Моделите на дълбоки невронни мрежи, които задвижват най-взискателните приложения за машинно обучение днес, са станали толкова големи и сложни, че достигат границите на традиционния електронен хардуер. Фотонният хардуер, който извършва изчисления за машинно обучение със светлина, предлага по-бърза и по-енергийно ефективна алтернатива. Доскоро обаче имаше видове изчисления в невронните мрежи, които фотонните устройства не можеха да изпълняват, което налагаше използването на външна електроника и ограничаваше скоростта и ефективността.
В ход, който може да преосмисли бъдещето на инфраструктурата за изкуствен интелект, Lightmatter представи през април 2025 г. революционния си фотонен изчислителен чип Envise, проектиран да намали драстично енергопотреблението, като същевременно ускорява AI натоварванията. Чипът Envise — който използва светлина вместо електрони за изчисления — обещава решение на нарастващата неефективност на конвенционалните силициеви чипове, точно когато AI моделите изискват безпрецедентна изчислителна мощ. С оценка от 4,4 милиарда долара след кръг на финансиране от 850 милиона долара, Lightmatter се позиционира начело на новия изчислителен парадигъм.
Фотонните процесори на Lightmatter използват светлина за извършване на изчисления, особено тензорни операции, които са в основата на дълбокото обучение. Чрез манипулиране на светлината посредством оптични компоненти като вълноводи и лещи, тези чипове изпълняват изчисления със скоростта на светлината, постигайки почти електронна прецизност при значително по-ниска консумация на енергия. Например, техният фотонен процесор извършва 65,5 трилиона адаптивни блокови плаващи операции с 16-битова точност в секунда, използвайки само 78 вата електрическа енергия.
Междувременно Q.ANT демонстрира своя фотонен Native Processing Server (NPS) на ISC 2025 през юни. Изграден върху архитектурата Light Empowered Native Arithmetic (LENA) на Q.ANT, NPS осигурява до 30 пъти по-висока енергийна ефективност спрямо конвенционалните технологии и впечатляващи спецификации: 16-битова плаваща точка с 99,7% точност за всички изчислителни операции, 40–50% по-малко операции за еквивалентен изход и липса на необходимост от активна охладителна инфраструктура.
Освен подобренията в производителността, изследователите показаха, че дори малки квантови компютри могат да подобрят ефективността на машинното обучение чрез нови фотонни квантови схеми. Техните открития подсказват, че днешната квантова технология не е просто експериментална — тя вече може да надмине класическите системи при определени задачи. Особено важно е, че този фотонен подход може драстично да намали енергопотреблението, предлагайки устойчив път напред с нарастващите енергийни нужди на машинното обучение.
Докато изкуственият интелект продължава да прави главозамайващи скокове напред, нарастващото търсене на изчислителна мощ — особено при взискателни задачи по инференция, характерни за генеративни AI модели като ChatGPT — поставя предизвикателства пред конвенционалните електронни изчислителни системи. Напредъкът във фотонните технологии разпали интереса към фотонните изчисления като обещаващ подход за AI изчисления. Чрез дълбокото сливане на AI и фотонните технологии, интелигентната фотоника се развива като нова интердисциплинарна област с огромен потенциал да революционизира практическите приложения.