Fra silicium til lys: Den næste AI‑hardwarebølge

Efterhånden som kunstig intelligens (AI) bliver mere populær og kraftfuld, vokser også dens appetit på hastighed og energi. Behovet for hurtigere, smartere og mere effektive systemer har fået forskere til at undersøge et radikalt alternativ: optisk computing.

I modsætning til traditionelle processorer, der bruger elektroner, bruger optisk computing fotoner, eller lyspartikler, til at overføre og behandle information. Dette skift giver to kritiske fordele.

For det første er fotoner betydeligt energieffektive. De producerer langt mindre varme end elektroner, som genererer så meget varme, at det begrænser deres ydeevne og kræver store, dyre kølesystemer i datacentre.

For det andet bevæger lys sig meget, meget hurtigere end elektriske strømme, hvilket muliggør dramatisk hurtigere operationer. Optiske signaler kan også bære mere information, hvilket giver en enkel vej til renere, hurtigere computing.

Som følge heraf er interessen for fotonisk computing i vækst. Teknologien viser lovende resultater i laboratorieindstillinger og tiltrækker betydelige investeringer fra store virksomheder.

Dog har det vist sig ret vanskeligt at omsætte den laboratorie‑succes til praktiske fotoniske enheder. For at gøre det skal vi først overvinde flere forhindringer. Fotoner interagerer ikke naturligt med hinanden, hvilket gør det svært at bygge de optiske logiske porte, der er grundlæggende for computing. Derudover er teknologien stadig under forskning, så den mangler den modenhed og de stordriftsfordele, som elektronisk chip‑fremstilling har opnået gennem årtiers kommercialisering.

Derudover er der omkostninger, størrelse og lave modulationshastigheder, som begrænser de fleste eksisterende optiske opsætninger.

En ny undersøgelse har taget et stort skridt mod at overvinde nogle begrænsninger ved at udvikle en ny optisk motor, som kombinerer hastighed, effektivitet og kompakthed på én chip.

Forskere fra Tsinghua University har udviklet et banebrydende optisk system til computing, der udfører feature‑ekstraktion med hidtil uset lav latens, hvilket har potentialet til at revolutionere AI‑behandling.

Brugen af lys i stedet for elektricitet til at behandle data gør, at teknologien kan accelerere computing betydeligt, samtidig med at latensen minimeres – et stort skridt mod real‑time AI.

Kernen i dette nye system er en halvleder‑optisk forstærker‑baseret Mach‑Zehnder interferometer, eller SOA‑MZI.

En SOA er en kompakt enhed, der direkte forstærker lyssignaler via stimuleret emission. Samtidig er MZI, et af de ældste optiske instrumenter, en grundlæggende bølgelednings‑interferens‑enhed bestående af to koblere forbundet af to bølgeledninger med forskellig længde.

Nu tillader SOA‑MZI‑opsætningen lyset at udføre det arbejde, der ligger til grund for dyb læring. Informationen behandles her, og funktioner som mønstre og kanter opdages i lyssignalet, uden at de konverteres tilbage til elektricitet.

Derudover anvendes en bølgelængde‑deling‑multiplexing (WDM) metode af enheden. Denne metode opdeler lyset i et spektrum af farver, hvor hver farve bærer sin egen datastrøm. Udnyttelse af WDM gør det muligt for chippen at udføre mange beregninger parallelt, hvilket øger gennemløbet.

Når den blev testet i laboratoriet, behandlede motoren data med hastigheder på op til 10 gigabit per sekund (Gbps) pr. kanal med en latens på kun tiere af picosekunder (ps). Til sammenligning svarer én ps til 1.000 femtosekunder eller en tusindedel af et nanosekund.

Disse resultater viser, at motoren er meget hurtigere end nogen elektronisk processor overhovedet kan håbe på at opnå.

Hvad denne hastighed betyder, er, at systemet kan behandle information i real‑time, hvilket gør det perfekt til anvendelser som høj‑frekvens handel, medicinsk billeddannelse, robotkirurgi eller autonome køretøjer. Disse anvendelser er afhængige af AI’s evne til hurtigt at udtrække nøglefunktioner fra rådata, så selv millisekunder har stor betydning.

