Dari Silikon ke Cahaya: Gelombang Perangkat Keras AI Berikutnya

Seiring kecerdasan buatan (AI) terus menjadi lebih populer dan kuat, begitu pula nafsunya akan kecepatan dan energi. Kebutuhan akan sistem yang lebih cepat, lebih pintar, dan lebih efisien telah mendorong peneliti untuk mengeksplorasi alternatif radikal: komputasi optik.

Berbeda dengan prosesor tradisional yang menggunakan elektron, komputasi optik menggunakan foton, atau partikel cahaya, untuk mentransmisikan dan memproses informasi. Perubahan ini menawarkan dua keunggulan penting.

Pertama, foton jauh lebih efisien energi. Mereka menghasilkan jauh lebih sedikit panas dibandingkan elektron, yang menghasilkan panas berlebih sehingga membatasi kinerjanya dan memerlukan sistem pendinginan besar dan mahal di pusat data.

Kedua, cahaya bergerak jauh, jauh lebih cepat daripada arus listrik, memungkinkan operasi yang jauh lebih cepat. Sinyal optik juga dapat membawa lebih banyak informasi, menawarkan jalur sederhana menuju komputasi yang lebih bersih dan lebih cepat.

Akibatnya, kini terdapat minat yang meningkat terhadap komputasi fotonik. Teknologi ini menunjukkan hasil yang menjanjikan dalam pengaturan laboratorium dan menarik investasi signifikan dari perusahaan-perusahaan besar.

Namun, menerjemahkan keberhasilan laboratorium tersebut menjadi perangkat fotonik praktis terbukti cukup sulit. Untuk itu, kita harus mengatasi beberapa hambatan terlebih dahulu. Foton tidak secara alami berinteraksi satu sama lain, sehingga sulit membangun gerbang logika optik yang menjadi dasar komputasi. Selain itu, teknologi ini masih dalam tahap penelitian, sehingga belum memiliki kematangan dan skala ekonomi yang dimiliki fabrikasi chip elektronik berkat puluhan tahun komersialisasi.

Kemudian ada biaya, ukuran besar, dan tingkat modulasi rendah yang membatasi sebagian besar pengaturan optik yang ada.

Sebuah studi baru telah mengambil langkah besar untuk mengatasi beberapa keterbatasan dengan mengembangkan mesin optik baru, yang menggabungkan kecepatan, efisiensi, dan kekompakan pada satu chip.

Peneliti dari Universitas Tsinghua telah mengembangkan sistem optik terobosan untuk komputasi yang melakukan ekstraksi fitur dengan latensi yang belum pernah tercapai, yang berpotensi merevolusi pemrosesan AI.

Penggunaan cahaya alih-alih listrik untuk memproses data memungkinkan teknologi ini mempercepat komputasi secara signifikan sambil meminimalkan latensi, sebuah lompatan besar menuju AI waktu nyata.

Di inti sistem baru ini terdapat interferometer Mach-Zehnder berbasis penguat optik semikonduktor, atau SOA-MZI.

SOA adalah perangkat kompak yang secara langsung memperkuat sinyal cahaya melalui emisi terstimulasi. Sementara itu, MZI, salah satu instrumen optik tertua, adalah perangkat interferensi gelombang dasar yang terdiri dari dua coupler yang terhubung oleh dua gelombang pandu dengan panjang berbeda.

Sekarang, konfigurasi SOA-MZI memungkinkan cahaya melakukan pekerjaan yang mendasari pembelajaran mendalam. Informasi di sini diproses, dan fitur seperti pola dan tepi terdeteksi dalam sinyal cahaya, tanpa mengubahnya kembali menjadi listrik.

Selain itu, metode multiplexing pembagian panjang gelombang (WDM) digunakan oleh perangkat. Metode khusus ini membagi cahaya menjadi spektrum warna, dengan setiap warna membawa aliran data masing-masing. Memanfaatkan WDM memungkinkan chip menjalankan banyak perhitungan secara paralel, sehingga meningkatkan throughput.

Ketika diuji di laboratorium, mesin tersebut memproses data dengan kecepatan hingga 10 gigabit per detik (Gbps) per saluran dengan latensi hanya puluhan pikodetik (ps). Sebagai konteks, satu ps setara dengan 1.000 femtosekon atau satu per seribu nanodetik.

