Boekrecensie: The Thinking Machine: Jensen Huang, NVIDIA en de meest gewilde microchip ter wereld van Stephen Witt

The Thinking Machine: Jensen Huang, NVIDIA, en de meest gewilde microchip ter wereld (NVDA ) onderscheidt zich van de meeste boeken over kunstmatige intelligentie omdat het het onderwerp benadert vanuit een richting die veel technisch geletterde lezers, ikzelf inbegrepen, historisch gezien hebben onderschat.

Net als veel mensen die al jarenlang kunstmatige intelligentie volgen, werd mijn begrip van het veld gevormd door vertrouwde mijlpalen. Het verhaal begint meestal in 1956 met het Dartmouth-workshop, gaat door naar vroege symbolische systemen, springt dan naar mijlpalen zoals IBM’s Deep Blue die Garry Kasparov versloeg, DeepMind die Go beheerste, en onlangs OpenAI dat aantoonde dat grote taalmodellen strategie kunnen coördineren in complexe multiplayer-omgevingen. Deze momenten zijn intellectueel bevredigend en gemakkelijk te onthouden omdat ze draaien om zichtbare overwinningen.

Wat Stephen Witts boek uitzonderlijk goed doet, is deze kadering in twijfel trekken. In plaats van te focussen op momenten waarop AI de wereld imponeren, richt The Thinking Machine zich op de minder zichtbare laag onder die prestaties. Het betoogt overtuigend dat de moderne AI-tijdperk niet in de eerste plaats werd ontgrendeld door slimme ideeën alleen, maar door een fundamentele verschuiving in de manier waarop berekening zelf werd uitgevoerd.

Door het verhaal te centreren op NVIDIA en zijn mede-oprichter Jensen Huang, herformuleert Witt de AI-revolutie als een verhaal over computerarchitectuur, ontwikkelaarsplatforms en langetermijnvisie. Het resultaat is niet alleen een biografie van een bedrijf, maar een ontbrekend hoofdstuk in de bredere geschiedenis van kunstmatige intelligentie.

Van videospellen naar een nieuw computatieparadigma

NVIDIA’s oorsprong ligt ver weg van de hoge ambities die nu geassocieerd worden met kunstmatige intelligentie. Het bedrijf ontstond in 1993 als een fabrikant van grafische chips, gericht op het weergeven van steeds realistischere videospelwerelden. De uitdaging op dat moment was niet intelligentie, maar snelheid. Spellen vereisten een enorme hoeveelheid berekeningen die onmiddellijk moesten worden uitgevoerd om licht, beweging en diepte te simuleren.

De oplossing die NVIDIA nastreefde was parallel computing. Parallel computing houdt in dat veel berekeningen tegelijk worden uitgevoerd in plaats van ze sequentieel uit te voeren. In plaats van te vertrouwen op een enkele krachtige core die één instructie na de andere verwerkt, gebruiken GPUs duizenden kleinere cores die gelijktijdig werken aan soortgelijke wiskundige operaties. Deze aanpak is vooral krachtig voor workloads die bestaan uit het herhalen van dezelfde berekeningen over grote datasets.

Oorspronkelijk was deze architectuur gebouwd voor graphics. Toch laat Witt zien hoe deze beslissing stilzwijgend de ideale basis creëerde voor neurale netwerken decennia later. Het trainen van moderne AI-modellen omvat een enorme hoeveelheid identieke wiskundige operaties die worden toegepast op enorme hoeveelheden gegevens. GPUs waren al geoptimaliseerd voor precies dat soort werk.

Wat deze deel van het boek zo aantrekkelijk maakt, is hoe duidelijk Witt technische ontwerpkeuzes verbindt met overleving. NVIDIA koos voor parallel computing niet omdat het kunstmatige intelligentie voorzag. Het koos ervoor omdat het de enige manier was om in real-time graphics te concurreren. Die noodzaak dwong het bedrijf om een computatiemodel te beheersen dat later verder zou blijken te zijn dan alleen gamen.

Jensen Huang en het denken in systemen, niet producten

In het centrum van dit verhaal staat Jensen Huang, afgebeeld niet als een conventionele uitvoerder, maar als iemand die consistent dacht in systemen in plaats van individuele producten. Witt presenteert Huang als veeleisend, intens en vaak moeilijk, maar ook opvallend consistent in hoe hij technologie over lange perioden zag.

Terwijl concurrenten GPUs behandelden als wegwerpproducten die waren gekoppeld aan gamercycli, behandelde Huang ze als de basis van een bredere computatieplatform. Dit onderscheid is cruciaal. Producten worden vervangen. Platforms accumuleren.

Binnen NVIDIA weerspiegelde deze mentaliteit. Ingenieurs werden aangemoedigd om jaren vooruit te denken. Software werd behandeld als strategisch belangrijk als silicium. Investeringen werden gedaan in tooling en ontwikkelaarsondersteuning lang voordat er duidelijke vraag was. Veel van deze keuzes leken excessief of onnodig op dat moment. In retrospectief creëerden ze een moat die concurrenten moeite hadden om over te steken.

Witt maakt duidelijk dat NVIDIA’s opkomst niet onvermijdelijk was. Het bedrijf kwam meer dan eens dicht bij faillissement. Wat het naar voren bracht, was niet één doorbraak, maar een volgehouden overtuiging dat versnelde computing uiteindelijk zou blijken te zijn van belang verder dan de oorspronkelijke toepassing.

