Os modelos de redes neuronais profundas que alimentam as aplicações de aprendizagem automática mais exigentes da atualidade tornaram-se tão grandes e complexos que estão a ultrapassar os limites do hardware eletrónico tradicional. O hardware fotónico, que realiza cálculos de aprendizagem automática com luz, oferece uma alternativa mais rápida e eficiente em termos energéticos. No entanto, até recentemente, existiam certos tipos de cálculos de redes neuronais que os dispositivos fotónicos não conseguiam executar, obrigando à utilização de eletrónica externa ao chip, o que prejudicava a velocidade e a eficiência.
Num movimento que pode redefinir o futuro da infraestrutura de inteligência artificial, a Lightmatter apresentou em abril de 2025 o seu revolucionário chip de computação fotónica Envise, concebido para reduzir drasticamente o consumo de energia ao mesmo tempo que acelera as tarefas de IA. O chip Envise — que utiliza luz em vez de eletrões para os cálculos — promete uma solução para as crescentes ineficiências dos chips de silício convencionais, precisamente numa altura em que os modelos de IA exigem um poder de processamento sem precedentes. Avaliada em 4,4 mil milhões de dólares após uma ronda de financiamento de 850 milhões, a Lightmatter posiciona-se na vanguarda de um novo paradigma computacional.
Os processadores fotónicos da Lightmatter utilizam luz para realizar cálculos, em particular operações tensorais centrais no deep learning. Manipulando a luz através de componentes óticos como guias de onda e lentes, estes chips executam cálculos à velocidade da luz, atingindo uma precisão próxima da eletrónica e consumindo significativamente menos energia. Por exemplo, o seu processador fotónico realiza 65,5 biliões de operações Adaptive Block Floating-Point de 16 bits por segundo usando apenas 78 watts de energia elétrica.
Entretanto, a Q.ANT demonstrou o seu servidor fotónico Native Processing Server (NPS) 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 do que as tecnologias convencionais, com especificações impressionantes: precisão de vírgula flutuante de 16 bits com 99,7% de exatidão em todas as operações computacionais, 40–50% menos operações necessárias para obter o mesmo resultado e sem necessidade de infraestruturas de arrefecimento ativo.
Para além das melhorias de desempenho, investigadores demonstraram também que mesmo computadores quânticos de pequena escala podem potenciar o desempenho da aprendizagem automática através de novos circuitos quânticos fotónicos. As suas conclusões sugerem que a tecnologia quântica atual já não é apenas experimental — pode já superar sistemas clássicos em tarefas específicas. Notavelmente, esta abordagem fotónica poderá também reduzir drasticamente o consumo energético, oferecendo um caminho sustentável à medida que as necessidades energéticas da aprendizagem automática aumentam.
À medida que a inteligência artificial continua a dar saltos impressionantes, a crescente procura de poder computacional — especialmente em tarefas exigentes de inferência, como exemplificado por modelos generativos de IA como o ChatGPT — coloca desafios aos sistemas eletrónicos convencionais. Os avanços na tecnologia fotónica despertaram o interesse pela computação fotónica como modalidade promissora para a computação em IA. Através da fusão profunda entre IA e tecnologias fotónicas, a fotónica inteligente está a desenvolver-se como um campo interdisciplinar emergente com potencial significativo para revolucionar aplicações práticas.