Alphabet zet een volgende stap in de AI-wapenwedloop door nieuwe chips te introduceren die specifiek gericht zijn op training en inference. Waar eerdere generaties deze functies combineerden, kiest het bedrijf nu bewust voor specialisatie om prestaties en efficiëntie te verhogen. Daarmee speelt Alphabet in op de groei van AI-agents en real-time toepassingen, waarbij snelheid en schaalbaarheid centraal staan.

Wil je alle artikelen kunnen lezen en elke podcast beluisteren? Neem dan een abonnement en krijg toegang tot alle artikelen en de database met duizenden berichten.

■ Nieuwe TPU-generatie splitst training en inference voor hogere efficiëntie
■ Training-chip levert circa 180 procent meer performance bij gelijke prijs
■ Inference-chip met 384 MB SRAM, verdrievoudiging ten opzichte van vorige generatie

De strategische implicatie is duidelijk. Door deze splitsing kan Alphabet per toepassing optimaliseren, wat direct doorwerkt in lagere kosten per berekening en betere prestaties. Tegelijk positioneert het bedrijf zich nadrukkelijker tegenover NVIDIA en verstevigt het zijn positie binnen de cloudmarkt.

Investment view

Wij spelen hier reeds op in met optieposities, omdat deze ontwikkeling duidelijk bullish is voor Alphabet en wij verwachten dat de markt deze strategische verschuiving verder gaat waarderen. Zie dit bericht.

■ Verticale integratie verhoogt marges en controle over kostenstructuur
■ Eigen chips versterken Google Cloud als alternatief voor GPU-architecturen
■ Toenemende adoptie bevestigt structurele commerciële tractie

De keuze om training en inference te scheiden is een fundamentele stap in kapitaalallocatie. Training vereist maximale rekenkracht en grote investeringen, terwijl inference draait om efficiëntie en schaal. Door deze functies los te koppelen, kan Alphabet per workload optimaliseren, wat leidt tot een betere cost-performance ratio en een sterkere concurrentiepositie.

Dit heeft directe impact op de marges van Google Cloud. Minder afhankelijkheid van externe GPU-leveranciers zoals NVIDIA betekent dat Alphabet zijn kostenbasis kan verlagen en tegelijkertijd agressiever kan prijzen. Dit opent de deur naar marktaandeelwinst, vooral bij klanten die op zoek zijn naar efficiëntere AI-infrastructuur.

De adoptie van deze chips neemt zichtbaar toe. Grote partijen zoals Citadel Securities en nationale laboratoria in de Verenigde Staten maken al gebruik van TPU-gebaseerde systemen. Daarnaast committeert Anthropic zich aan grootschalig gebruik. Dit onderstreept dat de technologie verschuift van experimenteel naar essentieel binnen AI-workloads, wat cruciaal is voor duurzame omzetgroei.

Concurrentie blijft stevig, met spelers zoals Amazon en Microsoft die eveneens inzetten op eigen chips. Toch heeft Alphabet een duidelijke voorsprong door zijn vroege start en integratie met DeepMind. Analisten waarderen het TPU-ecosysteem, inclusief AI-activiteiten, op honderden miljarden dollars, wat de strategische waarde onderstreept.

De inzet op SRAM in de inference-chip is daarbij een belangrijke technische keuze. Dit maakt hogere snelheid en lagere latency mogelijk, essentieel voor het gelijktijdig draaien van miljoenen AI-agents. Dit soort optimalisaties bepaalt uiteindelijk wie schaalbaar en winstgevend AI kan aanbieden.

Onze conclusie blijft dat Alphabet zich ontwikkelt tot één van de best gepositioneerde spelers in AI-infrastructuur. De combinatie van eigen chips, cloud en AI-modellen creëert een geïntegreerd ecosysteem dat moeilijk te evenaren is. Wij blijven positief en blijven inspelen op verdere opwaartse potentie via optieposities.

Belangrijkste punten voor beleggers

■ Alphabet introduceert nieuwe AI-chips met gescheiden training en inference
■ Performanceverbeteringen versterken de cost-performance verhouding
■ SRAM-architectuur ondersteunt lage latency en hoge schaalbaarheid
■ Sterke adoptie bevestigt commerciële relevantie van TPU-platform
■ Concurrentiestrijd met Nvidia verschuift richting infrastructuur en kosten

🔵 English version

Alphabet: New AI chips for training and inference accelerate strategic positioning

Alphabet is taking another step in the AI arms race by introducing new chips specifically designed for training and inference. While previous generations combined these functions, the company is now deliberately separating them to improve performance and efficiency. This move aligns with the rapid growth of AI agents and real-time applications where speed and scalability are critical.

■ New TPU generation separates training and inference for higher efficiency
■ Training chip delivers roughly 180 percent performance improvement at the same cost
■ Inference chip features 384 MB SRAM, tripling the previous generation

The strategic implications are clear. By separating these workloads, Alphabet can optimize each use case individually, directly improving cost efficiency and performance. At the same time, the company is positioning itself more aggressively against NVIDIA while strengthening its role in the cloud market.

Investment view

We are positioning for this development through options, as we view this shift as clearly bullish for Alphabet and expect the market to increasingly price in this structural advantage.

■ Vertical integration enhances margins and cost control
■ Proprietary chips strengthen Google Cloud as an alternative to GPU-based architectures
■ Increasing adoption confirms structural commercial traction

The separation of training and inference represents a fundamental shift in capital allocation. Training requires heavy compute and investment, while inference is driven by efficiency and scale. By decoupling these functions, Alphabet can optimize each workload, resulting in a stronger cost-performance profile and improved competitive positioning.

This has direct implications for Google Cloud margins. Reduced reliance on external GPU providers such as NVIDIA allows Alphabet to lower costs while remaining competitive on pricing. This creates an opportunity to capture additional market share, particularly among clients seeking efficient AI infrastructure.

Adoption trends reinforce this thesis. Major players such as Citadel Securities and U.S. national laboratories are already running TPU-based systems. Additionally, Anthropic has committed to large-scale TPU usage. This signals a transition from experimental deployment to mission-critical infrastructure, which is key for sustained revenue growth.

Competition remains intense, with companies such as Amazon and Microsoft pursuing similar strategies. However, Alphabet maintains an advantage due to its early investments and integration with DeepMind. Analysts estimate the TPU ecosystem and AI operations could be valued in the hundreds of billions, highlighting its strategic importance.

The use of SRAM in the inference chip is also a critical design choice. It enables higher speed and lower latency, essential for running millions of AI agents simultaneously. These types of optimizations will ultimately determine which players can scale AI profitably.

Our view remains that Alphabet is emerging as one of the best-positioned companies in AI infrastructure. The combination of proprietary chips, cloud distribution and AI models creates an integrated ecosystem that is difficult to replicate. We remain constructive and continue to position for upside through options strategies.

Key points for investors

■ Alphabet introduces new AI chips with separate training and inference
■ Performance gains improve cost-performance dynamics
■ SRAM architecture supports low latency and high scalability
■ Strong adoption validates commercial relevance of the TPU platform
■ Competition with Nvidia is shifting toward infrastructure and cost efficiency