Neocloud

Sådan er en neocloud bygget teknisk

En neocloud er et datacenter, der er optimeret til ét formål: at holde et stort antal GPU'er travlt beskæftiget samtidig. Det lyder enkelt, men det er en anden ingeniørdisciplin end den, hyperscalerne oprindeligt blev bygget til. En almindelig sky er skruet sammen til mange små, uafhængige opgaver, som en webserver eller en database. En neocloud er skruet sammen til få, meget store opgaver, hvor hundredvis af chips skal arbejde som én maskine.

Sammenkoblingen er kernen. Når du træner en stor model, skal alle GPU'er udveksle data konstant, og hastigheden mellem dem afgør, hvor godt de udnyttes. Neoclouds bruger derfor NVIDIA Quantum-2 InfiniBand eller tilsvarende højhastighedsnetværk, der binder kortene sammen med lav ventetid. Den danske supercomputer Gefion er et godt eksempel. Den består af 1.528 NVIDIA H100-kort organiseret som en DGX SuperPOD og bundet sammen med netop Quantum-2 InfiniBand. Uden den slags sammenkobling falder en klynge fra hinanden i praksis, når modellen bliver stor nok.

Tæthed og køling. En moderne GPU-server trækker meget strøm og udvikler tilsvarende meget varme. CoreWeave bygger for eksempel tætpakkede, væskekølede klynger, fordi luftkøling ikke længere kan følge med, når et rack fyldes med Blackwell-kort. En enkelt NVIDIA NVL72-rack indeholder 13,4 terabyte RAM, svarende til cirka 1.000 topmodeller af smartphones. Strøm, køling og fysisk plads er en stor del af grunden til, at neoclouds overhovedet findes som selvstændig kategori.

Mindre abstraktion, mere direkte adgang. Hos en hyperscaler ligger dine GPU'er bag mange lag af virtualisering og administrerede tjenester. En neocloud giver dig ofte adgang tættere på metallet, såkaldt bare-metal, eller med tynde lag ovenpå som Kubernetes og Slurm. Lambda har bygget hele sit brand på den udvikler-nære oplevelse. Fordelen er ydelse og forudsigelighed. Ulempen er, at du selv skal håndtere mere af driften, som en hyperscaler ellers ville skjule for dig.

Tæt på NVIDIA, på godt og ondt. Stort set alle neoclouds kører på NVIDIA-GPU'er, fra H100 og H200 til den nyere Blackwell-arkitektur. De største får tidlig adgang til nye GPU-generationer, hvilket er et konkurrenceforspring i sig selv. Til gengæld gør det dem afhængige af én leverandør. Nogle, som Vultr, tilbyder også AMD Instinct-kort for at sprede risikoen, og hyperscalerne udvikler deres egne tilpassede AI-chips som Google TPU og AWS Trainium. En ren neocloud har sjældent det alternativ.

Hvordan det adskiller sig fra et hyperscale-datacenter. Et hyperscale AI data center er bygget til bredde, med mange kundetyper, mange tjenester og global redundans. En neocloud er bygget til dybde i én dimension, nemlig GPU-udnyttelse pr. investeret krone. Det betyder færre regioner, færre managed services og et smallere udvalg, men til gengæld flere kort til rådighed og en lavere pris pr. GPU-time. Det er en bevidst afvejning.

Hardware-knapheden former hele markedet. I 2026 ramte en alvorlig mangel på hukommelse, som blev døbt RAMageddon. HBM-hukommelse til AI-chips lægger nu beslag på 23 procent af verdens DRAM-produktion, og DRAM-priserne steg omkring 90 procent i første kvartal af 2026 alene. Datacentre bruger nu 70 procent af al hukommelse, der produceres, og de tre store producenter Samsung, SK Hynix og Micron kontrollerer over 95 procent af markedet. Analytikere venter ikke lettelse før tidligst midten af 2027. Den knaphed er netop den, neoclouds er sat i verden for at afbøde, ved at samle kapaciteten ét sted og leje den ud time for time.

