Τα μοντέλα βαθιών νευρωνικών δικτύων που τροφοδοτούν τις πιο απαιτητικές εφαρμογές μηχανικής μάθησης σήμερα έχουν γίνει τόσο μεγάλα και πολύπλοκα που ωθούν στα όρια το παραδοσιακό ηλεκτρονικό υλικό υπολογιστών. Το φωτονικό υλικό, το οποίο εκτελεί υπολογισμούς μηχανικής μάθησης με φως, προσφέρει μια ταχύτερη και πιο ενεργειακά αποδοτική εναλλακτική. Ωστόσο, μέχρι πρόσφατα, υπήρχαν ορισμένοι τύποι υπολογισμών νευρωνικών δικτύων που τα φωτονικά συστήματα δεν μπορούσαν να εκτελέσουν, απαιτώντας εξωτερικά ηλεκτρονικά που περιόριζαν την ταχύτητα και την αποδοτικότητα.
Σε μια κίνηση που θα μπορούσε να επαναπροσδιορίσει το μέλλον της υποδομής τεχνητής νοημοσύνης, η Lightmatter παρουσίασε τον επαναστατικό φωτονικό επεξεργαστή Envise τον Απρίλιο του 2025, σχεδιασμένο να μειώνει δραστικά την κατανάλωση ενέργειας ενώ επιταχύνει τα φορτία εργασίας AI. Το τσιπ Envise—που αξιοποιεί το φως αντί για ηλεκτρόνια στους υπολογισμούς—υπόσχεται λύση στις αυξανόμενες αναποτελεσματικότητες των συμβατικών πυριτιούχων τσιπ, τη στιγμή που τα μοντέλα AI απαιτούν πρωτοφανή υπολογιστική ισχύ. Με αποτίμηση 4,4 δισεκατομμυρίων δολαρίων μετά από γύρο χρηματοδότησης 850 εκατομμυρίων, η Lightmatter τοποθετείται στην αιχμή ενός νέου υπολογιστικού παραδείγματος.
Οι φωτονικοί επεξεργαστές της Lightmatter χρησιμοποιούν φως για να εκτελούν υπολογισμούς, ειδικά τελεστές τανυστών που είναι κεντρικοί στη βαθιά μάθηση. Με την κατεύθυνση του φωτός μέσω οπτικών εξαρτημάτων όπως κυματοδηγοί και φακοί, αυτά τα τσιπ εκτελούν υπολογισμούς με την ταχύτητα του φωτός, επιτυγχάνοντας σχεδόν ηλεκτρονική ακρίβεια ενώ καταναλώνουν σημαντικά λιγότερη ενέργεια. Για παράδειγμα, ο φωτονικός τους επεξεργαστής εκτελεί 65,5 τρισεκατομμύρια λειτουργίες Adaptive Block Floating-Point 16-bit ανά δευτερόλεπτο χρησιμοποιώντας μόλις 78 βατ ηλεκτρικής ισχύος.
Την ίδια στιγμή, η Q.ANT παρουσίασε τον φωτονικό εξυπηρετητή Native Processing Server (NPS) στο ISC 2025 τον Ιούνιο. Βασισμένος στην αρχιτεκτονική Light Empowered Native Arithmetic (LENA) της Q.ANT, ο NPS προσφέρει έως και 30 φορές μεγαλύτερη ενεργειακή απόδοση από τις συμβατικές τεχνολογίες με εντυπωσιακές προδιαγραφές: ακρίβεια κινητής υποδιαστολής 16-bit με 99,7% ορθότητα για όλες τις υπολογιστικές λειτουργίες, 40–50% λιγότερες απαιτούμενες λειτουργίες για αντίστοιχο αποτέλεσμα και μηδενική ανάγκη για ενεργή ψύξη.
Πέρα από τις βελτιώσεις στην απόδοση, οι ερευνητές έχουν επίσης δείξει ότι ακόμη και μικρής κλίμακας κβαντικοί υπολογιστές μπορούν να ενισχύσουν την απόδοση της μηχανικής μάθησης χρησιμοποιώντας καινοτόμα φωτονικά κβαντικά κυκλώματα. Τα ευρήματά τους υποδηλώνουν ότι η σημερινή κβαντική τεχνολογία δεν είναι απλώς πειραματική—ήδη μπορεί να ξεπεράσει τα κλασικά συστήματα σε συγκεκριμένες εργασίες. Αξιοσημείωτα, αυτή η φωτονική προσέγγιση θα μπορούσε επίσης να μειώσει δραστικά την κατανάλωση ενέργειας, προσφέροντας μια βιώσιμη πορεία καθώς οι ενεργειακές ανάγκες της μηχανικής μάθησης εκτοξεύονται.
Καθώς η τεχνητή νοημοσύνη συνεχίζει τα εντυπωσιακά της άλματα, η αυξανόμενη ζήτηση για υπολογιστική ισχύ—ειδικά σε απαιτητικές εργασίες inference όπως τα γενετικά μοντέλα AI τύπου ChatGPT—δημιουργεί προκλήσεις για τα συμβατικά ηλεκτρονικά συστήματα. Οι εξελίξεις στη φωτονική τεχνολογία έχουν πυροδοτήσει το ενδιαφέρον για τη φωτονική υπολογιστική ως μια πολλά υποσχόμενη μέθοδο υπολογισμού AI. Μέσα από τη βαθιά σύζευξη τεχνολογιών AI και φωτονικής, η έξυπνη φωτονική αναπτύσσεται ως ένα αναδυόμενο διεπιστημονικό πεδίο με σημαντικές δυνατότητες να φέρει επανάσταση σε πρακτικές εφαρμογές.