Når man læser om Nvidia, dukker to ord op igen og igen: “training” og “inference”. De lyder som teknisk jargon, man kan springe over. Det kan man ikke.
Forskellen mellem de to er nemlig en af de vigtigste skillelinjer i hele AI-industriens økonomi – og den har direkte betydning for, hvor Nvidias fremtidige omsætning skal komme fra, og hvor selskabets konkurrenter har den bedste chance for at bide fra sig.
Denne artikel forklarer forskellen fra bunden og kobler den til Nvidias forretning. Den er faktabaseret og henvender sig til begyndere. Den er ikke en anbefaling om at købe eller sælge aktier.
Nøgleord forklaret
De vigtigste begreber i denne artikel – kort og enkelt
Den korte version
Training er, når en AI-model lærer. Inference er, når den arbejder.
Man kan sammenligne det med en lægeuddannelse. Træningen er de mange år på studiet, hvor lægen læser tusindvis af sider og ser tusindvis af tilfælde. Inference er hver enkelt gang, den færdiguddannede læge kigger på en ny patient og stiller en diagnose.
Uddannelsen sker én gang og er dyr. Diagnoserne sker igen og igen, resten af karrieren.
Hvad sker der under training?
Under træning bliver modellen fodret med enorme mængder data og justerer sine egne interne indstillinger – kaldet parametre eller vægte – indtil den bliver god til opgaven.
Teknisk foregår det i en løkke: Modellen gætter et svar, måler hvor forkert den var, og regner baglæns ud, hvordan den skal justere sig for at gætte bedre næste gang. Det gentages millioner af gange.
Det er ekstremt regnetungt. Træningen af GPT-4 kostede omkring 78 millioner dollars alene i regnekraft og kørte på anslået 25.000 Nvidia A100-GPU’er i flere måneder. Meta brugte 48.000 H100-GPU’er til at træne Llama 3.1.
Vigtige kendetegn ved træning: Det sker i afgrænsede perioder – dage til uger. Omkostningen kan planlægges på forhånd. Og fordi mange GPU’er skal arbejde sammen som ét, kræver det ekstremt hurtige forbindelser mellem chippene. Det er her, Nvidias NVLink og InfiniBand kommer ind.
Hvad sker der under inference?
Under inference er modellen færdiglært. Vægtene er frosne. Den lærer ikke længere noget – den bruger bare det, den allerede kan, på nye input.
Hver gang du stiller et spørgsmål til en AI-chatbot, får en anbefaling på en streamingtjeneste, eller en selvkørende bil genkender et stopskilt, er det inference.
Kendetegnene er nærmest de omvendte af trænings. Det sker konstant, hver gang en bruger beder om noget. Efterspørgslen svinger uforudsigeligt med trafikken – hen over døgnet, sæsonen og ved uventede begivenheder. Og hastighed betyder alt, fordi brugeren sidder og venter på svaret.
Training vs. Inference – kort overblik
De to faser i en AI-models liv
Den økonomiske pointe: inference bliver størst
Her bliver det interessant for en investor.
Træning er en engangsudgift per model. Inference er en løbende udgift, der aldrig stopper – og som vokser med hver eneste ny bruger.
Regnestykket tipper derfor over tid. ChatGPTs samlede inference-omkostninger oversteg de samlede træningsomkostninger allerede inden for samme år, modellen udkom. Bredere målt vurderes inference i dag at udgøre mellem 60 og 80 procent af AI-forbruget i produktion.
Retningen er tydelig i, hvordan virksomheder bruger deres penge. 44 procent af organisationer bruger nu mellem 76 og 100 procent af deres AI-budget på inference. Og fremskrivninger peger på, at omkring 70 procent af al datacenter-efterspørgsel kan komme fra inference i 2030.
Alle sådanne fremskrivninger er naturligvis estimater og ikke fakta – men samstemmigheden i retningen er værd at bemærke.
Reasoning-modeller ændrer regnestykket igen
Der er et nyere lag oveni, som er værd at forstå, fordi det er blevet centralt for Nvidia-casen.
De nyeste såkaldte reasoning-modeller “tænker” før de svarer. De genererer en lang intern tankerække, inden de leverer resultatet. Det betyder, at ét enkelt spørgsmål kan kræve mange gange mere regnekraft end tidligere.
Effekten er dramatisk. Til sammenligning bruger DeepSeeks R1-model op mod 150 gange mere regnekraft per svar end traditionel inference.
Det vender en gammel antagelse på hovedet. Man frygtede tidligere, at når AI blev mere effektiv, ville behovet for chips falde. Men reasoning-modeller gør inference dyrere, ikke billigere – og det er en væsentlig del af Nvidias nuværende fortælling.
Hvad siger Nvidia selv?
Nvidias ledelse har i stigende grad rykket fortællingen fra træning til inference.