Gennembruddet: Tsinghuas optiske motor og real‑time AI

Moores lov siger, at antallet af transistorer på en mikrochip fordobles cirka hver anden år. Dette resulterer i en stigning i regnekraft, et fald i omkostninger og generelt mindre enheder.

Denne tendens, som har drevet innovation i halvlederindustrien, ser nu ud til at være ved at nå sin ende. Efter at være blevet krympet til størrelser på kun få nanometer, nærmer transistorstørrelserne sig de fysiske grænser for silicium‑baseret teknologi.

Udover den mindre størrelse, som fører til elektron‑tunneling og lækstrømme, der øger energiforbruget og varmeudviklingen, er omkostningerne ved fremstilling af topmoderne mikrochips steget dramatisk. Samtidig når silicium selv sine grænser for ydeevne og skalerbarhed.

Derfor har forskere og virksomheder undersøgt alternative løsninger som chiplets, system‑in‑package (SiP), ikke‑flygtig hukommelse, kvantecomputing, biocomputing og naturligvis fotonik.

Blandt disse alternativer viser fotonik særlig lovende potentiale for AI‑applikationer. Ved at udnytte lysets kraft kan feature‑ekstraktion, et kritisk trin i maskinlæring, accelereres kraftigt.

Feature‑ekstraktion er processen med at omdanne rådata til et forenklet sæt numeriske funktioner, der bedre repræsenterer det underliggende problem for maskinlærings‑ (ML) modeller. Denne teknik reducerer datakompleksiteten for at udtrække den mest relevante information, hvilket forbedrer ydeevnen og effektiviteten af ML‑algoritmer.

Selvom lys kan fremskynde feature‑ekstraktion, er det ekstremt udfordrende at opretholde stabilt, koherent lys til hurtige optiske beregninger.

For at tackle dette udviklede forskere fra Tsinghua University en anden‑generations optisk feature‑ekstraktionsmotor (OFE2), som kan udføre optisk feature‑ekstraktion for mange praktiske anvendelser. Det integrerede on‑chip system bruger justerbare powersplittere og præcise forsinkelseslinjer til at levere stabile, parallelle optiske signaler.

Systemet deserialiserer den indkommende datastrøm ved at sample input‑signalet i flere synkroniserede lysbølger, som muliggør parallel, real‑time behandling.

Disse lysbølger passerer derefter gennem diffraktions‑operatoren, en mikroskopisk plade‑lignende struktur, der udfører beregninger, mens lyset bevæger sig igennem den. Denne operation spejler matrix‑vektor‑multiplikation, en grundlæggende AI‑operation, der bruges til at transformere og behandle data.

Hvordan det diffrakterede lys skaber et fokuseret ‘lyst punkt’ ved output, er grundlæggende for denne operation, da det kan delvist afbøjes mod en bestemt output‑port ved at justere fasen af de parallelle input‑lys. Det er denne bevægelse i output‑effekt, sammen med de tilsvarende ændringer, der gør det muligt for deres motor, også kaldet OFE2, at fange funktioner af input‑signalets variationer over tid.

OFE2 opererer med en hastighed på 12,5 GHz, en rekord inden for optisk computing, og kan udføre en enkelt matrix‑vektor‑multiplikation inden for 250,5 ps, hvilket er den laveste latens blandt lignende implementeringer af optisk computing.

“Vi er fast overbeviste om, at dette arbejde giver en betydningsfuld benchmark for at fremme integreret optisk diffraktions‑computing til at overstige en 10 GHz‑rate i virkelige anvendelser.”

– Professor Hongwei Chen, som sammen med sit team på Tsinghua University udførte denne forskning

Teamet demonstrerede systemets stærke kapaciteter på tværs af forskellige opgaver.

