De Silicio a Luz: La Próxima Ola de Hardware de IA

A medida que la inteligencia artificial (IA) sigue ganando popularidad y potencia, también lo hace su apetito por la velocidad y la energía. La necesidad de sistemas más rápidos, más inteligentes y más eficientes ha llevado a los investigadores a explorar una alternativa radical: la computación óptica.

A diferencia de los procesadores tradicionales que utilizan electrones, la computación óptica usa fotones, o partículas de luz, para transmitir y procesar información. Este cambio ofrece dos ventajas críticas.

Primero, los fotones son significativamente eficientes en energía. Producen mucho menos calor que los electrones, los cuales generan tanto calor que limitan su rendimiento y requieren sistemas de refrigeración grandes y costosos en los centros de datos.

Segundo, la luz viaja mucho, mucho más rápido que las corrientes eléctricas, lo que permite operaciones dramáticamente más rápidas. Las señales ópticas también pueden transportar más información, ofreciendo un camino sencillo hacia una computación más limpia y veloz.

Como resultado, ahora hay un interés creciente en la computación fotónica. La tecnología está mostrando resultados prometedores en entornos de laboratorio y atrayendo inversiones significativas de grandes empresas.

Sin embargo, traducir ese éxito de laboratorio a dispositivos fotónicos prácticos ha demostrado ser bastante difícil. Para ello, primero debemos superar varios obstáculos. Los fotones no interactúan naturalmente entre sí, lo que dificulta la construcción de puertas lógicas ópticas que son fundamentales para la computación. Además, la tecnología sigue en fase de investigación, por lo que no cuenta con la madurez y las economías de escala que la fabricación de chips electrónicos ha alcanzado tras décadas de comercialización.

Luego están el costo, el volumen y las bajas tasas de modulación que restringen la mayoría de los sistemas ópticos existentes.

Un nuevo estudio ha dado un paso importante para superar algunas limitaciones al desarrollar un nuevo motor óptico, que combina velocidad, eficiencia y compacidad en un solo chip.

Investigadores de la Universidad de Tsinghua han desarrollado un sistema óptico revolucionario para la computación que realiza extracción de características con una latencia sin precedentes, lo que tiene el potencial de revolucionar el procesamiento de IA.

El uso de luz en lugar de electricidad para procesar datos permite que la tecnología acelere la computación de manera significativa mientras minimiza la latencia, un gran salto hacia la IA en tiempo real.

En el núcleo de este nuevo sistema se encuentra un interferómetro Mach-Zehnder basado en amplificador óptico semiconductor, o SOA-MZI.

Un SOA es un dispositivo compacto que amplifica directamente señales de luz mediante emisión estimulada. Mientras tanto, el MZI, uno de los instrumentos ópticos más antiguos, es un dispositivo básico de interferencia de guías de onda que consta de dos acopladores conectados por dos guías de onda de diferentes longitudes.

Ahora, la configuración SOA-MZI permite que la luz realice el trabajo que sustenta el aprendizaje profundo. La información se procesa aquí, y características como patrones y bordes se detectan en la señal de luz, sin convertirlas de nuevo en electricidad.

Además, el dispositivo utiliza un método de multiplexación por división de longitud de onda (WDM). Este método divide la luz en un espectro de colores, con cada color transportando su propio flujo de datos. Aprovechar el WDM permite que el chip ejecute muchos cálculos en paralelo, aumentando así el rendimiento.

Cuando se probó en el laboratorio, el motor procesó datos a velocidades de hasta 10 gigabits por segundo (Gbps) por canal con una latencia de apenas decenas de picosegundos (ps). Para contextualizar, un ps equivale a 1.000 femtosegundos o una milésima de nanosegundo.

Estos resultados demuestran que el motor es mucho más rápido de lo que cualquier procesador electrónico podría esperar alcanzar.

Lo que significa esta velocidad es que el sistema puede procesar información en tiempo real, lo que lo hace perfecto para aplicaciones como el comercio de alta frecuencia, la imaginería médica, la cirugía robótica o los vehículos autónomos. Estas aplicaciones dependen de la capacidad de la IA para extraer características clave de los datos sin procesar rápidamente, por lo que incluso los milisegundos son de gran importancia.

