Os modelos de redes neurais profundas que alimentam as aplicações de aprendizado de máquina mais exigentes da atualidade tornaram-se tão grandes e complexos que estão levando o hardware de computação eletrônica tradicional ao limite. O hardware fotônico, que realiza cálculos de aprendizado de máquina com luz, oferece uma alternativa mais rápida e eficiente em termos energéticos. No entanto, até recentemente, havia certos tipos de operações de redes neurais que os dispositivos fotônicos não conseguiam executar, exigindo eletrônica fora do chip que prejudicava a velocidade e a eficiência.
Em um movimento que pode redefinir o futuro da infraestrutura de inteligência artificial, a Lightmatter revelou em abril de 2025 seu revolucionário chip de computação fotônica Envise, projetado para reduzir drasticamente o consumo de energia ao mesmo tempo em que acelera as cargas de trabalho de IA. O chip Envise—que utiliza luz em vez de elétrons para realizar cálculos—promete uma solução para as crescentes ineficiências dos chips de silício convencionais, justamente quando os modelos de IA exigem um poder de processamento sem precedentes. Avaliada em US$ 4,4 bilhões após uma rodada de financiamento de US$ 850 milhões, a Lightmatter se posiciona na vanguarda de um novo paradigma computacional.
Os processadores fotônicos da Lightmatter utilizam luz para realizar cálculos, especialmente operações de tensores centrais para o deep learning. Manipulando a luz por meio de componentes ópticos como guias de onda e lentes, esses chips executam cálculos na velocidade da luz, atingindo precisão próxima à eletrônica e consumindo significativamente menos energia. Por exemplo, seu processador fotônico realiza 65,5 trilhões de operações Adaptive Block Floating-Point de 16 bits por segundo usando apenas 78 watts de energia elétrica.
Enquanto isso, a Q.ANT demonstrou seu Native Processing Server (NPS) fotônico na ISC 2025, em junho. Baseado na arquitetura Light Empowered Native Arithmetic (LENA) da Q.ANT, o NPS oferece até 30 vezes mais eficiência energética em relação às tecnologias convencionais, com especificações impressionantes: precisão de ponto flutuante de 16 bits com 99,7% de acurácia em todas as operações computacionais, 40–50% menos operações necessárias para o mesmo resultado e sem necessidade de infraestrutura de resfriamento ativo.
Além das melhorias de desempenho, pesquisadores também demonstraram que até mesmo computadores quânticos de pequena escala podem aprimorar o desempenho do aprendizado de máquina utilizando novos circuitos quânticos fotônicos. Os resultados sugerem que a tecnologia quântica atual já pode superar sistemas clássicos em tarefas específicas, não sendo apenas experimental. Notavelmente, essa abordagem fotônica também pode reduzir drasticamente o consumo de energia, oferecendo um caminho sustentável à medida que as necessidades energéticas do aprendizado de máquina aumentam.
À medida que a inteligência artificial avança a passos largos, a crescente demanda por poder computacional—especialmente em tarefas de inferência exigentes, como exemplificado por modelos generativos de IA como o ChatGPT—impõe desafios aos sistemas eletrônicos convencionais. Os avanços em tecnologia fotônica despertaram interesse pela computação fotônica como uma modalidade promissora para IA. Por meio da profunda fusão entre IA e tecnologias fotônicas, a fotônica inteligente está se desenvolvendo como um campo interdisciplinar emergente com grande potencial para revolucionar aplicações práticas.