CUDA en de AI-oorsprong die velen misten

Een van de belangrijkste bijdragen van The Thinking Machine is hoe het CUDA’s rol in de AI-geschiedenis herformuleert.

Voordat ik dit boek las, was het gemakkelijk om te denken dat CUDA gewoon een succesvolle ontwikkelaarstool was. Witt laat zien waarom het veel meer aandacht verdient. CUDA werd gemaakt om parallel computing bruikbaar te maken buiten graphics om. Voordat CUDA, het gebruik van GPUs voor algemene berekening vereiste het dwingen van problemen door graphicspecifieke interfaces. Dit was broos, inefficiënt en beperkt tot specialisten.

CUDA veranderde dat door ontwikkelaars in staat te stellen GPUs te programmeren met vertrouwde programmeringsmodellen. Duizenden rekenkernen werden toegankelijk als een algemene resource. Dit verlaagde de drempel voor high-performance computing op een manier die weinig mensen ten volle waardeerden op dat moment.

Dit is waar het boek sterk resoneerde met mijn eigen ervaring van het leren van AI-geschiedenis. De vertelling die ik absorbeerde, legde zwaar de nadruk op modellen en algoritmen. Wat The Thinking Machine duidelijk maakt, is dat veel van die ideeën alleen praktisch werden toen onderzoekers ze daadwerkelijk konden trainen in grote aantallen.

AI-onderzoekers herkenden snel dat neurale netwerken een bijna perfecte match waren voor parallel computing. Training omvat het herhalen van dezelfde operaties over grote datasets, het aanpassen van miljoenen of miljarden parameters over tijd. CUDA stelde dit proces in staat om sneller, goedkoper en betrouwbaarder te gebeuren dan CPUs ooit konden.

Dit werd vooral belangrijk toen diepe leerlingen versnelden en later toen transformer-gebaseerde modellen opdoken. Transformers gedijen op schaal. Zonder GPU-versnelling zouden veel van de modellen die vandaag de AI-landschap definiëren, theoreticsch of buitensporig duur zijn gebleven. CUDA heeft deze architectuur niet uitgevonden, maar het heeft hun snelle evolutie mogelijk gemaakt.

Wat Witt bijzonder goed vastlegt, is dat dit resultaat niet volledig gepland was. CUDA was gebouwd voor wetenschappelijke computing. AI-onderzoekers ontdekten zijn kracht en trokken NVIDIA naar het centrum van de AI-race.

Infrastructuur boven algoritmen

Een van de waardevolste inzichten van het boek is dat de vooruitgang in AI evenzeer wordt beperkt door infrastructuur als door ideeën. Veel populaire verslagen leggen de nadruk op algoritmen, trainingsfoefjes en datasets. The Thinking Machine herinnert de lezer eraan dat geen van deze zaken ertoe doen zonder voldoende compute.

Vanuit dit perspectief lijkt de moderne AI-boom minder plotseling en meer vertraagd. Neurale netwerken bestonden al decennia. Wat veranderde, was de beschikbaarheid van hardware die ze kon trainen in een zinvolle schaal.

NVIDIA heeft niet alleen snellere chips geleverd. Het heeft een ecosysteem van hardware, softwarebibliotheken en ontwikkelaarstools gebouwd die elkaar over tijd versterkten. Terwijl onderzoekers hun werk optimaliseerden voor NVIDIA-platforms, verfijnde NVIDIA zijn producten om AI-workloads beter te dienen. Deze feedbacklus creëerde een duurzaam voordeel dat verder ging dan pure prestaties.

Het boek benadrukt stilzwijgend een realiteit die vandaag de dag steeds duidelijker wordt: leiderschap in AI wordt gevormd door toeleveringsketens, productiecapaciteit, software-ecosystemen en platformcontrole, niet alleen door onderzoeksbriljantie.

Visie, risico en accumulerende gevolgen

Witt schroomt niet om de implicaties van NVIDIA’s dominantie te benoemen. Naarmate het bedrijf fundamenteler wordt voor de wereldwijde AI-infrastructuur, groeit zijn invloed dienovereenkomstig. Jensen Huangs overtuiging dat versnelde computing de volgende fase van technologische vooruitgang zal definiëren, loopt als een rode draad door het boek.

In plaats van te moraliseren, richt The Thinking Machine zich op hoe consistent technisch en strategisch beslissingen accumuleerden over tijd. NVIDIA won niet door trends na te jagen. Het won door vroeg te committeren aan parallel computing, herhaalde marktcycli te doorstaan en onophoudelijk te investeren in de tools die zijn hardware onmisbaar maakten.

Voor lezers die willen begrijpen hoe AI echt schaalde

Voor lezers die al de hoofdmomenten van AI-geschiedenis kennen, vult dit boek de ontbrekende laag onder hen in. Het legt uit waarom die doorbraken konden schalen toen ze deden, en waarom NVIDIA opdook als een zo centrale kracht in het proces.

Dit is een boek voor lezers die kunstmatige intelligentie willen begrijpen als een industrieel systeem in plaats van een verzameling van slimme modellen. Het zal sterk resoneren met diegenen die geïnteresseerd zijn in chips, datacenters en de vaak onzichtbare ingenieursbeslissingen die stilzwijgend technologische macht vormen.

The Thinking Machine slaagt omdat het het AI-verhaal vanaf de grond herformuleert, en laat zien hoe parallel computing, ontwikkelaarsplatforms en langetermijnvisie de basis legden waarop de moderne kunstmatige intelligentie nu staat.