Modeli dubokih neuronskih mreža koji pokreću najzahtjevnije današnje aplikacije strojnog učenja postali su toliko veliki i složeni da pomiču granice tradicionalnog elektroničkog hardvera. Fotonika hardver, koji izvodi izračune strojnog učenja pomoću svjetlosti, nudi bržu i energetski učinkovitiju alternativu. Međutim, do nedavno su postojale vrste izračuna neuronskih mreža koje fotonički uređaji nisu mogli izvesti, što je zahtijevalo vanjske elektroničke komponente i time smanjivalo brzinu i učinkovitost.
U potezu koji bi mogao redefinirati budućnost infrastrukture umjetne inteligencije, Lightmatter je u travnju 2025. predstavio svoj revolucionarni fotonički računalni čip Envise, dizajniran za drastično smanjenje potrošnje energije uz istovremeno ubrzanje AI radnih opterećenja. Envise čip — koji koristi svjetlost umjesto elektrona za izračune — obećava rješenje za rastuću neučinkovitost konvencionalnih silicijskih čipova, upravo dok AI modeli zahtijevaju neviđenu računalnu snagu. S procijenjenom vrijednošću od 4,4 milijarde dolara nakon investicijskog kruga od 850 milijuna dolara, Lightmatter se pozicionira na čelo nove računalne paradigme.
Lightmatterovi fotonički procesori koriste svjetlost za izvođenje izračuna, posebno tenzorskih operacija koje su ključne za duboko učenje. Manipuliranjem svjetlosti kroz optičke komponente poput valovoda i leća, ovi čipovi izvode izračune brzinom svjetlosti, postižući gotovo elektroničku preciznost uz znatno manju potrošnju energije. Na primjer, njihov fotonički procesor izvodi 65,5 trilijuna Adaptive Block Floating-Point 16-bitnih operacija u sekundi koristeći samo 78 vata električne energije.
U međuvremenu, Q.ANT je na ISC 2025 u lipnju demonstrirao svoj fotonički Native Processing Server (NPS). Temeljen na Q.ANT-ovoj arhitekturi Light Empowered Native Arithmetic (LENA), NPS donosi do 30 puta veću energetsku učinkovitost u odnosu na konvencionalne tehnologije uz impresivne specifikacije: 16-bitnu floating point preciznost s 99,7% točnosti za sve računske operacije, 40–50% manje potrebnih operacija za ekvivalentan rezultat i bez potrebe za aktivnim sustavima hlađenja.
Osim poboljšanja performansi, istraživači su pokazali i da čak i kvantna računala malih razmjera mogu unaprijediti performanse strojnog učenja koristeći nove fotoničke kvantne sklopove. Njihova otkrića sugeriraju da današnja kvantna tehnologija nije samo eksperimentalna — već sada može nadmašiti klasične sustave u određenim zadacima. Posebno, ovaj fotonički pristup mogao bi drastično smanjiti potrošnju energije, nudeći održiv put naprijed dok potrebe za energijom strojnog učenja rastu.
Kako umjetna inteligencija nastavlja spektakularan napredak, rastuća potražnja za računalnom snagom — osobito u zahtjevnim inferencijskim zadacima koje predstavljaju generativni AI modeli poput ChatGPT-a — predstavlja izazove za konvencionalne elektroničke računalne sustave. Napredak u fotoničkoj tehnologiji potaknuo je interes za fotoničko računalstvo kao obećavajući modalitet za AI. Kroz duboku fuziju AI-ja i fotoničkih tehnologija, inteligentna fotonika razvija se kao novo interdisciplinarno područje s velikim potencijalom za revoluciju u praktičnim primjenama.