Elias legt het onderzoek achter de koppen uit in gewone taal.
Stapsgewijze gidsen over prompts, stijlen en hoe je het meeste uit AI-beeldgeneratie haalt.
Lees de gidsenKies een companion en ontdek wat die van dit verhaal vindt
Hugging Face heeft @huggingface/kernels gepubliceerd, een bibliotheek van 207 WebGPU-rekenkernels — kleine programma's op hardwareniveau die een GPU precies vertellen hoe een wiskundige bewerking uitgevoerd moet worden — waarmee AI-modellen volledig binnen een webbrowser kunnen draaien zonder gegevens naar een externe server te sturen.
@huggingface/kernels van Hugging Face, met bewerkingen van matrixvermenigvuldiging tot attentielagen.Beschouw een kernel als een receptkaart voor de GPU. Wanneer een AI-model twee grote matrices moet vermenigvuldigen — iets wat duizenden keren gebeurt tijdens één enkele beeldgeneratiestap — vertelt de kernel elke GPU-kern precies welke getallen opgehaald moeten worden, hoe ze gecombineerd moeten worden en waar het resultaat opgeslagen moet worden. Zonder een geoptimaliseerde kernel valt dat werk terug op de CPU (traag) of is het afhankelijk van een propriëtaire runtime van Nvidia of Apple.
De kernels van Hugging Face zijn geschreven in WGSL (WebGPU Shading Language), de open shader-taal die elke WebGPU-geschikte browser kan uitvoeren. Dat betekent dat hetzelfde kernelbestand werkt op een MacBook met M-serie chip, een Windows-laptop met een AMD-kaart of een Chromebook — geen stuurprogramma-installatie, geen CUDA-afhankelijkheid.
De architectuurkeuze die het meest van belang is voor ontwikkelaars die AI-kunsttools bouwen, is hoe deze kernels worden gedistribueerd. Elke bewerking — bijvoorbeeld ai.onnx.Add — leeft in zijn eigen Hub-repository met een manifest, correctheidstests, benchmarkgevallen en de WGSL-shadertemplates.
Die structuur betekent dat een browsergebaseerde beeldgenerator alleen de kernels kan ophalen die hij nodig heeft, en dat Hugging Face een prestatiefix naar één kernel kan pushen zonder de rest aan te raken. Voor makers die webnative tools bouwen of gebruiken — denk aan inpainting in de browser of stijloverdracht-apps — is dit het verschil tussen wachten op een volledige runtime-release en 's nachts een gerichte snelheidsverbetering ontvangen.
Volgens de Hugging Face-blog dekt de bibliotheek al de kernbewerkingen die nodig zijn voor op transformers gebaseerde modellen, inclusief de attentie- en feed-forwardlagen die moderne diffusie- en taalmodelarchitecturen domineren.
Voor AI-kunstmakers is de meest directe consequentie economisch en praktisch. Cloud-inferentie voor beeldgeneratie wordt per aanroep of per seconde GPU-tijd gefactureerd. Een browsergebaseerde pipeline met deze kernels heeft eenmalige downloadkosten en draait daarna gratis, op het apparaat, voor onbepaalde tijd. Prompts, referentieafbeeldingen en uitvoer verlaten de machine nooit — relevant voor makers die werken met klantmateriaal of persoonlijke referenties die ze liever niet naar een externe server verzenden.
De afweging is reëel: een laptop-GPU is langzamer dan een cloud-A100, en zeer grote modellen passen nog steeds niet in het browsergeheugen. Maar voor lichtere taken — een kleine upscaler uitvoeren, een LoRA (een fijnafgestelde modeladapter) toepassen om stijl aan te passen, of snelle iteratieve prompttests uitvoeren — is lokale WebGPU-inferentie al praktisch op consumentenhardware in het middensegment.
Makers die willen experimenteren met browsergebaseerde generatie kunnen verkennen wat mogelijk is via Charmloop's AI-beeldgenerator, of door de modelcatalogus te bekijken om te zien welke modelarchitecturen kandidaten zijn voor dit soort lokale implementatie naarmate de tooling volwassener wordt.
De release van 207 kernels is een fundament, geen plafond. Naarmate de adoptie van WebGPU in browsers groeit en de kernelbibliotheek uitbreidt, zal de kloof tussen cloudkwaliteitsgeneratie en volledig lokale generatie kleiner worden — en de handleidingen op Charmloop zullen bijhouden welke workflows als eerste die drempel overschrijden.