Modely hlubokých neuronových sítí, které pohánějí dnešní nejnáročnější aplikace strojového učení, jsou natolik rozsáhlé a složité, že narážejí na limity tradičního elektronického hardwaru. Fotonický hardware, jenž provádí výpočty strojového učení pomocí světla, nabízí rychlejší a energeticky efektivnější alternativu. Až donedávna však existovaly typy výpočtů neuronových sítí, které fotonická zařízení nedokázala realizovat, a bylo nutné využívat externí elektroniku, což snižovalo rychlost i efektivitu.
Ve vývoji, který může předefinovat budoucnost infrastruktury umělé inteligence, představila společnost Lightmatter v dubnu 2025 svůj revoluční fotonický výpočetní čip Envise, navržený pro dramatické snížení spotřeby energie a současné zrychlení AI úloh. Čip Envise – využívající ke zpracování dat světlo namísto elektronů – slibuje řešení rostoucí neefektivity konvenčních křemíkových čipů v době, kdy modely AI vyžadují bezprecedentní výpočetní výkon. S hodnotou 4,4 miliardy dolarů po investičním kole ve výši 850 milionů dolarů se Lightmatter staví do čela nové výpočetní éry.
Fotonické procesory Lightmatter využívají světlo k provádění výpočtů, zejména tenzorových operací, které jsou klíčové pro hluboké učení. Manipulací se světlem prostřednictvím optických komponent, jako jsou vlnovody a čočky, tyto čipy provádějí výpočty rychlostí světla, dosahují téměř elektronické přesnosti a přitom spotřebovávají výrazně méně energie. Například jejich fotonický procesor zvládne 65,5 bilionu operací Adaptive Block Floating-Point 16-bit za sekundu při spotřebě pouhých 78 wattů elektrické energie.
Mezitím společnost Q.ANT představila svůj fotonický server Native Processing Server (NPS) na ISC 2025 v červnu. Postavený na architektuře Q.ANT Light Empowered Native Arithmetic (LENA), NPS dosahuje až 30násobné energetické efektivity oproti konvenčním technologiím a nabízí působivé parametry: 16bitovou plovoucí desetinnou přesnost s 99,7% přesností všech výpočetních operací, o 40–50 % méně operací pro dosažení stejného výsledku a žádnou potřebu aktivního chlazení.
Kromě zlepšení výkonu vědci také prokázali, že i malé kvantové počítače mohou zvýšit výkon strojového učení díky novým fotonickým kvantovým obvodům. Jejich zjištění naznačují, že dnešní kvantová technologie není pouze experimentální – v určitých úlohách již dokáže překonat klasické systémy. Tento fotonický přístup by navíc mohl výrazně snížit spotřebu energie a nabídnout udržitelnou cestu vpřed v době rostoucích energetických nároků strojového učení.
Jak umělá inteligence pokračuje v ohromujícím tempu svého rozvoje, rostoucí poptávka po výpočetním výkonu – zejména u náročných inferenčních úloh, jaké představují generativní AI modely typu ChatGPT – představuje výzvu pro tradiční elektronické výpočetní systémy. Pokroky ve fotonických technologiích vzbudily zájem o fotonické výpočty jako slibnou cestu pro AI. Díky hlubokému propojení AI a fotoniky vzniká inteligentní fotonika jako nově se rozvíjející interdisciplinární obor s velkým potenciálem revolučně změnit praktické aplikace.