Da den blev testet på en digital handelsopgave, opnåede OFE2 imponerende resultater. En trader indtaster real‑time pris‑signaler i OFE2, og den optimalt konfigurerede motor genererer output‑signaler, der direkte omsættes til købs‑ eller salgsbeslutninger for at opnå stabil rentabilitet med minimal forsinkelse, da systemet opererer med lysets hastighed.

Teamet brugte også OFE2 til at behandle billeder, hvor motoren udtrækede kantfunktioner fra input‑billeder og skabte to komplementære feature‑kort, der ligner relief‑ og gravure‑effekter. De optiske funktioner produceret af OFE2 klarede sig langt bedre i billedklassificering og øgede pixel‑nøjagtigheden i semantisk segmentering, såsom identifikation af organer i computertomografi (CT)‑scanninger.

Endnu vigtigere er, at når AI‑systemer bruger OFE2, har de brug for færre elektroniske parametre, hvilket demonstrerer potentialet i optisk forbehandling til at muliggøre lettere, mere effektive og billigere hybride AI‑systemer. Det hårde arbejde udføres af optisk forbehandling, mens AI‑modellerne kan fokusere på læring og fortolkning.

Disse resultater antyder, at de mest intensive beregningsbelastninger kan flyttes fra elektronik til fotonik, hvilket åbner en fremtid med real‑time AI‑modeller.

Ifølge forskerne kan deres enhed behandle enorme datastrømme med meget lidt energitab, samtidig med at den opretholder god signalintegritet selv under belastning.

“De fremskridt, der præsenteres i vores undersøgelse, løfter integrerede diffraktions‑operatorer til en højere hastighed og giver støtte til beregningsintensive tjenester inden for områder som billedgenkendelse, assisteret sundhedspleje og digital finans,” sagde Chen. “Vi ser frem til at samarbejde med partnere, der har datatunge beregningsbehov.”

Klik her for at lære, hvordan computing med lysets hastighed bliver mulig med silicium‑fotonik.

Det globale kapløb om at genopfinde beregning med fotonik 

Swipe for at rulle →

Fremskridtet fra Tsinghua er en del af et større globalt skift. Videnskabsfolk over hele verden kæmper for at overvinde de elektroniske flaskehalse ved at vende sig mod lys.

Tidligere i år afslørede et andet team fra Kina deres chip, som udnytter lys til at synkronisere processorer og kan åbne døren for næste generations kommunikation og højhastigheds‑AI‑computing.

Traditionelle chips genererer kloksignaler ved hjælp af elektroniske oscillatorer, og de opererer ofte kun ved én primær klokfrekvens, hvilket betyder, at forskellige applikationer kræver forskellige chip‑fremstillingsteknologier. Den nye chip, designet af den internationale gruppe af forskere ledet af Kinas Peking University, bruger “lys som medium til at generere kloksignaler gennem fotoner.”

“Ved at bygge en ring, der ligner en løbebane på chippen, kan lys kontinuerligt ‘løbe’ med lysets hastighed. Tiden for hver omgang bruges derefter som standard for on‑chip‑klokken,” sagde hovedforfatter Chang Lin, som er assisterende professor ved Institut for Information og Kommunikationsteknologi på Peking University. “Da en omgang kun tager nogle få milliarder af en sekund, kan klokken regulere tiden med en ultra‑høj hastighed.”

Udstyret med den nye teknologi kan chips dække forskellige mikrobølge‑frekvensbånd.

Teamet har opnået en klokfrekvens på over 100 GHz og har sagt, at de kan producere tusinder af identiske chips på 8‑tommers wafere, mens de løser stabilitetsproblemer og optimerer pakningsprocesser.

Et andet internationalt forskerteam forsøgte at tackle begrænsningerne i Moores lov gennem fotonik, men de anvendte et magneto‑optisk materiale.

Ved at bruge små magneter til at gemme data og kontrollere overførslen af lys inden i materialet, banede forskerne vejen for en ny type magneto‑optisk hukommelse.

Denne nye klasse af hukommelse har, ifølge undersøgelsen, skiftehastigheder 100 gange hurtigere end dem i avanceret fotonisk integreret teknologi, forbruger omkring en tiendedel af energien og kan omprogrammeres over 2,3 milliarder gange, hvilket potentielt betyder en ubegrænset levetid.