Hasil ini menunjukkan bahwa mesin tersebut jauh lebih cepat daripada prosesor elektronik mana pun yang dapat diharapkan.

Apa arti kecepatan ini adalah bahwa sistem dapat memproses informasi secara waktu nyata, menjadikannya sempurna untuk aplikasi seperti perdagangan frekuensi tinggi, pencitraan medis, operasi robotik, atau kendaraan otonom. Aplikasi ini bergantung pada kemampuan AI untuk mengekstrak fitur utama dari data mentah dengan cepat, sehingga bahkan milidetik memiliki signifikansi besar.

Terobosan: Mesin Optik Tsinghua dan AI Waktu Nyata

Hukum Moore menyatakan bahwa jumlah transistor pada sebuah mikrochip berlipat ganda kira-kira setiap dua tahun. Hal ini menghasilkan peningkatan daya komputasi, penurunan biaya, dan secara keseluruhan perangkat yang lebih kecil.

Tren ini, yang telah mendorong inovasi di industri semikonduktor, kini tampaknya mendekati akhir. Setelah menyusut menjadi ukuran hanya beberapa nanometer, ukuran transistor mendekati batas fisik teknologi berbasis silikon.

Selain ukuran yang lebih kecil, yang menyebabkan tunneling elektron dan arus bocor yang meningkatkan penggunaan energi dan menghasilkan panas, biaya produksi mikrochip mutakhir telah melambung tinggi. Sementara itu, silikon itu sendiri mendekati batas kinerja dan skalabilitasnya.

Inilah mengapa peneliti dan perusahaan telah mengeksplorasi solusi alternatif seperti chiplet, system-in-package (SiP), memori non-volatile, komputasi kuantum, biokomputasi, dan tentu saja, fotonik.

Di antara alternatif ini, fotonik menunjukkan janji khusus untuk aplikasi AI. Dengan memanfaatkan kekuatan cahaya, ekstraksi fitur, langkah kritis dalam pembelajaran mesin, dapat dipercepat secara signifikan.

Ekstraksi fitur adalah proses mengubah data mentah menjadi sekumpulan fitur numerik yang disederhanakan yang lebih baik mewakili masalah mendasar bagi model pembelajaran mesin (ML). Teknik ini mengurangi kompleksitas data untuk mengekstrak informasi paling relevan, sehingga meningkatkan kinerja dan efisiensi algoritma ML.

Meskipun cahaya dapat mempercepat ekstraksi fitur, menjaga cahaya yang stabil dan koheren untuk komputasi optik cepat sangat menantang.

Untuk mengatasi hal ini, peneliti dari Universitas Tsinghua mengembangkan mesin ekstraksi fitur optik generasi kedua (OFE2) yang dapat melakukan ekstraksi fitur optik untuk berbagai aplikasi praktis. Sistem terintegrasi pada chip ini menggunakan pembagi daya yang dapat disetel dan jalur penundaan presisi untuk menghasilkan sinyal optik paralel yang stabil.

Sistem ini mendeseralisasi aliran data masuk dengan menyampel sinyal input menjadi beberapa gelombang cahaya yang tersinkronisasi, yang memungkinkan pemrosesan paralel secara waktu nyata.

Gelombang cahaya ini kemudian melewati operator difraksi, struktur mikroskopik berbentuk pelat yang melakukan perhitungan saat cahaya merambat melaluinya. Operasi ini meniru perkalian matriks-vektor, operasi AI fundamental yang digunakan untuk mentransformasi dan memproses data.

Cara cahaya yang difraksikan menciptakan ‘titik terang’ terfokus di output merupakan hal fundamental bagi operasi ini, karena dapat sebagian diarahkan ke port output tertentu dengan menyesuaikan fase cahaya input paralel. Pergerakan daya output ini, bersama perubahan terkait, memungkinkan mesin mereka, yang dikenal sebagai OFE2, menangkap fitur variasi sinyal input seiring waktu.

OFE2 beroperasi pada kecepatan 12,5 GHz, sebuah rekor dalam komputasi optik, dan dapat melakukan satu perkalian matriks-vektor dalam 250,5 ps, yang merupakan latensi terendah di antara implementasi serupa komputasi optik.

“Kami yakin kuat bahwa pekerjaan ini menyediakan tolok ukur signifikan untuk memajukan komputasi difraksi optik terintegrasi agar melampaui kecepatan 10 GHz dalam aplikasi dunia nyata.”

