorsprong kan behouden nu ook anderen fors investeren in AI-chips bloomberg.com. Voorlopig houdt NVIDIA met de agressieve roadmap (Blackwell verschijnt slechts 2 jaar na Hopper met grote verbeteringen) de concurrentie nog ruim voor.

Toekomstperspectief: Trends in AI Hardwareversnelling

Nu Blackwell nieuwe maatstaven zet, wat komt er daarna voor AI-hardware? Er zijn verschillende belangrijke trends zichtbaar aan de horizon:

Voortdurende evolutie van multi-chip en chiplets: Het dual-die ontwerp van Blackwell is waarschijnlijk slechts het begin. Toekomstige versnellers kunnen zelfs nog meer chiplets integreren – bijvoorbeeld, door functionaliteiten op te splitsen in compute-tiles en memory-tiles, of door GPU-kernen te combineren met gespecialiseerde AI-kernen. AMD en Intel onderzoeken al 3D-stapeling (zoals AMD’s V-Cache op CPU’s, met potentie om HBM of SRAM op GPU’s te stapelen). NVIDIA zou 3D-integratie kunnen toepassen in toekomstige architecturen om cache of logica boven compute-dies te plaatsen voor snelheid en efficiëntie. De nieuwe UCIe chiplet-interconnect-standaard zou het mogelijk kunnen maken om chiplets van verschillende leveranciers op één pakket te mengen (stel je een toekomstige module voor met een NVIDIA GPU-chiplet en een externe AI-versneller of een custom IO-chiplet samen). Het succes van Blackwell’s MCM waarborgt dat het tijdperk van monolithische reuzendies voorbij is – chiplet-ontwerpen worden de norm voor high-end versnellers om prestatieverbetering te blijven schalen.
Specialisatie voor AI-werklasten: Naarmate AI-werklasten diverser worden, zullen we waarschijnlijk meer gespecialiseerde eenheden binnen versnellers zien. Blackwell heeft al de Transformer Engine toegevoegd. Toekomstige ontwerpen kunnen toegewijde hardware bevatten voor aanbevelingsalgoritmen (die gebruik maken van spars geheugenopvragingen), of voor graaf-neurale netwerken, of voor simulaties van reinforcement learning. Er is ook interesse in analoge computing voor neurale netwerken (zoals nagestreefd door Mythic) om het energieverbruik drastisch te verminderen, hoewel dat waarschijnlijk eerst in nicheproducten zal verschijnen. Verder kunnen we ondersteuning verwachten voor nieuwe numerieke formaten – Blackwells FP4 kan worden opgevolgd door nieuwe varianten (bijv. block floating point, stochastische afrondingstechnieken) om nog meer efficiëntie te behalen. Kortom, het “tensor core”-concept zal zich uitbreiden naar een breder spectrum aan AI-bewerkingen.
Vooruitgang in interconnects – optisch en verder: NVLink 5 is elektrisch, maar naarmate GPU-clusters opschalen naar exaschaal computing, kunnen koperen interconnects hun limieten bereiken qua bereik en energieverbruik. De industrie onderzoekt optische interconnects voor rack-schaal en zelfs chip-to-chip-communicatie. NVIDIA’s overnames van netwerkbedrijven (Mellanox, Cumulus, etc.) en projecten als Quantum InfiniBand-switches met in-netwerk computing (SHARP) tonen de focus op netwerk-tech. In de komende jaren kunnen we GPU’s verwachten met optische I/O voor directe glasvezelconnectiviteit tussen servers, of fotonische NVLink-achtige interfaces die hoge bandbreedte over langere afstanden behouden. Dit zou nog grotere ontkoppelde clusters mogelijk maken (mogelijk duizenden versnellers) die als één werken, wat nuttig is voor grote modellen en gedistribueerde inferentie.