Samtidig har forskere fra MIT i USA demonstreret en fotonisk processor, der kan udføre alle AI‑beregninger optisk på chippen. Deres optiske enhed gennemførte faktisk de vigtigste beregninger for en ML‑klassifikationsopgave på mindre end et halvt nanosekund med 92 % nøjagtighed.

I deres arbejde designede forskerne ikke‑lineære optiske funktionsenheder (NOFUs) for at tackle udfordringen med ikke‑linearitet i optik, som skyldes, at fotoner ikke let interagerer med hinanden, hvilket gør det energikrævende at aktivere optiske ikke‑lineariteter. NOFUs kombinerer optik og elektronik for at integrere ikke‑lineære operationer på chippen.

Mens universiteter demonstrerer deres proof‑of‑concept optiske chips, er store teknologivirksomheder ikke langt bagefter; de undersøger aktivt, hvordan disse principper kan gøre kommercielle AI‑systemer hurtigere og grønnere.

Microsoft‑forskerne detaljerede en lys‑baseret computer, som bruger kamerasensorer og mikro‑LED’er, for at gøre AI hundredvis gange mere effektiv. Den prototype analoge optiske computer (AOC) fra teknologigiganten beregner et problem mange gange, og hver gang forbedres den, indtil en “steady state” er opnået.

“Det vigtigste aspekt, som AOC leverer, er, at vi estimerer omkring en hundrede‑fold forbedring i energieffektivitet,” sagde studiets medforfatter Jannes Gladrow, som er AI‑forsker hos Microsoft, i virksomhedens blogindlæg. “Det er i sig selv uset i hardware.”

Samtidig programmerede teamet en “digital twin”, en model der efterligner beregningerne i den fysiske AOC og kan skaleres til at håndtere flere variable og endnu mere komplekse beregninger. Modellen gør det muligt for teamet at “arbejde på større problemer, end instrumentet selv kan tackle lige nu,” bemærkede Michael Hansen, seniordirektør for biomedicinsk signalbehandling hos Microsoft Health Futures.

Computeren kan allerede håndtere nogle opgaver som MRI‑billedrekonstruktion, matchning af finansielle transaktioner og simpel AI‑inference.

For at teste AOC gav teamet den først den simple opgave at klassificere billeder, og den fysiske AOC præsterede på omtrent samme niveau som en digital computer. Dens digitale twin blev derefter brugt til at rekonstruere et billede af en hjerne‑scan ved kun at bruge 62,5 % af de oprindelige data, og den gjorde det præcist. Denne præstation, mener forskerne, kan føre til kortere MRI‑tider.

AOC blev også brugt til at løse finansielle problemer, hvor den havde en højere succesrate end nuværende kvantecomputere.

I et interview med IBM sagde Francesca Parmigiani, en Principal Researcher hos Microsoft Research Cambridge, at deres system har “dual‑domain capability”, hvilket betyder, at det kan udføre to typer opgaver med den samme hardware. Dette gøres ved at trække på fast‑point‑søgning, som forbinder måden, begge problemer løses på.

“Det, der begejstrer mig mest, er, at vi allerede kan køre arbejdsbelastninger inden for både AI og optimering på den samme hardware,” sagde hun. “Vi er stadig i en lille skala, men dette er et vigtigt første skridt.”

IBM selv bruger fotoner, ikke til at udføre beregninger, men til at flytte information hurtigere. “Vi bruger lys til at sende data med meget høj densitet til AI‑applikationer,” sagde Jean Benoît Héroux, forskningsforsker hos IBM Research. De udvikler fotoniske forbindelser, der overfører data mellem chips, hukommelse og boards.

Investering i fotonisk computing 

Efterhånden som momentumet bag fotonisk computing fanger opmærksomheden fra store teknologivirksomheder i lyset af efterspørgslen efter hurtigere AI‑beregning, har AI‑favoritten NVIDIA (NVDA ) også undersøgt måder at integrere fotoniske interconnects og optisk netværk for at skubbe deres hardware endnu længere.