– Profesor Hongwei Chen, yang bersama timnya di Universitas Tsinghua, melakukan penelitian ini

Tim tersebut menunjukkan kemampuan kuat sistem mereka di berbagai tugas.

Saat diuji untuk tugas perdagangan digital, OFE2 mencapai hasil mengesankan. Seorang pedagang memasukkan sinyal harga waktu nyata ke OFE2, dan mesin yang dikonfigurasi secara optimal menghasilkan sinyal output yang langsung diterjemahkan menjadi keputusan beli atau jual untuk mencapai profitabilitas stabil dengan penundaan minimal, karena sistem beroperasi pada kecepatan cahaya.

Tim juga menggunakan OFE2 untuk memproses gambar, di mana mesin mengekstrak fitur tepi dari gambar input dan membuat dua peta fitur komplementer yang menyerupai efek relief dan ukiran. Fitur optik yang dihasilkan OFE2 tampil jauh lebih baik dalam mengklasifikasikan gambar dan meningkatkan akurasi piksel dalam segmentasi semantik, seperti mengidentifikasi organ dalam pemindaian tomografi terkomputasi (CT).

Lebih penting lagi, ketika sistem AI menggunakan OFE2, mereka membutuhkan lebih sedikit parameter elektronik, menunjukkan potensi pra-pemrosesan optik untuk memungkinkan sistem AI hibrida yang lebih ringan, lebih efisien, dan lebih murah. Pekerjaan berat dilakukan oleh pra-pemrosesan optik, sementara model AI dapat fokus pada pembelajaran dan interpretasi.

Hasil ini menunjukkan bahwa beban komputasi paling intens dapat dipindahkan dari elektronik ke fotonik, membuka masa depan model AI waktu nyata.

Menurut para peneliti, perangkat mereka dapat memproses aliran data besar dengan sangat sedikit kehilangan energi sambil mempertahankan integritas sinyal yang baik bahkan di bawah beban.

“Kemajuan yang dipresentasikan dalam studi kami mendorong operator difraksi terintegrasi ke kecepatan yang lebih tinggi, memberikan dukungan untuk layanan intensif komputasi di bidang seperti pengenalan gambar, perawatan kesehatan berbantu, dan keuangan digital,” kata Chen. “Kami menantikan kolaborasi dengan mitra yang memiliki kebutuhan komputasi intensif data.”

Klik di sini untuk mempelajari bagaimana komputasi pada kecepatan cahaya menjadi mungkin dengan fotonik silikon.

Perlombaan Global untuk Mengubah Komputasi dengan Fotonik 

Swipe to scroll →

Kemajuan dari Tsinghua merupakan bagian dari pergeseran global yang lebih besar. Ilmuwan di seluruh dunia berlomba mengatasi hambatan elektronik dengan beralih ke cahaya.

Awal tahun ini, tim lain dari China memperkenalkan chip mereka, yang memanfaatkan cahaya untuk menyinkronkan prosesor dan dapat membuka komunikasi generasi berikutnya serta komputasi AI berkecepatan tinggi.

Chip tradisional menghasilkan sinyal clock menggunakan osilator elektronik, dan mereka sering hanya beroperasi pada satu kecepatan clock utama, yang berarti aplikasi berbeda membutuhkan teknologi pembuatan chip yang berbeda. Chip baru yang dirancang oleh kelompok ilmuwan internasional yang dipimpin oleh Universitas Peking, China, menggunakan “cahaya sebagai medium untuk menghasilkan sinyal clock melalui foton.”

Mereka telah mengembangkan “microcomb pada chip” yang dapat mensintesis sinyal frekuensi tunggal dan lebar pita serta menyediakan clock referensi untuk elektronik dalam sistem.

“Dengan membangun cincin yang terlihat seperti lintasan balap pada chip, cahaya dapat terus ‘berlari’ pada kecepatan cahaya. Waktu setiap putaran kemudian digunakan sebagai standar clock pada chip,” kata penulis utama Chang Lin, yang merupakan asisten profesor di Institut Teknologi Informasi dan Komunikasi Universitas Peking. “Karena satu putaran memakan beberapa miliar detik, clock dapat mengatur waktu pada kecepatan ultra-tinggi.”

Dilengkapi dengan teknologi baru, chip dapat mencakup berbagai pita frekuensi gelombang mikro.