Energie-efficiëntie en duurzaamheid: Naarmate modellen en datacenters groeien, vormt energieverbruik een groot probleem. Blackwell GPU’s hebben een hoog wattage (waarschijnlijk 700W+ voor een B100 SXM-module), en hoewel ze efficiënter zijn per berekening dan hun voorgangers, stijgt het totale stroomverbruik van AI-infrastructuur. Toekomstige hardware moet de prestatie per watt aanzienlijk verbeteren. Strategieën zijn onder meer overgaan op kleinere procesnodes (3nm, 2nm), gebruik van nieuwe transistortypes (Gate-all-around FETs), dynamische voltage/frequentie-instelling afgestemd op AI-belasting, en betere koeling (NVIDIA introduceerde al dompel- en vloeistofgekoelde configuraties voor Blackwell HGX-systemen nvidia.com). We kunnen ook architecturale verschuivingen zien, zoals het mengen van lagere precisie en analoge berekeningen voor delen van netwerken om stroom te besparen. AI-versnellers voor edge en IoT zullen zich ook snel uitbreiden – deze geven prioriteit aan laag energieverbruik, en IP van bedrijven zoals ARM, Qualcomm en Apple (neurale engines in smartphones, enz.) zal afgeleid worden van wat geleerd wordt aan de top. NVIDIA zou zelf een opvolger van de Jetson-lijn kunnen uitbrengen met een op Blackwell gebaseerde architectuur, geoptimaliseerd voor edge-inferentie in robotica, camera’s en voertuigen, waarmee een deel van de datacentercapaciteiten naar domeinen met laag energieverbruik wordt gebracht.
Rekenen aan de rand vs. cloud-balans: Nu hardware krachtiger wordt, kunnen sommige AI-taken die nu een backend in de cloud vereisen, naar het apparaat zelf verhuizen. Bijvoorbeeld, toekomstige AR/VR-brillen of huishoudrobots kunnen mini-Blackwell-achtige versnellers bevatten om complexe AI lokaal te draaien (voor redenen van latency en privacy). Dit kan leiden tot een meer gefedereerd AI-computemodel. De edge computing trend betekent dat hardwareversnelling niet alleen benodigd is in grote servers, maar ook in kleine, inzetbare vormen. We kunnen invloed van Blackwell zien in SoC-ontwerpen (zoals de DRIVE Thor voor auto’s; vergelijkbaar wellicht voor drones of industriële controllers). De uitdaging is om hoge prestaties te leveren binnen beperkte stroom/koel-enveloppen – iets waar startups als EdgeCortex of mobiele chipmakers zich op richten. Op termijn zal het verschil tussen “AI GPU” en een algemene SoC vervagen, omdat praktisch elk computerapparaat AI-versnellende capaciteiten zal krijgen.
Integratie van AI en traditionele HPC: De toekomst zou ook meer integratie tussen CPU en GPU (of AI-versnellers) kunnen brengen. NVIDIA’s Grace (CPU) + Blackwell (GPU) superchip is één stap. AMD’s APU’s zijn een andere. Intel’s oorspronkelijke Falcon Shores-visie (x86 + Xe GPU) was vergelijkbaar bedoeld. Naarmate geheugencoherentiestandaarden verbeteren (zoals CXL voor het verbinden van geheugen tussen versnellers en CPU’s), kunnen we systemen zien waarbij AI-versnellers gezamenlijk geheugen delen met CPU’s, wat data-kopie-overhead vermindert. Dit is belangrijk voor workflows die simulatie en AI combineren (bijv. een AI-model binnen een fysische simulatie-loop). Op lange termijn ontstaan mogelijk “XPU”-architecturen die verschillende soorten cores – scalaire, vector, matrix – combineren voor alle aspecten van een applicatie. Voor nu is de combinatie van Grace CPU’s met Blackwell GPU’s via NVLink een toonaangevend voorbeeld van deze trend, met bijna 1 TB/s coherentie wat CPU-taken en GPU-taken soepel samenbrengt nvidia.com. Toekomstige chips kunnen nog hechter integreren (mogelijk zelfs op dezelfde die zodra dit haalbaar is).

