Modely hlbokých neurónových sietí, ktoré poháňajú dnešné najnáročnejšie aplikácie strojového učenia, narástli do takej miery, že posúvajú hranice tradičného elektronického hardvéru. Fotónový hardvér, ktorý vykonáva výpočty strojového učenia pomocou svetla, ponúka rýchlejšiu a energeticky efektívnejšiu alternatívu. Donedávna však existovali typy výpočtov v neurónových sieťach, ktoré fotónové zariadenia nedokázali zvládnuť, čo si vyžadovalo použitie externých elektronických komponentov a tým znižovalo rýchlosť a efektivitu.
V kroku, ktorý môže nanovo definovať budúcnosť infraštruktúry umelej inteligencie, predstavila spoločnosť Lightmatter v apríli 2025 svoj revolučný fotónový výpočtový čip Envise, navrhnutý na dramatické zníženie spotreby energie a zrýchlenie AI úloh. Čip Envise – ktorý na výpočty využíva svetlo namiesto elektrónov – sľubuje riešenie rastúcich neefektívností bežných kremíkových čipov práve v čase, keď AI modely vyžadujú bezprecedentný výpočtový výkon. Po investičnom kole vo výške 850 miliónov dolárov je Lightmatter ocenený na 4,4 miliardy dolárov a stavia sa do čela novej výpočtovej paradigmy.
Fotónové procesory Lightmatter využívajú svetlo na vykonávanie výpočtov, najmä tenzorových operácií, ktoré sú kľúčové pre hlboké učenie. Manipuláciou svetla cez optické komponenty, ako sú vlnovody a šošovky, tieto čipy vykonávajú výpočty rýchlosťou svetla, pričom dosahujú takmer elektronickú presnosť a zároveň spotrebúvajú výrazne menej energie. Napríklad ich fotónový procesor zvládne 65,5 bilióna 16-bitových operácií Adaptive Block Floating-Point za sekundu pri spotrebe iba 78 wattov elektrickej energie.
Medzitým spoločnosť Q.ANT demonštrovala svoj fotónový server Native Processing Server (NPS) na ISC 2025 v júni. Postavený na architektúre Q.ANT Light Empowered Native Arithmetic (LENA), NPS dosahuje až 30-násobnú energetickú efektivitu oproti bežným technológiám s pôsobivými parametrami: 16-bitová plávajúca desatinná presnosť s 99,7 % presnosťou pre všetky výpočtové operácie, o 40–50 % menej operácií potrebných na rovnaký výstup a bez potreby aktívneho chladenia.
Okrem zlepšenia výkonu vedci preukázali, že aj malé kvantové počítače môžu zvýšiť výkon strojového učenia pomocou nových fotónových kvantových obvodov. Ich zistenia naznačujú, že dnešná kvantová technológia už nie je len experimentálna – v určitých úlohách dokáže prekonať klasické systémy. Tento fotónový prístup by navyše mohol výrazne znížiť spotrebu energie, čím ponúka udržateľnú cestu v čase, keď potreby na napájanie strojového učenia prudko rastú.
Ako umelá inteligencia pokračuje v ohromujúcom napredovaní, rastúci dopyt po výpočtovom výkone – najmä pri náročných inferenčných úlohách, ako sú generatívne AI modely typu ChatGPT – predstavuje výzvy pre konvenčné elektronické výpočtové systémy. Pokroky vo fotonike vyvolali záujem o fotónové výpočty ako perspektívny spôsob AI výpočtov. Vďaka hlbokej fúzii AI a fotonických technológií sa rozvíja inteligentná fotonika ako vznikajúca interdisciplinárna oblasť s veľkým potenciálom revolučne zmeniť praktické aplikácie.