Ang mga deep neural network model na nagpapatakbo sa pinaka-demanding na aplikasyon ng machine learning ngayon ay lumaki at naging mas kumplikado, kaya't umaabot na sa hangganan ng kakayahan ng tradisyonal na electronic computing hardware. Ang photonic hardware, na gumagamit ng liwanag para sa mga kalkulasyon ng machine learning, ay nag-aalok ng mas mabilis at mas matipid na alternatibo. Gayunpaman, hanggang kamakailan lamang, may ilang uri ng neural network computations na hindi kayang gawin ng mga photonic device, kaya't kinakailangan pa rin ang mga off-chip electronics na nagpapabagal at nagpapababa ng bisa.
Sa isang hakbang na maaaring magtakda ng bagong direksyon para sa imprastraktura ng artificial intelligence, inilunsad ng Lightmatter ang rebolusyonaryong Envise photonic computing chip noong Abril 2025. Dinisenyo ito upang lubhang bawasan ang konsumo ng enerhiya habang pinapabilis ang mga AI workload. Ang Envise chip—na gumagamit ng liwanag imbes na elektron para sa mga kalkulasyon—ay nag-aalok ng solusyon sa lumalalang hindi episyenteng paggamit ng mga tradisyonal na silicon chip, kasabay ng tumataas na pangangailangan ng AI models sa processing power. Tinatayang nagkakahalaga na ng $4.4 bilyon matapos ang $850 milyong pondo, itinatampok ng Lightmatter ang sarili bilang lider sa bagong paradigma ng computing.
Gumagamit ang mga photonic processor ng Lightmatter ng liwanag para magsagawa ng mga kalkulasyon, partikular sa tensor operations na sentro ng deep learning. Sa pamamagitan ng pagmamanipula ng liwanag gamit ang mga optical component tulad ng waveguides at lente, nagagawa ng mga chip na ito ang mga kalkulasyon sa bilis ng liwanag, na may halos electronic na katumpakan ngunit mas mababa ang konsumo ng kuryente. Halimbawa, ang kanilang photonic processor ay nakakagawa ng 65.5 trilyong Adaptive Block Floating-Point 16-bit operations kada segundo gamit lamang ang 78 watts ng kuryente.
Samantala, ipinakita ng Q.ANT ang kanilang photonic Native Processing Server (NPS) sa ISC 2025 noong Hunyo. Gamit ang Light Empowered Native Arithmetic (LENA) architecture ng Q.ANT, ang NPS ay nagbibigay ng hanggang 30 beses na mas episyente sa enerhiya kumpara sa karaniwang teknolohiya, may 16-bit floating point precision na may 99.7% na katumpakan para sa lahat ng computational operations, 40–50% na mas kaunting operasyon para sa kaparehong output, at hindi na kailangan ng aktibong cooling infrastructure.
Higit pa sa pagpapahusay ng performance, ipinakita rin ng mga mananaliksik na kahit ang maliliit na quantum computer ay kayang pagbutihin ang performance ng machine learning gamit ang mga bagong photonic quantum circuit. Ipinapahiwatig ng kanilang mga natuklasan na ang kasalukuyang quantum technology ay hindi na lamang pang-eksperimento—kaya na nitong higitan ang mga klasikong sistema sa ilang partikular na gawain. Mahalaga ring tandaan na ang photonic na pamamaraan na ito ay maaaring magbawas nang malaki sa konsumo ng enerhiya, na nagbibigay ng mas napapanatiling landas habang patuloy na tumataas ang pangangailangan ng machine learning sa kuryente.
Habang patuloy ang mabilis na pagsulong ng artificial intelligence, ang lumalaking pangangailangan para sa computing power—lalo na sa mga mabibigat na inference task gaya ng generative AI models tulad ng ChatGPT—ay nagdudulot ng hamon sa mga tradisyonal na electronic computing system. Ang mga pag-unlad sa photonics technology ay nagpasiklab ng interes sa photonic computing bilang isang maaasahang paraan para sa AI computing. Sa malalim na pagsasanib ng AI at photonics technologies, umuusbong ang intelligent photonics bilang isang bagong larangan na may malaking potensyal na baguhin ang mga praktikal na aplikasyon.