Kortom, de toekomst van AI-hardware draait om het oprekken van de prestatiegrenzen, terwijl de focus ligt op efficiëntie en nieuwe form factors. De concurrentie zal snelle innovatie stimuleren – NVIDIA blijft niet stilzitten, en AMD, Intel, Google en talloze startups evenmin. We zullen waarschijnlijk een diversiteit aan versnellers zien die geoptimaliseerd zijn voor verschillende schalen (cloud, edge) en doelen (training, inferentie, specialisatie). Maar gezien de huidige voorsprong van NVIDIA met Blackwell, wordt verwacht dat zij in elk geval op korte termijn het tempo bepalen. Jensen Huang verwijst vaak naar “accelerated computing” als de grote richting van NVIDIA nvidianews.nvidia.com, waarmee hij impliceert dat GPU’s zich ontwikkelen om elke computationele taak te versnellen. Blackwell en zijn opvolgers zullen dus steeds breder inzetbaar worden, met taken die verder gaan dan neurale netwerken – van dataverwerking tot misschien zelfs AI-aangedreven database queries – waardoor de grens tussen AI-chips en algemene processors vervaagt.

Marktimpact en Implicaties

De introductie van Blackwell heeft een diepgaande invloed op de AI-industrie en markt:

Cloud service providers: Hyperscalers (AWS, Azure, Google Cloud, Oracle) haasten zich om Blackwell GPU’s in hun datacenters te implementeren omdat de vraag van klanten naar AI-capaciteit onverzadigbaar is. Elk heeft aangekondigd Blackwell beschikbaar te stellen in 2024–2025 nvidianews.nvidia.com. Dit zal waarschijnlijk de dominantie van NVIDIA in cloud-GPU-marktaandeel bestendigen, zelfs nu deze providers hun eigen chips ontwikkelen. Op korte termijn profiteren cloudklanten van toegang tot krachtigere instances – bijvoorbeeld, een AWS-gebruiker kan een Blackwell-instance huren en veel sneller trainen of meer AI-queries per dollar verwerken dan voorheen. Dit zou cloud-AI-kosten kunnen verlagen (of tenminste de prestatie verhogen bij dezelfde kosten), waardoor startups dingen kunnen doen (zoals het trainen van een nieuw groot model) die voorheen alleen door goed gefinancierde laboratoria haalbaar waren. Aan de andere kant zullen cloudproviders de kosten goed bewaken; Blackwell GPU’s zijn extreem duur (tientallen duizenden dollars per stuk), dus cloudprijzen zullen deze premiumstatus weerspiegelen. De beschikbare capaciteit in de cloud was al beperkt door hoge vraag naar H100 – met de nog grotere populariteit (en beperkte vroege levering) van Blackwell zullen tekorten of allocatieproblemen waarschijnlijk voortduren tot in 2025. De cloudproviders die grote Blackwell-allocaties veiligstellen (zoals Oracle met vroege toegang, of AWS via co-development deals nvidianews.nvidia.com) kunnen meer AI-intensieve klanten aantrekken.
Bedrijven en AI-adoptie: Voor grote bedrijven verlagen systemen gebaseerd op Blackwell de drempel om geavanceerde AI-oplossingen te adopteren. Sectoren zoals financiën, telecom, retail en maakindustrie racen om AI toe te voegen aan hun operaties en producten. Door Blackwell’s efficiëntie kan een bedrijf het benodigde vermogen met minder nodes krijgen – waar eerst een zaal met 16 DGX-servers nodig was, volstaan misschien 4 systemen op basis van Blackwell voor dezelfde AI-taak. Dit vermindert niet alleen het aantal apparaten, maar ook het energie- en ruimtegebruik (belangrijk voor bedrijven die zich zorgen maken over de energierekening van hun datacenter en hun CO2-voetafdruk). We kunnen een golf van AI-modernisatieprojecten verwachten zodra Blackwell beschikbaar komt: bijvoorbeeld banken die hun risicomodellering en fraudedetectie upgraden met Blackwell-clusters om geavanceerdere modellen te draaien, of autofabrikanten die autonome-rijden-ontwikkeling versnellen dankzij Blackwell (zoals te zien is bij meerdere fabrikanten die overstappen op Drive Thor). Bedrijven hechten ook waarde aan features als confidential computing op Blackwell om te voldoen aan regelgeving – zo kan een zorginstelling patiëntdata van begin tot eind versleuteld houden en toch krachtige GPU’s gebruiken voor analyse nvidia.com.
AI-startups en onderzoekslaboratoria: Voor AI-georiënteerde startups (die modellen bouwen of AI-diensten aanbieden) kan Blackwell-performance het verschil maken. Het maakt het speelveld vlakker met de grote techbedrijven, omdat startups toegang krijgen tot dit type hardware via cloud of colocatie-providers (enkele AI-dedicated cloudbedrijven zoals CoreWeave, Lambda, etc. bieden Blackwell aan in 2024 nvidianews.nvidia.com). Dit betekent dat een goed gefinancierde startup een state-of-the-art model kan trainen zonder maanden te hoeven wachten of concessies te moeten doen qua modelgrootte. Het resultaat kan zijn: snellere innovatie en meer concurrentie in AI-modelontwikkeling. Aan de andere kant ontstaat er misschien een grotere kloof tussen wie zich top-hardware kan veroorloven en wie niet. Vooralsnog zijn NVIDIA’s top-GPU’s duur en krijgen grote afnemers prioriteit – een dynamiek waar sommige onderzoekers tijdens de H100-cyclus over klaagden. Als Blackwell net zo gewild is, kunnen kleinere labs nog steeds moeite hebben met toegang. Dit kan leiden tot meer gebruik van community-supercomputers (zoals academische clusters met Blackwell, gefinancierd door de overheid), of meer interesse in alternatieve chips (zoals AMD, als die eerder of goedkoper beschikbaar zijn). Maar in het algemeen zal brede beschikbaarheid van Blackwell tegen midden 2025 AI-onderzoek en -ontwikkeling versnellen, vermoedelijk resulterend in nieuwe modelreleases en capaciteiten die eerder door gebrek aan compute niet mogelijk waren.
