Modelele de rețele neuronale profunde care alimentează cele mai solicitante aplicații de machine learning din prezent au devenit atât de mari și complexe încât împing la limită hardware-ul electronic tradițional. Hardware-ul fotonic, ce realizează calcule de machine learning cu ajutorul luminii, oferă o alternativă mai rapidă și mai eficientă energetic. Totuși, până de curând, existau anumite tipuri de calcule ale rețelelor neuronale pe care dispozitivele fotonice nu le puteau efectua, fiind necesare componente electronice externe care diminuau viteza și eficiența.
Într-o mișcare ce ar putea redefini viitorul infrastructurii inteligenței artificiale, Lightmatter a prezentat în aprilie 2025 cipul său revoluționar de calcul fotonic Envise, conceput pentru a reduce drastic consumul de energie și a accelera sarcinile AI. Cipul Envise — care folosește lumina în locul electronilor pentru calcule — promite o soluție la ineficiențele tot mai mari ale cipurilor convenționale din siliciu, tocmai când modelele AI solicită o putere de procesare fără precedent. Evaluată la 4,4 miliarde de dolari după o rundă de finanțare de 850 de milioane de dolari, Lightmatter se poziționează în avangarda unui nou paradigm de calcul.
Procesoarele fotonice ale Lightmatter utilizează lumina pentru a efectua calcule, în special operații tensoriale esențiale pentru deep learning. Prin manipularea luminii cu ajutorul unor componente optice precum ghiduri de undă și lentile, aceste cipuri realizează calcule cu viteza luminii, atingând o precizie apropiată de cea electronică, consumând în același timp mult mai puțină energie. De exemplu, procesorul lor fotonic efectuează 65,5 trilioane de operații Adaptive Block Floating-Point pe 16 biți pe secundă folosind doar 78 wați de energie electrică.
Între timp, Q.ANT a demonstrat serverul său fotonic Native Processing Server (NPS) la ISC 2025, în luna iunie. Bazat pe arhitectura Light Empowered Native Arithmetic (LENA) a Q.ANT, NPS oferă o eficiență energetică de până la 30 de ori mai mare decât tehnologiile convenționale, cu specificații impresionante: precizie floating point pe 16 biți cu o acuratețe de 99,7% pentru toate operațiile de calcul, cu 40–50% mai puține operații necesare pentru același rezultat și fără necesitatea unei infrastructuri active de răcire.
Dincolo de îmbunătățirile de performanță, cercetătorii au demonstrat că chiar și computerele cuantice de mici dimensiuni pot îmbunătăți performanța machine learning-ului folosind circuite cuantice fotonice inovatoare. Concluziile lor sugerează că tehnologia cuantică actuală nu mai este doar experimentală — ea poate deja să depășească sistemele clasice în anumite sarcini. În mod notabil, această abordare fotonică ar putea, de asemenea, să reducă drastic consumul de energie, oferind o cale sustenabilă pe măsură ce nevoile de putere ale machine learning-ului cresc vertiginos.
Pe măsură ce inteligența artificială continuă să avanseze spectaculos, cererea tot mai mare de putere de calcul — în special pentru sarcini complexe de inferență, exemplificate de modele generative precum ChatGPT — ridică provocări pentru sistemele electronice convenționale. Progresele în tehnologia fotonică au stârnit interesul pentru calculul fotonic ca modalitate promițătoare pentru AI. Prin fuziunea profundă dintre AI și tehnologiile fotonice, fotonica inteligentă se dezvoltă ca un domeniu interdisciplinar emergent, cu potențial semnificativ de a revoluționa aplicațiile practice.