Модели глубоких нейронных сетей, лежащие в основе самых ресурсоёмких приложений машинного обучения сегодня, стали настолько большими и сложными, что выходят за пределы возможностей традиционного электронного аппаратного обеспечения. Фотонное оборудование, осуществляющее вычисления с помощью света, предлагает более быстрый и энергоэффективный подход. Однако до недавнего времени существовали типы вычислений нейронных сетей, которые фотонные устройства не могли выполнять, что требовало использования внешней электроники и снижало скорость и эффективность.
В апреле 2025 года компания Lightmatter представила революционный фотонный вычислительный чип Envise, способный радикально снизить энергопотребление и ускорить выполнение задач искусственного интеллекта. Чип Envise, использующий свет вместо электронов для вычислений, предлагает решение растущих проблем неэффективности традиционных кремниевых чипов в условиях стремительно возрастающих требований к вычислительной мощности ИИ-моделей. После раунда финансирования на $850 млн оценка компании Lightmatter достигла $4,4 млрд, что позволяет ей занять лидирующие позиции в новой вычислительной парадигме.
Фотонные процессоры Lightmatter используют свет для выполнения вычислений, в частности тензорных операций, лежащих в основе глубокого обучения. Манипулируя светом с помощью оптических компонентов, таких как волноводы и линзы, эти чипы выполняют вычисления со скоростью света, достигая почти электронной точности при значительно меньшем энергопотреблении. Например, их фотонный процессор выполняет 65,5 триллиона операций Adaptive Block Floating-Point с 16-битной точностью в секунду, используя всего 78 ватт электроэнергии.
Тем временем компания Q.ANT продемонстрировала свой фотонный сервер Native Processing Server (NPS) на ISC 2025 в июне. Основанный на архитектуре Light Empowered Native Arithmetic (LENA), сервер NPS обеспечивает до 30-кратного повышения энергоэффективности по сравнению с традиционными технологиями и впечатляющие характеристики: 16-битная плавающая точка с точностью 99,7% для всех вычислительных операций, на 40–50% меньше операций для получения аналогичного результата и отсутствие необходимости в активном охлаждении.
Помимо повышения производительности, исследователи также показали, что даже маломасштабные квантовые компьютеры могут улучшать работу машинного обучения с помощью новых фотонных квантовых схем. Их результаты свидетельствуют о том, что современные квантовые технологии уже выходят за рамки экспериментов — они способны превосходить классические системы в определённых задачах. Особенно важно, что фотонный подход может значительно снизить энергопотребление, предлагая устойчивое решение на фоне стремительного роста потребностей машинного обучения в энергии.
По мере стремительного развития искусственного интеллекта растущий спрос на вычислительные ресурсы — особенно для ресурсоёмких задач вывода, таких как генеративные ИИ-модели (например, ChatGPT), — становится серьёзным вызовом для традиционных электронных систем. Прорывы в области фотоники вызывают всё больший интерес к фотонным вычислениям как перспективному направлению для ИИ. Благодаря глубокому синтезу технологий ИИ и фотоники формируется новое междисциплинарное направление — интеллектуальная фотоника, способное радикально изменить практические приложения.