I regnskabet for tredje kvartal af regnskabsåret 2026 sagde topchef Jensen Huang, at efterspørgslen på regnekraft accelererer på tværs af både træning og inference, og at hver af dem vokser eksponentielt.
Endnu tydeligere blev det i fjerde kvartal. Ledelsen fremhævede her et argument, man kan kalde “compute er lig med omsætning”: Når inference skaleres, bliver hver genereret token en direkte indtægtskilde for kunderne. Ideen er, at GPU-købet dermed finansierer sig selv, i stedet for at være et spekulativt væddemål.
Huang har også fremhævet, at Nvidias softwareplatform CUDA er afgørende netop for inference, fordi den gør det muligt at presse mere ydelse ud af hver chip og hver watt.
Tallene bag den fortælling: Nvidia leverede rekordomsætning på 81,6 milliarder dollars i første kvartal af regnskabsåret 2027, med datacenter-omsætning på 75,2 milliarder – op 92 procent på et år.
Hvorfor det betyder noget for investorer: bull og bear
Her er begge sider af sagen.
Argumentet for (bull): Skiftet mod inference betyder, at AI-efterspørgslen ikke er et engangsprojekt, der stopper, når modellerne er trænet. Den bliver en løbende, voksende driftsudgift knyttet til faktisk brug. Reasoning-modeller forstærker effekten. Og Nvidias fordel ligger ikke kun i chippen, men i hele pakken – hardware, netværk og CUDA-softwaren.
Argumentet imod (bear): Netop inference er, hvor Nvidias vollgrav er smallest. Inference er generelt mindre afhængig af de gigantiske sammenkoblede klynger, hvor Nvidias netværksteknologi virkelig skinner. En enkelt chip kan i mange tilfælde klare opgaven. Det åbner døren for konkurrenter – både specialiserede inference-chips og hyperscalernes egne skræddersyede chips. Flere analyser peger på, at AI-chipmarkedet netop fragmenterer i inference-enden, mens Nvidia fortsat dominerer træning og high-end inference.
Hertil kommer en koncentrationsrisiko, der gælder uanset hvilken side man hælder til: Få store kunder står for en uforholdsmæssig stor del af Nvidias datacenter-omsætning. Hvis en enkelt hyperscaler skruer ned for udbygningen eller op for sine egne chips, kan det flytte Nvidias tal mærkbart.
For en investor er pointen ikke, hvem der får ret. Pointen er, at når du læser om Nvidia, betyder det noget, om væksten kommer fra træning eller inference – fordi de to har vidt forskellige konkurrencedynamikker.
Vil du forstå tallene bag, kan du læse videre på nvidia-aktie.dk om Nvidias regnskaber og nøgletal.
Kildehenvisninger
Ofte stillede spørgsmål (FAQ)
Hvad er forskellen på AI-training og AI-inference?
Training er, når en AI-model lærer ved at justere sine interne parametre ud fra store datamængder. Inference er, når den færdiglærte model bruges på nye input – for eksempel når du stiller en chatbot et spørgsmål. Under inference lærer modellen ikke noget nyt.
Hvad er dyrest – træning eller inference?
En enkelt træningskørsel er dyr, men sker kun én gang. Inference koster mindre per gang, men sker konstant. Samlet set overstiger inference-omkostningerne typisk træningsomkostningerne, og inference vurderes i dag at udgøre 60-80 procent af AI-forbruget i produktion.
Hvorfor betyder inference noget særligt for Nvidia?
Fordi inference er den del af markedet, der vokser hurtigst – men også den del, hvor konkurrencen er hårdest. Nvidias fordel er størst ved store, sammenkoblede træningsklynger, mens inference i mange tilfælde kan køre på enklere hardware.
Hvad er reasoning-modeller, og hvorfor er de vigtige?
Reasoning-modeller genererer en intern tankerække, før de svarer. Det kræver langt mere regnekraft per spørgsmål – DeepSeeks R1 bruger op mod 150 gange mere end traditionel inference. Det øger behovet for chips i inference-fasen.
Betyder mere effektiv AI, at Nvidia sælger færre chips?
Ikke nødvendigvis. Historisk har billigere regnekraft ofte ført til bredere brug og dermed højere samlet forbrug. Reasoning-modeller trækker desuden i modsat retning ved at gøre hvert svar dyrere at producere.
Ansvarsfraskrivelse
Denne artikel er udelukkende informativ og faktabaseret. Den er hverken en opfordring til at købe eller sælge værdipapirer eller anden finansiel rådgivning. Investering i aktier indebærer risiko, og du kan tabe hele eller dele af dit indskud. Tal, fremskrivninger og markedsforhold er tidsfølsomme og kan være ændret siden offentliggørelsen – fremskrivninger om fremtidig efterspørgsel er estimater, ikke fakta. Du bør lave din egen research og eventuelt søge professionel rådgivning, før du træffer investeringsbeslutninger. Nvidia-aktie.dk er ikke tilknyttet NVIDIA Corporation.