Model rangkaian neural mendalam yang menggerakkan aplikasi pembelajaran mesin paling menuntut hari ini telah menjadi sangat besar dan kompleks sehingga ia mendorong had perkakasan pengkomputeran elektronik tradisional. Perkakasan fotonik, yang menjalankan pengiraan pembelajaran mesin menggunakan cahaya, menawarkan alternatif yang lebih pantas dan cekap tenaga. Namun, sehingga baru-baru ini, terdapat beberapa jenis pengiraan rangkaian neural yang tidak dapat dilakukan oleh peranti fotonik, memerlukan elektronik luar cip yang menjejaskan kelajuan dan kecekapan.
Dalam satu langkah yang berpotensi mentakrifkan semula masa depan infrastruktur kecerdasan buatan, Lightmatter memperkenalkan cip pengkomputeran fotonik revolusioner mereka, Envise, pada April 2025, yang direka untuk mengurangkan penggunaan tenaga secara drastik sambil mempercepatkan beban kerja AI. Cip Envise—yang menggunakan cahaya dan bukannya elektron untuk pengiraan—menjanjikan penyelesaian kepada ketidakcekapan cip silikon konvensional yang semakin meningkat, seiring permintaan kuasa pemprosesan AI yang belum pernah berlaku sebelum ini. Dinilai pada $4.4 bilion selepas pusingan pembiayaan $850 juta, Lightmatter meletakkan dirinya di barisan hadapan paradigma pengkomputeran baharu.
Pemproses fotonik Lightmatter menggunakan cahaya untuk melakukan pengiraan, khususnya operasi tensor yang menjadi teras pembelajaran mendalam. Dengan memanipulasi cahaya melalui komponen optik seperti pandu gelombang dan kanta, cip ini melaksanakan pengiraan pada kelajuan cahaya, mencapai ketepatan hampir setara elektronik sambil menggunakan tenaga yang jauh lebih rendah. Sebagai contoh, pemproses fotonik mereka melaksanakan 65.5 trilion operasi Adaptive Block Floating-Point 16-bit sesaat dengan hanya menggunakan 78 watt kuasa elektrik.
Sementara itu, Q.ANT telah mempersembahkan pelayan Native Processing Server (NPS) fotonik mereka di ISC 2025 pada bulan Jun. Dibina berasaskan seni bina Light Empowered Native Arithmetic (LENA) milik Q.ANT, NPS menawarkan sehingga 30 kali kecekapan tenaga berbanding teknologi konvensional dengan spesifikasi mengagumkan: ketepatan titik terapung 16-bit dengan 99.7% ketepatan untuk semua operasi pengiraan, 40–50% kurang operasi diperlukan untuk output setara, dan tiada keperluan untuk infrastruktur penyejukan aktif.
Selain peningkatan prestasi, para penyelidik juga telah menunjukkan bahawa komputer kuantum berskala kecil sekalipun boleh meningkatkan prestasi pembelajaran mesin menggunakan litar kuantum fotonik baharu. Penemuan mereka mencadangkan bahawa teknologi kuantum masa kini bukan sekadar eksperimen—ia sudah mampu mengatasi sistem klasik dalam tugas-tugas tertentu. Pendekatan fotonik ini juga berpotensi mengurangkan penggunaan tenaga secara drastik, menawarkan laluan mampan ketika keperluan kuasa pembelajaran mesin terus melonjak.
Seiring kecerdasan buatan terus melonjak ke hadapan, permintaan pengkomputeran yang semakin meningkat—terutamanya dalam tugas inferens yang mencabar seperti model AI generatif seperti ChatGPT—menimbulkan cabaran kepada sistem pengkomputeran elektronik konvensional. Kemajuan dalam teknologi fotonik telah membangkitkan minat terhadap pengkomputeran fotonik sebagai mod pengkomputeran AI yang menjanjikan. Melalui gabungan mendalam teknologi AI dan fotonik, fotonik pintar sedang berkembang sebagai bidang antara disiplin yang berpotensi besar untuk merevolusikan aplikasi praktikal.