Modele głębokich sieci neuronowych napędzające najbardziej wymagające dzisiejsze zastosowania uczenia maszynowego stały się tak duże i złożone, że zbliżają się do granic możliwości tradycyjnego sprzętu elektronicznego. Sprzęt fotoniczny, wykonujący obliczenia uczenia maszynowego za pomocą światła, oferuje szybszą i bardziej energooszczędną alternatywę. Jednak do niedawna pewne typy obliczeń sieci neuronowych były poza zasięgiem urządzeń fotonicznych, co wymuszało użycie zewnętrznej elektroniki, ograniczając szybkość i efektywność.
W ruchu, który może zdefiniować przyszłość infrastruktury sztucznej inteligencji, firma Lightmatter zaprezentowała w kwietniu 2025 roku rewolucyjny chip fotoniczny Envise, zaprojektowany, by drastycznie ograniczyć zużycie energii przy jednoczesnym przyspieszeniu obciążeń AI. Chip Envise — wykorzystujący światło zamiast elektronów do obliczeń — stanowi odpowiedź na rosnącą nieefektywność konwencjonalnych układów krzemowych, właśnie wtedy, gdy modele AI wymagają bezprecedensowej mocy obliczeniowej. Po wycenie na 4,4 miliarda dolarów po rundzie finansowania w wysokości 850 milionów dolarów, Lightmatter pozycjonuje się na czele nowego paradygmatu obliczeniowego.
Procesory fotoniczne Lightmatter wykorzystują światło do wykonywania obliczeń, w szczególności operacji tensorowych kluczowych dla głębokiego uczenia. Manipulując światłem za pomocą komponentów optycznych, takich jak światłowody i soczewki, chipy te realizują obliczenia z prędkością światła, osiągając precyzję zbliżoną do elektronicznej przy znacznie mniejszym zużyciu energii. Przykładowo, ich procesor fotoniczny wykonuje 65,5 biliona operacji Adaptive Block Floating-Point 16-bit na sekundę, zużywając jedynie 78 watów energii elektrycznej.
Tymczasem firma Q.ANT zaprezentowała swój fotoniczny serwer Native Processing Server (NPS) podczas ISC 2025 w czerwcu. Bazując na architekturze Light Empowered Native Arithmetic (LENA), NPS zapewnia do 30 razy większą efektywność energetyczną w porównaniu z konwencjonalnymi technologiami, oferując imponujące parametry: precyzję obliczeń zmiennoprzecinkowych 16-bit z dokładnością 99,7% dla wszystkich operacji, 40–50% mniej operacji dla uzyskania równoważnych wyników oraz brak konieczności stosowania aktywnego chłodzenia.
Poza poprawą wydajności, naukowcy wykazali również, że nawet niewielkie komputery kwantowe mogą zwiększyć efektywność uczenia maszynowego dzięki nowatorskim fotonicznym obwodom kwantowym. Ich badania sugerują, że obecna technologia kwantowa nie jest już wyłącznie eksperymentalna — już teraz może przewyższać klasyczne systemy w określonych zadaniach. Co istotne, podejście fotoniczne może także radykalnie ograniczyć zużycie energii, oferując zrównoważoną ścieżkę rozwoju w obliczu gwałtownie rosnącego zapotrzebowania na moc obliczeniową w uczeniu maszynowym.
Wraz z nieustannym, imponującym postępem sztucznej inteligencji, rosnące zapotrzebowanie na moc obliczeniową — zwłaszcza w wymagających zadaniach inferencyjnych, jak te realizowane przez generatywne modele AI typu ChatGPT — stanowi wyzwanie dla tradycyjnych systemów elektronicznych. Postępy w technologii fotoniki wzbudziły zainteresowanie obliczeniami fotonicznymi jako obiecującą ścieżką rozwoju AI. Dzięki głębokiemu połączeniu AI i fotoniki, inteligentna fotonika rozwija się jako nowa, interdyscyplinarna dziedzina o ogromnym potencjale do rewolucjonizowania praktycznych zastosowań.