I modelli di reti neurali profonde che alimentano le applicazioni di machine learning più esigenti di oggi sono diventati così grandi e complessi da spingere al limite l’hardware di calcolo elettronico tradizionale. L’hardware fotonico, che esegue i calcoli di machine learning con la luce, rappresenta un’alternativa più rapida ed efficiente dal punto di vista energetico. Tuttavia, fino a poco tempo fa, alcuni tipi di calcoli delle reti neurali non potevano essere eseguiti dai dispositivi fotonici, rendendo necessario l’uso di componenti elettronici esterni che ne limitavano velocità ed efficienza.
In una mossa che potrebbe ridefinire il futuro dell’infrastruttura dell’intelligenza artificiale, Lightmatter ha presentato ad aprile 2025 il suo rivoluzionario chip di calcolo fotonico Envise, progettato per ridurre drasticamente il consumo energetico accelerando al contempo i carichi di lavoro dell’IA. Il chip Envise—che sfrutta la luce invece degli elettroni per i calcoli—promette una soluzione alle crescenti inefficienze dei chip in silicio convenzionali, proprio mentre i modelli di IA richiedono potenze di elaborazione senza precedenti. Valutata 4,4 miliardi di dollari dopo un round di finanziamento da 850 milioni, Lightmatter si posiziona così all’avanguardia di un nuovo paradigma computazionale.
I processori fotonici di Lightmatter utilizzano la luce per eseguire calcoli, in particolare le operazioni tensoriali centrali per il deep learning. Manipolando la luce tramite componenti ottici come guide d’onda e lenti, questi chip eseguono calcoli alla velocità della luce, raggiungendo una precisione quasi elettronica con un consumo energetico notevolmente inferiore. Ad esempio, il loro processore fotonico esegue 65,5 trilioni di operazioni Adaptive Block Floating-Point a 16 bit al secondo utilizzando solo 78 watt di energia elettrica.
Nel frattempo, Q.ANT ha presentato il suo server fotonico Native Processing Server (NPS) all’ISC 2025 a giugno. Basato sull’architettura Light Empowered Native Arithmetic (LENA) di Q.ANT, il NPS offre fino a 30 volte l’efficienza energetica delle tecnologie convenzionali con specifiche impressionanti: precisione floating point a 16 bit con il 99,7% di accuratezza per tutte le operazioni computazionali, il 40–50% di operazioni in meno per ottenere lo stesso risultato e nessuna necessità di infrastrutture di raffreddamento attivo.
Oltre ai miglioramenti prestazionali, i ricercatori hanno anche dimostrato che persino computer quantistici di piccola scala possono migliorare le prestazioni del machine learning utilizzando nuovi circuiti quantistici fotonici. I loro risultati suggeriscono che la tecnologia quantistica attuale non è più solo sperimentale—può già superare i sistemi classici in compiti specifici. In particolare, questo approccio fotonico potrebbe anche ridurre drasticamente il consumo energetico, offrendo una strada sostenibile per il futuro, dato l’aumento della domanda energetica del machine learning.
Mentre l’intelligenza artificiale continua la sua straordinaria evoluzione, la crescente richiesta di potenza di calcolo—soprattutto nei compiti di inferenza più impegnativi, come quelli dei modelli generativi tipo ChatGPT—pone sfide ai sistemi elettronici convenzionali. I progressi nella tecnologia fotonica hanno acceso l’interesse verso il calcolo fotonico come modalità promettente per l’IA. Attraverso la profonda fusione tra IA e tecnologie fotoniche, la fotonica intelligente si sta sviluppando come nuovo campo interdisciplinare con un potenziale significativo per rivoluzionare le applicazioni pratiche.