Les modèles de réseaux neuronaux profonds qui alimentent les applications d'apprentissage automatique les plus exigeantes d'aujourd'hui sont devenus si vastes et complexes qu'ils repoussent les limites du matériel informatique électronique traditionnel. Le matériel photonique, qui effectue des calculs d'apprentissage automatique à l'aide de la lumière, offre une alternative plus rapide et plus économe en énergie. Cependant, jusqu'à récemment, certains types de calculs de réseaux neuronaux étaient impossibles à réaliser avec des dispositifs photoniques, nécessitant ainsi des composants électroniques externes qui freinaient la vitesse et l'efficacité.
Dans un mouvement susceptible de redéfinir l'avenir de l'infrastructure de l'intelligence artificielle, Lightmatter a dévoilé en avril 2025 sa puce de calcul photonique révolutionnaire Envise, conçue pour réduire drastiquement la consommation d'énergie tout en accélérant les charges de travail en IA. La puce Envise—qui exploite la lumière au lieu des électrons pour effectuer des calculs—promet une solution aux inefficacités croissantes des puces en silicium conventionnelles, alors que les modèles d'IA exigent une puissance de traitement sans précédent. Valorisé à 4,4 milliards de dollars après une levée de fonds de 850 millions de dollars, Lightmatter se positionne à l'avant-garde d'un nouveau paradigme informatique.
Les processeurs photoniques de Lightmatter utilisent la lumière pour effectuer des calculs, notamment les opérations tensorielles au cœur de l'apprentissage profond. En manipulant la lumière à travers des composants optiques tels que des guides d'ondes et des lentilles, ces puces réalisent des calculs à la vitesse de la lumière, atteignant une précision proche de l'électronique tout en consommant beaucoup moins d'énergie. Par exemple, leur processeur photonique effectue 65,5 mille milliards d'opérations Adaptive Block Floating-Point 16 bits par seconde en n'utilisant que 78 watts d'énergie électrique.
Parallèlement, Q.ANT a présenté son serveur photonic Native Processing Server (NPS) lors de l'ISC 2025 en juin. Basé sur l'architecture Light Empowered Native Arithmetic (LENA) de Q.ANT, le NPS offre jusqu'à 30 fois l'efficacité énergétique des technologies conventionnelles avec des spécifications impressionnantes : une précision en virgule flottante 16 bits avec 99,7 % de précision pour toutes les opérations de calcul, 40 à 50 % d'opérations en moins pour un résultat équivalent, et aucune nécessité d'infrastructure de refroidissement active.
Au-delà des gains de performance, des chercheurs ont également démontré que même des ordinateurs quantiques de petite taille peuvent améliorer les performances de l'apprentissage automatique grâce à de nouveaux circuits quantiques photoniques. Leurs résultats suggèrent que la technologie quantique actuelle n'est pas seulement expérimentale—elle peut déjà surpasser les systèmes classiques sur certaines tâches. Notamment, cette approche photonique pourrait aussi réduire drastiquement la consommation d'énergie, offrant une voie durable alors que les besoins énergétiques de l'apprentissage automatique explosent.
À mesure que l'intelligence artificielle poursuit ses avancées spectaculaires, la demande croissante en puissance de calcul—en particulier pour les tâches d'inférence exigeantes illustrées par des modèles génératifs comme ChatGPT—pose des défis aux systèmes électroniques traditionnels. Les progrès de la photonique ont suscité un intérêt croissant pour l'informatique photonique comme modalité prometteuse pour le calcul en IA. Grâce à la fusion profonde de l'IA et des technologies photoniques, la photonique intelligente émerge comme un nouveau champ interdisciplinaire porteur d'un potentiel majeur pour révolutionner les applications concrètes.