Google werkt aan zuinigere AI-chip voor Gemini

Google werkt aan een nieuwe eigen AI-chip die het energiegebruik van Gemini moet verlagen. De processor, intern aangeduid als Frozen v2, zou vooral bedoeld zijn voor inference: het uitvoeren van reeds getrainde AI-modellen en het genereren van antwoorden voor gebruikers.

Volgens berichtgeving waar de website TechCrunch naar verwijst, moet de chip per eenheid elektriciteit zes tot tien keer zoveel AI-tokens kunnen verwerken als de huidige generatie maatwerkchips van Google. De introductie staat voorlopig gepland voor 2028. Google heeft de plannen nog niet officieel bevestigd.

Voor datacenters is vooral relevant dat de efficiëntie wordt uitgedrukt in tokens per gebruikte hoeveelheid energie. Daarmee wordt zichtbaar hoeveel AI-output een datacenter uit iedere beschikbare kilowattuur kan halen.

Bij het energiegebruik van AI gaat veel aandacht uit naar het trainen van grote modellen. Inference kan echter uiteindelijk een grotere structurele belasting vormen. Iedere zoekopdracht, samenvatting, vertaling of taak van een AI-agent vraagt immers opnieuw om rekenkracht.

Naarmate Gemini verder wordt geïntegreerd in Google Search, Workspace, mobiele toepassingen en clouddiensten, neemt het aantal verzoeken waarschijnlijk sterk toe. Een efficiëntere chip kan daardoor bepalen hoeveel AI-verkeer binnen een bestaande netaansluiting of stroomcapaciteit kan worden verwerkt.

Meer efficiëntie betekent overigens niet automatisch dat het totale stroomverbruik daalt. Wanneer AI goedkoper wordt, kan het gebruik sneller groeien. Google kan de besparing bovendien inzetten om meer processors binnen dezelfde vermogensgrenzen te plaatsen.

Google ontwikkelt al langer eigen Tensor Processing Units. Door hardware specifiek af te stemmen op Gemini kan het bedrijf niet alleen berekeningen, maar ook geheugenverkeer en communicatie tussen chips optimaliseren. Dat is belangrijk, omdat bij grote AI-modellen veel energie wordt gebruikt voor het verplaatsen van gegevens tussen processors, geheugenchips en servers. Door chips, modellen, software, koeling en datacenterarchitectuur gezamenlijk te ontwerpen, kan Google de volledige infrastructuur efficiënter maken.

Die aanpak past in een bredere trend. Grote cloud- en AI-bedrijven ontwikkelen steeds vaker eigen chips om minder afhankelijk te zijn van algemene GPU’s en om meer rekenwerk uit iedere watt te halen. Een zuinigere chip kan de warmteproductie per AI-taak verlagen en daarmee ook de belasting van koelinstallaties beperken. Toch hoeft dit niet te leiden tot racks met een lager vermogen. Google kan de efficiëntiewinst ook gebruiken om meer AI-capaciteit in dezelfde ruimte te plaatsen. In dat geval daalt het energiegebruik per token, terwijl de vermogensdichtheid per rack gelijk blijft of verder stijgt.

Het blijft daarom belangrijk onderscheid te maken tussen efficiëntie per berekening en het absolute vermogen van een cluster. Een chip kan veel zuiniger zijn, terwijl het totale datacenter toch meer elektriciteit gebruikt.

De ontwikkeling van Frozen v2 onderstreept dat beschikbare elektriciteit een beperkende factor wordt voor AI. Vooral in regio’s waar nieuwe netaansluitingen moeilijk verkrijgbaar zijn, wordt het vermogen om meer AI-output uit dezelfde megawatt te halen strategisch belangrijk.

Traditionele maatstaven zoals Power Usage Effectiveness blijven relevant, maar zeggen weinig over de hoeveelheid nuttig AI-werk. Voor AI-datacenters komen daarom waarschijnlijk aanvullende indicatoren in beeld, zoals tokens per kilowattuur of energiegebruik per model en toepassing.

Hoewel veel technische details nog ontbreken, is de richting duidelijk: de concurrentiestrijd rond AI draait niet alleen om meer rekenkracht, maar steeds nadrukkelijker om prestaties per watt.

Watt Matters in AI

Het energiegebruik van AI staat ook centraal tijdens de tweede editie van het event Watt Matters in AI, op 16 en 17 november 2026 op de High Tech Campus in Eindhoven. Het evenement brengt onder meer chipontwerpers, onderzoekers, engineers, beleidsmakers en datacenterpartijen samen. Centraal staat de vraag hoe hardware, software, infrastructuur en regelgeving kunnen bijdragen aan AI-systemen die meer rekenwerk uitvoeren met minder energie.