Tim telah mencapai kecepatan clock lebih dari 100 GHz dan menyatakan bahwa mereka dapat memproduksi ribuan chip identik pada wafer 8 inci sambil menyelesaikan masalah stabilitas dan mengoptimalkan proses pengemasan.

Tim internasional lain dari peneliti mencoba mengatasi keterbatasan Hukum Moore melalui fotonik, namun mereka menggunakan material magneto-optik.

Material tersebut adalah garnet besi yttrium yang disubstitusi dengan cerium (YIG), yang sifat optiknya berubah secara dinamis sebagai respons terhadap medan magnet eksternal.

Dengan menggunakan magnet kecil untuk menyimpan data dan mengontrol transfer cahaya dalam material, para peneliti mempelopori jenis memori magneto-optik baru.

Kelas memori baru ini, menurut studi, memiliki kecepatan switching 100 kali lebih cepat daripada teknologi fotonik terintegrasi canggih, mengonsumsi sekitar sepersepuluh daya, dan dapat diprogram ulang lebih dari 2,3 miliar kali, yang berpotensi berarti umur tak terbatas.

Sementara itu, di AS, ilmuwan dari MIT telah mendemonstrasikan prosesor fotonik yang dapat melakukan semua komputasi AI secara optik pada chip.

Perangkat optik mereka sebenarnya menyelesaikan perhitungan kunci untuk tugas klasifikasi ML dalam waktu kurang dari setengah nanodetik dengan akurasi 92%.

Dalam pekerjaan mereka, para ilmuwan merancang unit fungsi optik nonlinier (NOFUs) untuk mengatasi tantangan nonlinieritas dalam optik, yang disebabkan oleh foton yang tidak mudah berinteraksi satu sama lain, sehingga mengkonsumsi banyak energi untuk mengaktifkan nonlinieritas optik. NOFUs menggabungkan optik dan elektronik untuk mengintegrasikan operasi nonlinier pada chip.

Sementara universitas menunjukkan chip optik bukti-konsep mereka, perusahaan teknologi besar tidak jauh tertinggal; mereka secara aktif mengeksplorasi bagaimana prinsip ini dapat membuat sistem AI komersial lebih cepat dan lebih ramah lingkungan.

Peneliti Microsoft merinci komputer berbasis cahaya, yang menggunakan sensor kamera dan mikro-LED, untuk membuat AI seratus kali lebih efisien.

Komputer analog optik (AOC) prototipe dari raksasa teknologi tersebut menghitung sebuah masalah berulang kali, dan setiap kali, ia memperbaiki hingga tercapai “keadaan stabil”.

“Aspek terpenting yang disampaikan AOC adalah bahwa kami memperkirakan sekitar seratus kali peningkatan efisiensi energi,” kata co-author studi Jannes Gladrow, yang merupakan peneliti AI di Microsoft, dalam posting blog perusahaan. “Hal itu saja belum pernah terdengar dalam perangkat keras.”

Pada saat yang sama, tim memprogram “kembar digital,” sebuah model yang meniru perhitungan AOC fisik dan dapat diskalakan untuk menangani lebih banyak variabel serta perhitungan yang lebih kompleks. Model tersebut memungkinkan tim untuk “bekerja pada masalah yang lebih besar daripada yang dapat ditangani instrumen itu sendiri saat ini,” catat Michael Hansen, direktur senior pemrosesan sinyal biomedis di Microsoft Health Futures.

Komputer tersebut sudah dapat menangani beberapa tugas seperti rekonstruksi gambar MRI, pencocokan transaksi keuangan, dan inferensi AI sederhana.

Untuk menguji AOC, tim pertama kali memberikannya tugas sederhana mengklasifikasikan gambar, dan AOC fisik tampil pada tingkat yang hampir setara dengan komputer digital. Kembar digitalnya kemudian digunakan untuk merekonstruksi gambar pemindaian otak menggunakan hanya 62,5% data asli, dan ia melakukannya dengan akurat. Pencapaian ini, menurut para ilmuwan, dapat menghasilkan waktu MRI yang lebih singkat.

AOC juga digunakan untuk menyelesaikan masalah keuangan, dengan tingkat keberhasilan yang lebih tinggi dibandingkan komputer kuantum saat ini.