El avance: motor óptico de Tsinghua y IA en tiempo real

La ley de Moore dice que el número de transistores en un microchip se duplica aproximadamente cada dos años. Esto resulta en un aumento del poder de cómputo, una disminución del costo y, en general, dispositivos más pequeños.

Esta tendencia, que ha impulsado la innovación en la industria de semiconductores, ahora parece estar llegando a su fin. Al haberse reducido a tamaños de apenas unos pocos nanómetros, los tamaños de los transistores están acercándose a los límites físicos de la tecnología basada en silicio.

Además del menor tamaño, que conduce al túnel de electrones y corrientes de fuga que aumentan el consumo de energía y la generación de calor, el costo de fabricar microchips de vanguardia se ha disparado. Mientras tanto, el propio silicio está alcanzando sus límites de rendimiento y escalabilidad.

Por eso los investigadores y las empresas han estado explorando soluciones alternativas como chiplets, system-in-package (SiP), memoria no volátil, computación cuántica, biocomputación y, por supuesto, la fotónica.

Entre estas alternativas, la fotónica muestra una promesa particular para aplicaciones de IA. Al aprovechar el poder de la luz, la extracción de características, un paso crítico en el aprendizaje automático, puede acelerarse enormemente.

La extracción de características es el proceso de transformar datos sin procesar en un conjunto simplificado de características numéricas que representan mejor el problema subyacente para los modelos de aprendizaje automático (ML). Esta técnica reduce la complejidad de los datos para extraer la información más relevante, mejorando así el rendimiento y la eficiencia de los algoritmos de ML.

Aunque la luz puede acelerar la extracción de características, mantener una luz estable y coherente para cálculos ópticos rápidos es extremadamente desafiante.

Para abordar esto, investigadores de la Universidad de Tsinghua desarrollaron un motor de extracción de características ópticas de segunda generación (OFE2)¹ que puede realizar extracción de características ópticas para numerosas aplicaciones prácticas. El sistema integrado en chip utiliza divisores de potencia ajustables y líneas de retardo precisas para proporcionar señales ópticas estables y paralelas.

El sistema deserializa la corriente de datos entrante al muestrear la señal de entrada en múltiples ondas de luz sincronizadas que permiten procesamiento paralelo y en tiempo real.

Estas ondas de luz luego pasan a través del operador de difracción, una estructura microscópica similar a una placa que realiza cálculos a medida que la luz se propaga a través de ella. Esta operación refleja la multiplicación matriz-vector, una operación fundamental de IA utilizada para transformar y procesar datos.

Cómo la luz difractada crea un ‘punto brillante’ enfocado en la salida es fundamental para esta operación, ya que puede desviarse parcialmente hacia un puerto de salida particular ajustando la fase de las luces de entrada paralelas. Es este movimiento en la potencia de salida, junto con los cambios correspondientes, lo que permite que su motor, también conocido como OFE2, capture características de las variaciones de la señal de entrada a lo largo del tiempo.

OFE2 funciona a una velocidad de 12,5 GHz, un récord en computación óptica, y puede realizar una única multiplicación matriz-vector en 250,5 ps, lo que representa la latencia más baja entre implementaciones similares de computación óptica.

“Creemos firmemente que este trabajo proporciona un referente significativo para avanzar la computación de difracción óptica integrada y superar una tasa de 10 GHz en aplicaciones del mundo real.”

– Profesor Hongwei Chen, quien, junto con su equipo en la Universidad de Tsinghua, realizó esta investigación

El equipo demostró las fuertes capacidades de su sistema en diferentes tareas.

Al probarse en una tarea de comercio digital, OFE2 logró resultados impresionantes. Un operador introduce señales de precios en tiempo real en OFE2, y el motor configurado óptimamente genera señales de salida que se traducen directamente en decisiones de compra o venta para lograr una rentabilidad estable con un retraso mínimo, ya que el sistema opera a la velocidad de la luz.

