Моделі глибоких нейронних мереж, що лежать в основі найвимогливіших сучасних застосувань машинного навчання, стали настільки великими й складними, що наближаються до меж можливостей традиційного електронного обладнання. Фотонне обладнання, яке виконує обчислення машинного навчання за допомогою світла, пропонує швидшу та енергоефективнішу альтернативу. Проте до недавнього часу деякі типи обчислень нейронних мереж були недоступні для фотонних пристроїв, що вимагало використання зовнішньої електроніки та знижувало швидкість і ефективність.
У квітні 2025 року компанія Lightmatter представила революційний фотонний обчислювальний чип Envise, який може докорінно змінити інфраструктуру штучного інтелекту, суттєво зменшуючи енергоспоживання та прискорюючи роботу ШІ. Чип Envise, що використовує світло замість електронів для обчислень, пропонує вирішення проблем зростаючої неефективності традиційних кремнієвих чипів у час, коли моделі ШІ вимагають безпрецедентної обчислювальної потужності. Після залучення $850 мільйонів інвестицій компанію Lightmatter оцінили у $4,4 мільярда, що закріплює її лідерство у новій парадигмі обчислень.
Фотонні процесори Lightmatter використовують світло для виконання обчислень, зокрема тензорних операцій, які є ключовими для глибинного навчання. Маніпулюючи світлом за допомогою оптичних компонентів, таких як хвилеводи та лінзи, ці чипи виконують обчислення зі швидкістю світла, досягаючи майже електронної точності при значно меншому енергоспоживанні. Наприклад, їхній фотонний процесор виконує 65,5 трильйона адаптивних блочно-плаваючих 16-бітних операцій за секунду, споживаючи лише 78 ват електроенергії.
Тим часом компанія Q.ANT у червні 2025 року на ISC продемонструвала свій фотонний сервер Native Processing Server (NPS). Побудований на архітектурі Light Empowered Native Arithmetic (LENA), NPS забезпечує до 30 разів вищу енергоефективність порівняно з традиційними технологіями та має вражаючі характеристики: 16-бітна точність з плаваючою комою і 99,7% точності для всіх обчислювальних операцій, на 40–50% менше операцій для досягнення аналогічного результату та відсутність потреби в активному охолодженні.
Окрім покращення продуктивності, дослідники також показали, що навіть маломасштабні квантові комп'ютери можуть підвищити ефективність машинного навчання за допомогою новітніх фотонних квантових схем. Їхні результати свідчать, що сучасні квантові технології вже можуть перевершувати класичні системи у певних завданнях. Особливо важливо, що цей фотонний підхід може суттєво знизити енергоспоживання, відкриваючи сталий шлях розвитку в умовах зростаючих енергетичних потреб машинного навчання.
У міру стрімкого розвитку штучного інтелекту зростає й попит на обчислювальні потужності — особливо для складних завдань інференсу, як-от генеративні моделі ШІ на кшталт ChatGPT, що створює виклики для традиційних електронних систем. Прогрес у фотонних технологіях підживлює інтерес до фотонних обчислень як перспективного напряму для ШІ. Завдяки глибокій інтеграції ШІ та фотоніки формується нова міждисциплінарна галузь — інтелектуальна фотоніка, яка має значний потенціал для революціонізації практичних застосувань.