Overvejer I at bruge en neocloud til jeres AI-arbejde, hjælper vi jer med at regne på det. Vi ser på, hvor stor en del af jeres omkostninger der reelt ligger i GPU-kapacitet, hvor jeres data må ligge, og hvor afhængige I bliver af den enkelte leverandør. På den baggrund stiller vi et nøgternt beslutningsgrundlag op, så I kan vælge mellem neocloud, hyperscaler eller en kombination på et konkret grundlag. Vil I starte med at få overblik over jeres AI-muligheder, kan I læse mere på vores AI-side eller tage fat i os direkte.

Hvad du kan bruge en neocloud til, og hvornår det giver mening

En neocloud løser i praksis to hovedopgaver: at træne modeller og at køre dem i produktion. De to ting stiller forskellige krav, og en neocloud kan være det rigtige valg til den ene, den anden eller begge.

Træning af store modeller. Skal du træne eller finjustere en model fra bunden, har du brug for mange GPU'er koblet sammen i lang tid ad gangen. Det er her, prisen for alvor betyder noget, fordi et træningsjob kan køre i uger. En AI-fabrik, altså et datacenter dedikeret til at producere AI, er netop den type kapacitet, en neocloud sælger adgang til. For et forskningstungt dansk hold, for eksempel inden for medicin eller materialer, kan forskellen mellem 2 og 12 dollar pr. GPU-time afgøre, om et projekt overhovedet er råd til at gennemføre.

Inferens i produktion. Når modellen er trænet, skal den svare på forespørgsler i drift. Det kaldes inferens, og det er ofte den største løbende udgift, når en AI-tjeneste først er ude hos brugerne. Flere neoclouds tilbyder inference-as-a-service, hvor du betaler pr. token i stedet for pr. time. Together AI har bygget sin forretning på netop det, med fokus på open source-modeller, og oplyser, at brugen af open source-modeller er tredoblet på tolv måneder.

Forudsigelige omkostninger og hurtig opskalering. Fordi en neocloud er specialiseret, er priserne ofte enklere og mere gennemsigtige end hyperscalernes komplekse prislister. Du kan typisk reservere en klynge for en periode til en fast pris eller leje efter behov, når et projekt kræver et løft. For en virksomhed med svingende behov, for eksempel et produkthold, der træner en ny model hvert kvartal, er det en måde at undgå at eje hardware, der står stille resten af tiden.

Hvornår det giver mening. En neocloud er oftest det rigtige valg, når GPU-kapacitet er din primære udgift, når du har brug for mange kort samtidig, og når du kan undvære de mange ekstra tjenester, en hyperscaler tilbyder. Et AI-startup, der brænder budget af på træning, sparer mest. En stor bank med hundrede forskellige systemer i Azure gør det sjældent, fordi flytteomkostningen og integrationen med resten af driften vejer tungere end GPU-prisen.

Hvornår du bør blive hos hyperscaleren. Har du allerede alt liggende i AWS eller Azure, og fylder AI kun en lille del, er gevinsten ved at flytte ofte for lille til at retfærdiggøre besværet. Neoclouds har færre managed services, færre regioner og mindre modent værktøj til overvågning, sikkerhed og adgangsstyring. Skal din AI tale tæt sammen med din database og dine eksisterende applikationer, er nærheden til dem ofte vigtigere end prisen pr. GPU-time.

Mange bruger begge dele. En del virksomheder ender med en delt model. De træner tunge modeller hos en neocloud, hvor kapaciteten er billig og rigelig, og kører den daglige drift der, hvor deres data og resten af forretningen allerede ligger. Det kræver, at du planlægger, hvordan data flyttes mellem miljøerne, men det giver billig træningskapacitet og samtidig nærhed til jeres data.