El equipo también utilizó OFE2 para procesar imágenes, donde el motor extrajo características de bordes de imágenes de entrada y creó dos mapas de características complementarios que se asemejan a efectos de relieve y grabado. Las características ópticas producidas por OFE2 tuvieron un rendimiento mucho mejor en la clasificación de imágenes y aumentaron la precisión de píxeles en la segmentación semántica, como la identificación de órganos en escaneos de tomografía computarizada (TC).

Más importante aún, cuando los sistemas de IA usan OFE2, necesitan menos parámetros electrónicos, lo que muestra el potencial del preprocesamiento óptico para permitir sistemas híbridos de IA más ligeros, eficientes y menos costosos. El trabajo duro lo realiza el preprocesamiento óptico, mientras que los modelos de IA pueden centrarse en el aprendizaje y la interpretación.

Estos resultados sugieren que las cargas computacionales más intensas pueden trasladarse de la electrónica a la fotónica, abriendo un futuro de modelos de IA en tiempo real.

Según los investigadores, su dispositivo puede procesar enormes flujos de datos con muy poca pérdida de energía mientras mantiene una buena integridad de señal incluso bajo carga.

“Los avances presentados en nuestro estudio llevan los operadores de difracción integrados a una tasa más alta, proporcionando soporte para servicios intensivos en cómputo en áreas como el reconocimiento de imágenes, la asistencia sanitaria y las finanzas digitales,” dijo Chen. “Esperamos colaborar con socios que tengan necesidades computacionales intensivas en datos.”

Haga clic aquí para aprender cómo la computación a la velocidad de la luz se vuelve posible con la fotónica de silicio.

La carrera global para reinventar la computación con fotónica 

Deslizar para desplazar →

El progreso de Tsinghua es parte de un cambio global más amplio. Científicos de todo el mundo están compitiendo para superar los cuellos de botella electrónicos recurriendo a la luz.

A principios de este año, otro equipo de China reveló su chip, que utiliza luz para sincronizar procesadores y podría desbloquear comunicaciones de próxima generación y computación de IA de alta velocidad.

Los chips tradicionales generan señales de reloj usando osciladores electrónicos, y a menudo solo operan a una velocidad de reloj primaria, lo que significa que diferentes aplicaciones requieren diferentes tecnologías de fabricación de chips. El nuevo chip diseñado por el grupo internacional de científicos liderado por la Universidad de Pekín de China utiliza “la luz como medio para generar señales de reloj mediante fotones”.

Han desarrollado un “microcomb en chip” que puede sintetizar señales de frecuencia única y de banda ancha y proporcionar relojes de referencia para la electrónica del sistema.

“Al construir un anillo que parece una pista de carreras en el chip, la luz puede ‘correr’ continuamente a la velocidad de la luz. El tiempo de cada vuelta se utiliza entonces como el estándar del reloj en chip,” dijo el autor principal Chang Lin, profesor asistente en el Instituto de Tecnologías de Información y Comunicación de la Universidad de Pekín. “Porque una vuelta tomaría unos pocos miles de millonésimas de segundo, el reloj puede regular el tiempo a una velocidad ultra alta.”

Equipados con la nueva tecnología, los chips pueden cubrir varias bandas de frecuencia de microondas.

El equipo ha alcanzado una velocidad de reloj de más de 100 GHz y ha dicho que pueden producir miles de chips idénticos en obleas de 8 pulgadas mientras resuelven problemas de estabilidad y optimizan los procesos de empaquetado.

Otro equipo internacional de investigadores intentó abordar las limitaciones de la Ley de Moore mediante la fotónica, pero utilizaron un material magneto‑óptico.

Usando pequeños imanes para almacenar datos y controlar la transferencia de luz dentro del material, los investigadores pionearon un nuevo tipo de memoria magneto‑óptica.

Esta nueva clase de memoria, según el estudio, tiene velocidades de conmutación 100 veces más rápidas que las de la tecnología fotónica integrada avanzada, consume aproximadamente una décima parte de la energía y puede reprogramarse más de 2.300 millones de veces, lo que potencialmente significa una vida útil ilimitada.