Concurrentielandschap: Vanuit marktperspectief verstevigt de introductie van Blackwell NVIDIA’s positie als leider in AI-hardware. Analisten melden dat NVIDIA circa 80-90% van de accelerator-markt in handen heeft, en Blackwell’s voorsprong maakt het lastig voor anderen om daar iets aan te veranderen reddit.com. AMD is de dichtstbijzijnde concurrent – hun strategie om mogelijk 15-20% marktaandeel te pakken hangt af van het succes van MI300 en het leveren van hun volgende generatie op tijd. Als Blackwell duidelijke superioriteit toont en overal wordt geadopteerd, zullen sommige klanten niet eens meer alternatieven overwegen, waardoor NVIDIA’s dominantie wordt vergrendeld (zoals CUDA de standaard werd). Toch biedt de enorme omvang van de AI-markt (triljoenen dollars aan kansen) ruimte voor meerdere spelers. Cloudproviders dekken hun risico’s door ook in eigen chips te investeren (Google TPU, AWS Trainium). Als die succesvol blijken, kunnen ze op termijn de groei van NVIDIA in het cloudsegment afremmen. Er spelen ook geopolitieke factoren – Chinese techbedrijven kunnen de krachtigste NVIDIA GPU’s niet importeren vanwege exportbeperkingen, wat hen ertoe aanzet eigen AI-chips te ontwikkelen (van bedrijven als Biren, Alibaba T-Head, Huawei Ascend). Die chips lopen een of twee generaties achter (vergelijkbaar met A100) research.aimultiple.com research.aimultiple.com, maar kunnen verbeteren en parallelle ecosystemen creëren. NVIDIA biedt daarop aangepaste, lichtere versies aan (zoals H800 voor China). Blackwell zal waarschijnlijk ook export-geperkte varianten kennen. Het bredere gevolg is mogelijke fragmentatie van de AI-hardwaremarkt geografisch, al blijft NVIDIA op korte termijn wereldwijd de norm.
Kosten en AI-economie: Door de prestaties van Blackwell kunnen de kosten per training of inferentie aanzienlijk dalen, zoals geadverteerd. Dit kan de inzet van AI in kostengevoelige sectoren versnellen. Bijvoorbeeld, een 25× efficiëntieverbetering in inferentie kan het mogelijk maken om een groot taalmodel te gebruiken in een consumentenapplicatie die anders te duur zou zijn op H100’s. Men kan zich voorstellen dat AI-functionaliteiten in software (zoals office-assistenten, coding copilots, enz.) goedkoper en dus algemener aanbieden. We zullen ook nieuwe “AI-as-a-service”-aanbiedingen zien waarbij bedrijven modellen trainen of hosten op Blackwell-infrastructuur (sommige startups zoals MosaicML – nu onderdeel van Databricks – doen dit al met vorige generaties; Blackwell zal zulke diensten versterken). Aan de andere kant blijft de absolute prijs van top-GPU’s hoog – bedrijven geven wellicht hetzelfde budget uit maar doen veel meer AI ermee. In feite weerspiegelt NVIDIA’s waardering (triljoenen dollars aan beurswaarde) de verwachting dat de vraag naar deze versnellers blijft skyrocketen naarmate AI overal doordringt. Blackwell versterkt de trend van AI-hongersnood: door meer capaciteit te bieden, ontstaan nieuwe toepassingen, die weer nog meer vraag genereren.
Innovatielus: Door brede inzet van Blackwell kan dit ook onderzoekrichtingen beïnvloeden. Onderzoekers kunnen grotere experimenten of meer computationeel intensieve benaderingen (zoals enorme ensembles of training met zeer lange reeksen) proberen die op beperkte hardware niet haalbaar waren. Dit kan leiden tot doorbraken die wachtten op beschikbaarheid van rekencapaciteit. Denk aan het volledig uitproberen van 3D AI-modellen of multimodale modellen die met ongekende complexiteit zien en horen. Het is vergelijkbaar met hoe HPC nieuwe wetenschap mogelijk maakte. In AI kan massale compute dankzij Blackwell nieuwe architecturen mogelijk maken (misschien iets voorbij Transformers) die eerder niet haalbaar waren.
Tijdlijn naar de volgende generatie: Ten slotte hangt de impact van Blackwell ook af van hoe lang hij het vlaggenschip blijft voordat er een nieuwe sprong komt. NVIDIA zit qua architecturen op een cyclus van ongeveer 2 jaar. Als dat zo blijft, verwachten we een opvolger (codenaam waarschijnlijk beginnend met een “C” als ze het alfabetische naamgevingssysteem voor wetenschappers volgen – mogelijk “Curie” of iets vergelijkbaars) rond 2026/27. Voor nu, tot in 2025 en waarschijnlijk 2026, zal Blackwell de ruggengraat zijn van de meeste state-of-the-art AI-infrastructuren. Het succes ervan bepaalt de reactie van concurrenten (bijvoorbeeld, AMD versnelt mogelijk hun volgende launch; Intel besluit of ze gaan focussen/draaien).

