TL;DR
- Wat: SpaceX schrijft een volledig eigen AI-trainingsframework in C, specifiek voor 220.000 NVIDIA GB300-chips, en claimt meer dan 10× sneller te zijn dan gangbare frameworks.
- Waarom relevant: als AI-modellen sneller en goedkoper getraind kunnen worden, dalen op termijn de kosten van AI-diensten die jij als ondernemer gebruikt.
- Wat je ermee kunt: houd bij hoe snel de prijzen van AI-tools en API's dalen — dat bepaalt wanneer een investering in AI-toepassingen voor jouw bedrijf rendabel wordt.
Ik viel deze week over een bericht van Elon Musk op X: SpaceX heeft bijna versie 1.0 af van een volledig zelfgebouwd AI-trainingsframework, geschreven in C en ontworpen voor 220.000 NVIDIA GB300-chips. De geclaimde snelheidswinst ten opzichte van JAX — een veelgebruikt framework van Google — zou meer dan een factor tien zijn. Dat is een opvallende claim, en ik wilde uitzoeken wat er achter zit.
Wat heeft SpaceX precies gebouwd?
De kern van het verhaal: SpaceX schrijft een trainingsstack in C die één-op-één mapt naar de fysieke hardware. In gewone taal: ze bouwen software die precies weet hoe de chips en netwerkkabels in hun datacentrum zijn aangesloten, en daar maximaal gebruik van maakt.
Een paar technische details die ertoe doen:
- 220.000 NVIDIA GB300-chips — dat zijn de nieuwste datacenter-GPU's van NVIDIA, ontworpen voor zware AI-berekeningen.
- 800G NIC's — netwerkaansluitingen van 800 gigabit per seconde. Ter vergelijking: de gemiddelde glasvezelaansluiting thuis is 1 gigabit. Dit is 800 keer zo snel.
- Pipeline parallelism — een techniek waarbij een AI-model wordt opgesplitst in stukken die tegelijkertijd op verschillende chips draaien, als een lopende band in een fabriek. Terwijl chip A aan stap 1 van batch 2 werkt, is chip B al bezig met stap 2 van batch 1.
- Bare metal — zo min mogelijk softwarelagen tussen het trainingsprogramma en de hardware. Elke extra laag kost rekentijd.
Dit alles draait op Colossus II, het datacentrum dat volgens meerdere bronnen begin 2026 online kwam met zo'n 550.000 NVIDIA Blackwell-chips en plannen om op te schalen naar een miljoen.
Waarom niet gewoon JAX of PyTorch gebruiken?
De meeste AI-bedrijven trainen hun modellen met bestaande frameworks zoals JAX (van Google) of PyTorch (van Meta). Die frameworks zijn flexibel en breed inzetbaar — je kunt ze op allerlei hardware draaien.
Maar die flexibiliteit heeft een prijs. Vergelijk het met een confectiepak versus maatwerk: een confectiepak past iedereen redelijk, maar een maatpak zit beter. SpaceX kiest hier voor het maatpak. Door in C te schrijven — een taal die dicht op de hardware zit — en de software exact af te stemmen op hun specifieke chipopstelling, elimineren ze de overhead die algemene frameworks met zich meebrengen.
De geclaimde winst: meer dan 10× sneller dan JAX voor grote trainingsruns. Ik moet hier eerlijk bij zeggen: die claim komt van Musk zelf en is nog niet onafhankelijk geverifieerd. Meerdere techmedia, waaronder IBTimes en NextBigFuture, rapporteren het cijfer, maar verwijzen allemaal naar dezelfde bron. Het is dus verstandig om dit met een korrel zout te nemen totdat er onafhankelijke benchmarks zijn.
Wat mij opvalt: de trend van verticale integratie
Wat ik hier het meest interessant vind, is niet het getal zelf, maar het patroon. SpaceX bouwt niet alleen raketten en satellieten — het bedrijf investeert nu ook in eigen AI-infrastructuur op het diepste technische niveau.
Dit past in een bredere trend. Google heeft eigen TPU-chips, Amazon bouwt Trainium, en Apple ontwikkelt eigen silicium voor AI. De redenering is steeds dezelfde: wie de hele keten bezit — van chip tot software — kan sneller en goedkoper werken dan wie leunt op standaardoplossingen.
Voor de context: de trainingsstack is volgens Musk bedoeld om toekomstige versies van Grok te trainen, het AI-model van xAI. SpaceX en xAI zijn weliswaar formeel aparte bedrijven, maar de kruisbestuiving is duidelijk.
Wat betekent dit voor jou als ondernemer?
Je gaat als MKB-ondernemer natuurlijk geen eigen AI-trainingsframework bouwen. Maar indirect raakt dit je wel. Laat me uitleggen hoe.
De prijs van AI-diensten daalt
Als grote spelers hun trainingskosten met een factor 10 kunnen verlagen, heeft dat een domino-effect. Goedkopere training betekent meer concurrentie, snellere modelontwikkeling, en uiteindelijk lagere prijzen voor de AI-tools en API's die jij als ondernemer gebruikt.
Volgens onderzoek van Wolters Kluwer is 84% van de Nederlandse MKB-bedrijven van plan om de komende drie jaar meer te investeren in AI. De vraag is niet óf je AI gaat inzetten, maar wanneer het financieel logisch wordt voor jouw specifieke situatie. Dat omslagpunt schuift steeds dichterbij naarmate de onderliggende kosten dalen.
De keuze tussen standaard en maatwerk
Op een heel ander schaalniveau speelt voor ondernemers een vergelijkbare afweging als die van SpaceX. Gebruik je een standaard AI-tool die voor iedereen werkt, of investeer je in iets dat precies past bij jouw bedrijfsproces?
Stel dat je als logistiek bedrijf routeoptimalisatie doet. Een standaard AI-tool geeft je 80% van het resultaat. Een maatwerkoplossing — afgestemd op jouw wagenpark, jouw regio, jouw klanten — kan dat laatste stuk pakken. De kosten voor zo'n maatwerktraject liggen voor MKB-bedrijven volgens recente cijfers tussen de 15.000 en 50.000 euro, met maandelijkse operationele kosten van 200 tot 1.000 euro.
De les van SpaceX is dat standaardoplossingen op een gegeven moment een plafond hebben. Maar de les is ook dat maatwerk alleen loont als je schaal groot genoeg is om het verschil te rechtvaardigen.
Kanttekeningen
Een paar dingen om in het achterhoofd te houden:
- De 10×-claim is nog niet onafhankelijk getoetst. Bij grote technologieaankondigingen is het verstandig om te wachten op benchmarks van derden.
- Een framework dat exact past op één hardwareopstelling is per definitie minder flexibel. Als de hardware verandert, moet de software mee. Dat is een bewuste afweging.
- De trainingsstack is gebouwd voor een schaal van honderdduizenden GPU's. De technieken zijn niet direct toepasbaar op kleinere omgevingen.
Tot slot
Voor mij is dit vooral een signaal dat de kosten en snelheid van AI-training nog lang niet zijn uitgeoptimaliseerd. Als er nog een factor 10 te winnen valt door slimmer met hardware om te gaan, dan zitten we pas aan het begin van wat er mogelijk is — en wat dat op termijn betekent voor de prijs en kwaliteit van de AI-tools die op jouw bureau belanden.