Los modelos de redes neuronales profundas que impulsan las aplicaciones de aprendizaje automático más exigentes de la actualidad se han vuelto tan grandes y complejos que están llevando al límite el hardware de cómputo electrónico tradicional. El hardware fotónico, que realiza cálculos de aprendizaje automático utilizando luz, ofrece una alternativa más rápida y eficiente en consumo energético. 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 componentes electrónicos externos que frenaban la velocidad y 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 cómputo fotónico Envise, diseñado para reducir drásticamente el consumo de energía mientras acelera las cargas de trabajo de IA. El chip Envise—que utiliza luz en lugar de electrones para los cálculos—promete una solución a las crecientes ineficiencias de los chips de silicio convencionales, justo cuando los modelos de IA exigen un poder de procesamiento sin precedentes. Valuada en 4,400 millones de dólares tras una ronda de financiamiento de 850 millones, Lightmatter se posiciona a la vanguardia de un nuevo paradigma computacional.
Los procesadores fotónicos de Lightmatter emplean luz para realizar cálculos, especialmente operaciones tensoriales centrales en 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.
Por su parte, Q.ANT demostró su servidor fotónico Native Processing Server (NPS) en 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 punto flotante de 16 bits con 99.7% de exactitud en todas las operaciones computacionales, entre 40 y 50% menos operaciones requeridas para un resultado equivalente y sin necesidad de infraestructura de enfriamiento activo.
Más allá de las mejoras en rendimiento, investigadores también han demostrado que incluso computadoras cuánticas de pequeña escala pueden potenciar el aprendizaje automático utilizando novedosos circuitos cuánticos fotónicos. Sus hallazgos sugieren que la tecnología cuántica actual no es solo experimental—ya puede superar a los sistemas clásicos en tareas específicas. De manera destacada, este enfoque fotónico también podría reducir drásticamente el consumo energético, ofreciendo un camino sostenible ante el creciente requerimiento de energía del aprendizaje automático.
A medida que la inteligencia artificial continúa avanzando a pasos agigantados, la creciente demanda de poder de cómputo—especialmente en tareas de inferencia exigentes como las de modelos generativos tipo ChatGPT—plantea desafíos para los sistemas electrónicos convencionales. Los avances en tecnología fotónica han despertado interés en la computación fotónica como una modalidad prometedora para la IA. Gracias a la profunda fusión entre inteligencia artificial y tecnologías fotónicas, la fotónica inteligente se está desarrollando como un campo interdisciplinario emergente con gran potencial para revolucionar aplicaciones prácticas.