Los modelos de redes neuronales profundas que impulsan las aplicaciones de aprendizaje automático más exigentes de la actualidad han crecido tanto en tamaño como en complejidad que están llevando al límite el hardware de computación electrónica tradicional. El hardware fotónico, que realiza cálculos de aprendizaje automático utilizando luz, ofrece una alternativa más rápida y eficiente energéticamente. Sin embargo, hasta hace poco, existían ciertos tipos de cálculos de redes neuronales que los dispositivos fotónicos no podían realizar, lo que requería el uso de electrónica externa que lastraba la velocidad y la eficiencia.
En un movimiento que podría redefinir el futuro de la infraestructura de inteligencia artificial, Lightmatter presentó en abril de 2025 su revolucionario chip de computación fotónica Envise, diseñado para reducir drásticamente el consumo energético y acelerar las cargas de trabajo de IA. El chip Envise—que utiliza la luz en lugar de electrones para los cálculos—promete ser la solución a las crecientes ineficiencias de los chips de silicio convencionales, justo cuando los modelos de IA exigen una potencia de procesamiento sin precedentes. Valorada en 4.400 millones de dólares tras una ronda de financiación de 850 millones, Lightmatter se posiciona a la vanguardia de un nuevo paradigma computacional.
Los procesadores fotónicos de Lightmatter emplean la luz para realizar cálculos, especialmente operaciones tensoriales fundamentales para el aprendizaje profundo. Manipulando la luz a través de componentes ópticos como guías de onda y lentes, estos chips ejecutan cálculos a la velocidad de la luz, alcanzando una precisión casi electrónica y consumiendo considerablemente menos energía. Por ejemplo, su procesador fotónico realiza 65,5 billones de operaciones Adaptive Block Floating-Point de 16 bits por segundo utilizando solo 78 vatios de energía eléctrica.
Mientras tanto, Q.ANT presentó su servidor fotónico Native Processing Server (NPS) en el ISC 2025 en junio. Basado en la arquitectura Light Empowered Native Arithmetic (LENA) de Q.ANT, el NPS ofrece hasta 30 veces más eficiencia energética que las tecnologías convencionales, con especificaciones impresionantes: precisión de coma flotante de 16 bits con un 99,7% de exactitud en todas las operaciones computacionales, entre un 40% y un 50% menos de operaciones necesarias para obtener el mismo resultado y sin necesidad de infraestructura de refrigeración activa.
Más allá de las mejoras en rendimiento, los investigadores también han demostrado que incluso los ordenadores cuánticos a pequeña escala pueden mejorar el rendimiento del aprendizaje automático mediante nuevos circuitos cuánticos fotónicos. Sus hallazgos sugieren que la tecnología cuántica actual no es solo experimental, sino que ya puede superar a los sistemas clásicos en tareas específicas. De manera destacada, este enfoque fotónico también podría reducir drásticamente el consumo energético, ofreciendo una vía sostenible a medida que aumentan las necesidades energéticas del aprendizaje automático.
A medida que la inteligencia artificial sigue avanzando a pasos agigantados, la creciente demanda de potencia de cálculo—especialmente en tareas de inferencia exigentes como las que ejemplifican los modelos generativos de IA, como ChatGPT—plantea retos para los sistemas electrónicos convencionales. Los avances en tecnología fotónica han despertado el interés por la computación fotónica como modalidad prometedora para la IA. Gracias a la profunda fusión entre la IA y las tecnologías fotónicas, la fotónica inteligente se está desarrollando como un campo interdisciplinar emergente con gran potencial para revolucionar aplicaciones prácticas.