De største neoclouds og hvordan de adskiller sig

Markedet for neoclouds voksede hurtigt fra 2023 og frem. Omsætningen fra GPU-as-a-Service ventes at overstige 250 milliarder dollar i 2030, op fra omkring 42 milliarder i 2025. Her er de aktører, en dansk køber oftest møder, og hvad der adskiller dem.

CoreWeave er den største rene neocloud og blev børsnoteret på Nasdaq i 2025. I første kvartal af 2026 omsatte selskabet for 2,1 milliarder dollar og havde en ordrebeholdning på 99,4 milliarder dollar med kunder som Microsoft, Meta, OpenAI og NVIDIA. CoreWeave er kendt for tætpakkede, væskekølede klynger og tidlig adgang til nye NVIDIA-kort. Selskabet er også et eksempel på kategoriens bagside, for det havde en gæld på næsten 25 milliarder dollar, fordi kapitaludgifterne løber langt foran omsætningen.

Together AI rejste 800 millioner dollar den 1. juli 2026 og nåede en værdi på 8,3 milliarder dollar, med Aramco Ventures i spidsen og NVIDIA blandt investorerne. Selskabet er specialiseret i inferens på open source-modeller og oplyste årlige ordrer på over 1,15 milliarder dollar. Kunder tæller Cursor, Cognition og Decagon. Together AI er valget, hvis du vil køre åbne modeller billigt i produktion frem for at træne dine egne fra bunden.

Nebius har hovedkvarter i Amsterdam og er den mest oplagte, hvis EU-datalokalitet betyder noget for dig. Selskabet kombinerer europæisk tilstedeværelse med adgang til amerikansk hardware, kører H100 og H200 og har en flerårig aftale med Microsoft til en værdi af 19 milliarder dollar. Nebius er bedre kapitaliseret end de fleste, med mere kontant end gæld, hvilket i en kapitalintensiv branche er en tryghed i sig selv.

Lambda kommer fra en baggrund i AI-arbejdsstationer og henvender sig til udviklere med bare-metal-adgang og gennemsigtige priser. Selskabet rejste 480 millioner dollar i februar 2025 og overvejer en børsnotering. Crusoe har valgt en anden vej og bygger energioptimerede datacentre baseret på vedvarende og ellers spildt energi, med anlæg i blandt andet Island og Norden. Har bæredygtighed en plads i jeres indkøbskrav, er Crusoe værd at kigge på.

Nscale er en europæisk aktør, der er vokset hurtigt. Selskabet rejste 1,3 milliarder dollar og planlægger at udrulle omkring 200.000 NVIDIA GB300-kort på tværs af Europa og USA, blandt andet et anlæg i Norge med 100.000 kort. For nordiske og europæiske virksomheder er den slags kapacitet tæt på hjemmemarkedet interessant, både af hensyn til ventetid og datalokalitet.

Hyperscalerne selv. AWS, Azure og Google Cloud er stadig konkurrenter, for de sælger også GPU'er. Deres styrke er bredden, hvor alt ligger samme sted, og modenheden inden for sikkerhed, overvågning og compliance er høj. Deres svaghed er prisen og tilgængeligheden, hvor de samme H100-kort ofte koster tre til fire gange så meget pr. time og jævnligt er udsolgt. Google og AWS har desuden egne chips, TPU og Trainium, som en neocloud ikke kan matche på pris, hvis din model passer til dem.

Hvor neoclouds er stærkest, og hvor de ikke er. En neocloud vinder på pris pr. GPU-time, på tilgængelig kapacitet og på ydelse for rene AI-opgaver. Den taber på bredde, på modenhed i managed services og på robusthed, fordi mange af aktørerne er unge, stærkt gældsatte og afhængige af NVIDIA. Hvad du bør vælge, afhænger derfor af opgaven. En billig træningsklynge og en robust driftsplatform er ikke nødvendigvis samme leverandør.