Samenvattend is NVIDIA Blackwell niet zomaar een nieuwe chip – het is een katalysator die het hele AI-ecosysteem versnelt. Het stelt ingenieurs en onderzoekers in staat meer te doen, belooft bedrijven snellere inzichten en slimmere producten, en zet concurrenten onder druk om zich te verbeteren. Van AI-megadatacenters tot autonome machines aan de rand: Blackwell en zijn nazaten drijven de volgende golf van AI-innovatie, en nemen ons werkelijk “Blackwell en verder” mee naar de toekomst van versnelde computing.

Bronnen: De informatie in dit rapport is afkomstig uit officiële aankondigingen en technische documenten van NVIDIA over de Blackwell-architectuur nvidia.com nvidianews.nvidia.com, analyses door industrie-experts en publicaties (IEEE Spectrum, HPCwire, Forbes) over vergelijkende benchmarks spectrum.ieee.org ai-stack.ai, en persberichten van NVIDIA’s partners die gebruikscasussen uitlichten in de cloud, automotive en gezondheidszorg nvidianews.nvidia.com worldbusinessoutlook.com. Deze bronnen omvatten NVIDIA’s GTC 2024 keynote-aankondigingen nvidianews.nvidia.com, technische blogs cudocompute.com cudocompute.com, en onafhankelijke evaluaties van opkomende AI-hardware research.aimultiple.com bloomberg.com. Samen geven zij een compleet beeld van de mogelijkheden van Blackwell en de context ervan binnen het zich ontwikkelende AI-hardwarelandschap.