Dalam wawancara dengan IBM, Francesca Parmigiani, Peneliti Utama di Microsoft Research Cambridge, mengatakan bahwa sistem mereka memiliki “kapabilitas dual-domain,” yang berarti dapat melakukan dua jenis tugas menggunakan perangkat keras yang sama. Hal ini dilakukan dengan memanfaatkan pencarian titik tetap, yang menghubungkan cara kedua masalah diselesaikan.

“Yang paling menggembirakan bagi saya adalah bahwa kami sudah dapat menjalankan beban kerja baik dalam AI maupun optimasi pada perangkat keras yang sama,” katanya. “Kami masih dalam skala kecil, tetapi ini merupakan langkah pertama yang penting.”

IBM sendiri memanfaatkan foton, bukan untuk melakukan perhitungan, tetapi untuk memindahkan informasi lebih cepat. “Kami menggunakan cahaya untuk mengirim data dengan kepadatan sangat tinggi untuk aplikasi AI,” kata Jean Benoît Héroux, Peneliti di IBM Research. Mereka sedang mengembangkan link fotonik yang mentransfer data antara chip, memori, dan papan.

Berinvestasi dalam Komputasi Fotonik 

Seiring momentum komputasi fotonik menarik perhatian pemain teknologi besar di tengah permintaan akan komputasi AI yang lebih cepat, bintang AI NVIDIA (NVDA ) juga telah mengeksplorasi cara mengintegrasikan interkoneksi fotonik dan jaringan optik untuk mendorong perangkat kerasnya lebih jauh.

Sambil memimpin revolusi AI berbasis GPU, NVIDIA meneliti transmisi data optik untuk mengatasi bottleneck bandwidth yang membatasi arsitektur chip tradisional.

Awal tahun ini, perusahaan meluncurkan saklar fotonik dengan optik terpaket bersama (CPO) untuk menyediakan ketahanan jaringan 10× lebih tinggi, efisiensi daya 3,5× lebih baik, dan waktu penyebaran 1,3× lebih cepat dibandingkan jaringan tradisional.

Mengenai kinerja saham pembuat chip tersebut, minggu ini, perusahaan menjadi perusahaan pertama yang mencapai nilai pasar $5 triliun saat harga sahamnya melonjak melewati $212 untuk mencapai rekor tertinggi baru (ATH). Saat ini diperdagangkan pada $207, saham NVIDIA naik lebih dari 54% tahun ini.

Perusahaan memiliki EPS (TTM) sebesar 3,51 dan P/E (TTM) sebesar 58,93. Dividen sebesar 0,02% dibayarkan kepada pemegang saham Nvidia.

Mengenai posisi keuangan Nvidia, perusahaan melaporkan pendapatan sebesar $46,7 miliar untuk kuartal kedua tahun fiskal 2026. Sementara total pendapatan naik 6% dari kuartal sebelumnya, pendapatan pusat data Nvidia meningkat 5% menjadi $41,1 miliar, dengan pendapatan Blackwell Data Center melonjak 17% secara berurutan.

Kesimpulan

Saat kegilaan AI menyebar ke seluruh dunia, peneliti dan perusahaan sama-sama bekerja menggantikan elektron dengan foton untuk membuka dunia baru kecepatan, skalabilitas, dan efisiensi energi. Dalam upaya mendefinisikan ulang infrastruktur AI ini, terobosan terbaru dari mesin optik Universitas Tsinghua menunjukkan bahwa sistem berbasis cahaya dapat menyaingi atau bahkan melampaui rekan elektronik mereka dalam tugas tertentu.

Namun komputasi fotonik masih dalam fase pengujian. Setelah komputasi fotonik matang dan menjadi biaya-efektif, hal itu dapat menandai era di mana komputasi bergerak pada kecepatan cahaya.

Klik di sini untuk mempelajari bagaimana chip bertenaga cahaya meningkatkan AI sebesar 100×.

Referensi

^{1. Sun, R., Zhang, L., Li, Y., Wang, X., Chen, J., & Zhao, Q. (2025). Mesin ekstraksi fitur optik berkecepatan tinggi dan latensi rendah berbasis operator difraksi. 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). Magneto-optik non-rekursif terintegrasi dengan ketahanan ultra-tinggi untuk komputasi dalam-memori fotonik. 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). Jaringan saraf dalam fotonik satu chip dengan pelatihan hanya maju. 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). Komputer optik analog untuk inferensi AI dan optimasi kombinatorial. Nature, 645(8080), 354-361. https://doi.org/10.1038/s41586-025-09430-z}