Mens NVIDIA leder den GPU‑drevne AI‑revolution, forsker de i optisk datatransmission for at overvinde båndbredde‑flaskehalse, der begrænser traditionelle chip‑arkitekturer.

Tidligere i år lancerede virksomheden fotoniske switches med co‑packaged optics (CPO) for at levere 10‑gange højere netværks‑resiliens, 3,5‑gange bedre energieffektivitet og 1,3‑gange hurtigere implementeringstid sammenlignet med traditionelle netværk.

Med hensyn til chipproducentens aktieperformance blev den denne uge det første selskab, der nåede en markedsværdi på 5 billioner dollars, da aktiekursen steg forbi 212 $ og nåede et nyt rekordhøjde (ATH). Aktuelt handlet til 207 $, er NVIDIA‑aktierne steget med mere end 54 % år‑til‑dato.

Den har en EPS (TTM) på 3,51 og en P/E (TTM) på 58,93. En udbytteafkast på 0,02 % betales til Nvidia‑aktionærer.

Når det gælder Nvidias finansielle position, rapporterede virksomheden en omsætning på 46,7 milliarder dollars for andet kvartal af regnskabsåret 2026. Mens den samlede omsætning steg 6 % fra forrige kvartal, steg Nvidias datacenter‑omsætning med 5 % til 41,1 milliarder dollars, hvor Blackwell‑datacenter‑omsætningen steg 17 % sekventielt.

Konklusion

Efterhånden som AI‑mani udspredes over hele verden, arbejder forskere og virksomheder på at erstatte elektroner med fotoner for at låse op for en ny verden af hastighed, skalerbarhed og energieffektivitet. I dette forsøg på at omdefinere AI‑infrastrukturen viser det seneste gennembrud fra Tsinghua University’s optiske motor, at lysbaserede systemer kan matche eller endda overgå deres elektroniske modparter i specifikke opgaver.

Men fotonisk computing er stadig i testfasen. Når fotonisk computing modnes og bliver omkostningseffektiv, kan det indvarsle en æra, hvor computing bevæger sig med lysets hastighed.

Klik her for at lære, hvordan en lys‑drevet chip boosterer AI med 100 x.

Referencer

^{1. Sun, R., Zhang, L., Li, Y., Wang, X., Chen, J., & Zhao, Q. (2025). Højhastigheds‑ og lav‑latens optisk feature‑ekstraktionsmotor baseret på diffraktions‑operatorer. Advanced Photonics Nexus, 4(5), 056012. https://doi.org/10.1117/1.APN.4.5.056012
2. Pintus, P., Dumont, M., Shah, V., Murai, T., Shoji, Y., Huang, D., Moody, G., Bowers, J. E., Youngblood, N., et al. (2025). Integreret ikke‑rekiprokt magneto‑optik med ultra‑høj holdbarhed for fotonisk in‑memory computing. Nature Photonics, 19, 54–62. https://doi.org/10.1038/s41566-024-01549-1
3. Bandyopadhyay, S., Sludds, A., Krastanov, S., Hamerly, R., Harris, N., Bunandar, D., Streshinsky, M., Hochberg, M., & Englund, D. (2024). Enkelt‑chip fotonisk dyb neuralt netværk med kun‑fremad træning. Nature Photonics, 18, 1335-1343. https://doi.org/10.1038/s41566-024-01567-z
4. Kalinin, K. P., Gladrow, J., Chu, J., Clegg, J. H., Cletheroe, D., Kelly, D. J., Rahmani, B., Brennan, G., Canakci, B., Falck, F., Hansen, M., Kleewein, J., Kremer, H., O’Shea, G., Pickup, L., Rajmohan, S., Rowstron, A., Ruhle, V., Braine, L., Khedekar, S., Berloff, N. G., Gkantsidis, C., Parmigiani, F., & Ballani, H. (2025). Analog optisk computer til AI‑inference og kombinatorisk optimering. Nature, 645(8080), 354-361. https://doi.org/10.1038/s41586-025-09430-z}