Model jaringan saraf dalam yang mendukung aplikasi machine learning paling menuntut saat ini telah tumbuh sangat besar dan kompleks, hingga mendorong batas perangkat keras komputasi elektronik tradisional. Perangkat keras fotonik, yang melakukan komputasi machine learning dengan cahaya, menawarkan alternatif yang lebih cepat dan hemat energi. Namun, hingga baru-baru ini, terdapat beberapa jenis komputasi jaringan saraf yang belum dapat dilakukan perangkat fotonik, sehingga masih membutuhkan elektronik di luar chip yang menghambat kecepatan dan efisiensi.
Dalam langkah yang berpotensi mendefinisikan ulang masa depan infrastruktur kecerdasan buatan, Lightmatter meluncurkan chip komputasi fotonik revolusioner bernama Envise pada April 2025, yang dirancang untuk secara drastis mengurangi konsumsi energi sekaligus mempercepat beban kerja AI. Chip Envise—yang memanfaatkan cahaya alih-alih elektron untuk komputasi—menawarkan solusi atas meningkatnya ketidakefisienan chip silikon konvensional, tepat saat model AI menuntut daya pemrosesan yang belum pernah terjadi sebelumnya. Dengan valuasi sebesar $4,4 miliar setelah putaran pendanaan $850 juta, Lightmatter menempatkan diri di garis depan paradigma komputasi baru.
Prosesor fotonik milik Lightmatter menggunakan cahaya untuk melakukan komputasi, khususnya operasi tensor yang menjadi inti pembelajaran mendalam. Dengan memanipulasi cahaya melalui komponen optik seperti waveguide dan lensa, chip ini mengeksekusi perhitungan secepat cahaya, mencapai presisi mendekati elektronik sambil mengonsumsi daya jauh lebih rendah. Sebagai contoh, prosesor fotonik mereka mampu melakukan 65,5 triliun operasi Adaptive Block Floating-Point 16-bit per detik hanya dengan 78 watt daya listrik.
Sementara itu, Q.ANT mendemonstrasikan server Native Processing Server (NPS) berbasis fotonik pada ajang ISC 2025 bulan Juni. Dibangun di atas arsitektur Light Empowered Native Arithmetic (LENA) milik Q.ANT, NPS menawarkan efisiensi energi hingga 30 kali lipat dibandingkan teknologi konvensional dengan spesifikasi mengesankan: presisi floating point 16-bit dengan akurasi 99,7% untuk semua operasi komputasi, kebutuhan operasi 40–50% lebih sedikit untuk hasil setara, serta tanpa memerlukan infrastruktur pendinginan aktif.
Selain peningkatan performa, para peneliti juga menunjukkan bahwa bahkan komputer kuantum skala kecil dapat meningkatkan performa machine learning menggunakan sirkuit kuantum fotonik inovatif. Temuan mereka mengindikasikan bahwa teknologi kuantum saat ini bukan sekadar eksperimen—namun sudah dapat melampaui sistem klasik pada tugas-tugas tertentu. Pendekatan fotonik ini juga berpotensi secara drastis mengurangi konsumsi energi, menawarkan jalur berkelanjutan seiring kebutuhan daya machine learning yang terus melonjak.
Seiring kecerdasan buatan terus melaju pesat, permintaan akan daya komputasi—terutama pada tugas inferensi berat seperti yang dicontohkan model generatif seperti ChatGPT—menjadi tantangan bagi sistem komputasi elektronik konvensional. Kemajuan teknologi fotonik telah memicu minat terhadap komputasi fotonik sebagai moda komputasi AI yang menjanjikan. Melalui perpaduan mendalam antara AI dan teknologi fotonik, fotonik cerdas berkembang sebagai bidang interdisipliner baru yang berpotensi merevolusi aplikasi praktis secara signifikan.