Mientras tanto, en EE. UU., científicos del MIT han demostrado un procesador fotónico que puede realizar todos los cálculos de IA ópticamente en el chip. Su dispositivo óptico completó realmente los cálculos clave para una tarea de clasificación de ML en menos de medio nanosegundo con una precisión del 92 %.

En su trabajo, los científicos diseñaron unidades de función óptica no lineal (NOFUs) para abordar el desafío de la no linealidad en la óptica, que se debe a que los fotones no interactúan fácilmente entre sí, lo que hace que sea intensivo en energía activar no linealidades ópticas. Las NOFUs combinan óptica y electrónica para integrar operaciones no lineales en el chip.

Mientras las universidades demuestran sus chips ópticos de prueba de concepto, las grandes empresas tecnológicas no están muy atrás; están explorando activamente cómo estos principios pueden hacer que los sistemas de IA comerciales sean más rápidos y ecológicos.

Investigadores de Microsoft detallaron una computadora basada en luz, que utiliza sensores de cámara y micro‑LEDs, para hacer que la IA sea cien veces más eficiente. La computadora óptica analógica (AOC) prototipo del gigante tecnológico calcula un problema numerosas veces, y cada vez, mejora hasta que se alcanza un “estado estable”.

“El aspecto más importante que entrega la AOC es que estimamos una mejora de alrededor de cien veces en la eficiencia energética,” dijo el coautor del estudio Jannes Gladrow, investigador de IA en Microsoft, en la publicación del blog de la empresa. “Eso por sí solo es inaudito en hardware.”

Al mismo tiempo, el equipo programó un “gemelo digital”, un modelo que imita los cálculos del AOC físico y puede escalarse para manejar más variables e incluso cálculos más complejos. El modelo permite al equipo “trabajar en problemas más grandes de lo que el instrumento mismo puede abordar actualmente,” señaló Michael Hansen, director senior de procesamiento de señales biomédicas en Microsoft Health Futures.

La computadora ya puede manejar algunas tareas como la reconstrucción de imágenes de resonancia magnética, la coincidencia de transacciones financieras y la inferencia de IA simple.

Para probar la AOC, el equipo le dio primero la tarea simple de clasificar imágenes, y la AOC física rindió aproximadamente al nivel de una computadora digital. Su gemelo digital se utilizó luego para reconstruir una imagen de una tomografía cerebral usando solo el 62,5 % de los datos originales, y lo hizo con precisión. Este logro, según los científicos, puede conducir a tiempos de resonancia magnética más cortos.

La AOC también se utilizó para resolver problemas financieros, con los que tuvo una tasa de éxito mayor que la de los actuales computadores cuánticos.

En una entrevista con IBM, Francesca Parmigiani, investigadora principal en Microsoft Research Cambridge, dijo que su sistema tiene “capacidad de doble dominio”, lo que significa que puede realizar dos tipos de tareas usando el mismo hardware. Esto se logra mediante la búsqueda de punto fijo, que vincula la forma en que se resuelven ambos problemas.

“Lo que más me entusiasma es que ya podemos ejecutar cargas de trabajo tanto en IA como en optimización en el mismo hardware,” dijo. “Todavía estamos a pequeña escala, pero este es un primer paso importante.”

IBM mismo está utilizando fotones, no para hacer cálculos, sino para mover información más rápido. “Estamos usando luz para enviar datos a muy alta densidad para aplicaciones de IA,” dijo Jean Benoît Héroux, científico investigador en IBM Research. Están desarrollando enlaces fotónicos que transfieren datos entre chips, memoria y placas.

Invertir en la computación fotónica 

A medida que el impulso detrás de la computación fotónica capta la atención de los principales actores tecnológicos en medio de la demanda de computación de IA más rápida, la querida de IA NVIDIA (NVDA ) también ha estado explorando formas de integrar interconexiones fotónicas y redes ópticas para impulsar su hardware aún más.

Mientras lidera la revolución de IA impulsada por GPU, NVIDIA está investigando la transmisión de datos ópticos para superar los cuellos de botella de ancho de banda que limitan las arquitecturas tradicionales de chips.

A principios de este año, la compañía lanzó conmutadores fotónicos con óptica co‑empaquetada (CPO) para proporcionar una resiliencia de red 10 veces mayor, 3,5 veces mejor eficiencia energética y 1,3 veces más rapidez en el despliegue en comparación con redes tradicionales.

En cuanto al rendimiento bursátil del fabricante de chips, esta semana se convirtió en la primera empresa en alcanzar un valor de mercado de 5 billones de dólares, ya que su precio de acción superó los 212 $ y alcanzó un nuevo máximo histórico (ATH). Actualmente cotizando a 207 $, las acciones de NVIDIA han subido más del 54 % en lo que va del año.

Tiene un BPA (TTM) de 3,51 y una relación P/E (TTM) de 58,93. Un rendimiento de dividendo del 0,02 % se paga a los accionistas de Nvidia.

En cuanto a la posición financiera de Nvidia, la compañía reportó unos ingresos de 46,7 mil millones de dólares para el segundo trimestre del año fiscal 2026. Mientras que los ingresos totales aumentaron un 6 % respecto al trimestre anterior, los ingresos del centro de datos de Nvidia crecieron un 5 % a 41,1 mil millones de dólares, con los ingresos del Blackwell Data Center subiendo un 17 % de forma secuencial.

Conclusión

A medida que la locura por la IA se extiende por todo el mundo, investigadores y empresas por igual están trabajando en reemplazar electrones por fotones para desbloquear un nuevo mundo de velocidad, escalabilidad y eficiencia energética. En este intento de redefinir la infraestructura de IA, el reciente avance del motor óptico de la Universidad de Tsinghua muestra que los sistemas basados en luz pueden rivalizar o incluso superar a sus contrapartes electrónicas en tareas específicas.

Pero la computación fotónica sigue en fase de pruebas. Una vez que la computación fotónica madure y se vuelva rentable, puede anunciar una era en la que la computación se mueva a la velocidad de la luz.

Haga clic aquí para aprender cómo un chip alimentado por luz está impulsando la IA 100 veces.

Referencias

^{1. Sun, R., Zhang, L., Li, Y., Wang, X., Chen, J., & Zhao, Q. (2025). Motor de extracción de características ópticas de alta velocidad y baja latencia basado en operadores de difracción. Advanced Photonics Nexus, 4(5), 056012. https://go.redirectingat.com/?id=92X1590019&xcust=livescience_in_9003034678511242340&xs=1&url=https%3A%2F%2Fwww.nature.com%2Farticles%2Fs41586-025-09430-z&sref=https%3A%2F%2Fwww.livescience.com%2Ftechnology%2Fcomputing%2Fmicrosofts-new-light-based-computer-inspired-by-80-year-old-technology-it-could-make-ai-100-times-more-efficient
2. Pintus, P., Dumont, M., Shah, V., Murai, T., Shoji, Y., Huang, D., Moody, G., Bowers, J. E., Youngblood, N., et al. (2025). Óptica magneto‑integrada no recíproca con ultra alta resistencia para la computación fotónica en memoria. Nature Photonics, 19, 54–62. https://www.ibm.com/think/news/computing-with-light-offers-two-paths-for-ai
3. Bandyopadhyay, S., Sludds, A., Krastanov, S., Hamerly, R., Harris, N., Bunandar, D., Streshinsky, M., Hochberg, M., & Englund, D. (2024). Red neuronal profunda fotónica de un solo chip con entrenamiento unidireccional. Nature Photonics, 18, 1335-1343. https://nvidianews.nvidia.com/news/nvidia-announces-financial-results-for-second-quarter-fiscal-2026
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). Computadora óptica analógica para inferencia de IA y optimización combinatoria. Nature, 645(8080), 354-361. https://doi.org/10.1117/1.APN.4.5.056012}