Dal Silicio alla Luce: La Prossima Ondata di Hardware per l’AI

Man mano che l’intelligenza artificiale (AI) continua a diventare più popolare e potente, cresce anche il suo appetito per velocità ed energia. La necessità di sistemi più veloci, intelligenti ed efficienti ha spinto i ricercatori a esplorare un’alternativa radicale: il calcolo ottico.

A differenza dei processori tradizionali che usano elettroni, il calcolo ottico utilizza fotoni, o particelle di luce, per trasmettere e processare informazioni. Questo cambiamento offre due vantaggi critici.

Innanzitutto, i fotoni sono notevolmente più efficienti dal punto di vista energetico. Producono molto meno calore rispetto agli elettroni, i quali generano così tanto calore da limitare le loro prestazioni e richiedere grandi e costosi sistemi di raffreddamento nei data center.

In secondo luogo, la luce viaggia molto, molto più velocemente delle correnti elettriche, consentendo operazioni drasticamente più rapide. I segnali ottici possono anche trasportare più informazioni, offrendo un percorso semplice verso un calcolo più pulito e veloce.

Di conseguenza, c’è ora un crescente interesse per il calcolo fotonico. La tecnologia sta mostrando risultati promettenti in ambienti di laboratorio e sta attirando investimenti significativi da grandi aziende.

Tuttavia, tradurre quel successo di laboratorio in dispositivi fotonici pratici si è rivelato piuttosto difficile. Per farlo, dobbiamo prima superare diversi ostacoli. I fotoni non interagiscono naturalmente tra loro, rendendo difficile costruire le porte logiche ottiche fondamentali per il calcolo. Inoltre, la tecnologia è ancora in fase di ricerca, quindi non possiede la maturità e le economie di scala che la fabbricazione di chip elettronici ha acquisito grazie a decenni di commercializzazione.

Poi ci sono i costi, il volume e le basse velocità di modulazione che limitano la maggior parte delle configurazioni ottiche esistenti. 

Uno studio recente ha compiuto un passo importante verso il superamento di alcune limitazioni sviluppando un nuovo motore ottico, che combina velocità, efficienza e compattezza su un chip.

Ricercatori dell’Università Tsinghua hanno sviluppato un sistema ottico rivoluzionario per il calcolo che esegue l’estrazione di caratteristiche con latenza senza precedenti, potenzialmente in grado di rivoluzionare l’elaborazione AI.

L’uso della luce anziché dell’elettricità per processare i dati consente alla tecnologia di accelerare notevolmente il calcolo riducendo al minimo la latenza, un grande balzo verso l’AI in tempo reale.

Al centro di questo nuovo sistema c’è un interferometro Mach-Zehnder basato su amplificatore ottico a semiconduttore, o SOA-MZI. 

Un SOA è un dispositivo compatto che amplifica direttamente i segnali luminosi tramite emissione stimolata. Nel frattempo, il MZI, uno degli strumenti ottici più antichi, è un dispositivo di interferenza di guide d’onda costituito da due accoppiatori collegati da due guide d’onda di lunghezze differenti.

Ora, la configurazione SOA-MZI consente alla luce di eseguire il lavoro alla base del deep learning. Le informazioni vengono elaborate, e caratteristiche come pattern e bordi vengono rilevate nel segnale luminoso, senza convertirle nuovamente in elettricità.

Inoltre, un multiplexing a divisione di lunghezza d’onda (WDM), metodo è utilizzato dal dispositivo. Questo metodo specifico divide la luce in uno spettro di colori, con ogni colore che trasporta il proprio flusso di dati. Sfruttare il WDM consente al chip di eseguire molti calcoli in parallelo, aumentando così il throughput. 

Quando è stato testato in laboratorio, il motore ha processato dati a velocità fino a 10 gigabit al secondo (Gbps) per canale con una latenza di pochi decine di picosecondi (ps). Per contestualizzare, un picosecondo equivale a 1.000 femtosecondi o a un millesimo di nanosecondo.

Questi risultati mostrano che il motore è molto più veloce di qualsiasi processore elettronico possa potenzialmente raggiungere.

Ciò che questa velocità significa è che il sistema può processare informazioni in tempo reale, rendendolo perfetto per applicazioni come il trading ad alta frequenza, l’imaging medico, la chirurgia robotica, o i veicoli autonomi. Queste applicazioni dipendono dalla capacità dell’AI di estrarre caratteristiche chiave dai dati grezzi a velocità, quindi anche i millisecondi hanno grande importanza. 

La Svolta: Il Motore Ottico di Tsinghua e l’AI in Tempo Reale

La legge di Moore affermava che il numero di transistor su un microchip raddoppia circa ogni due anni. Ciò comporta un aumento della potenza di calcolo, una diminuzione dei costi, e in generale dispositivi più piccoli.

Questa tendenza, che ha guidato l’innovazione nell’industria dei semiconduttori, ora sembra giungere al termine. Avendo ridotto le dimensioni a pochi nanometri, le dimensioni dei transistor stanno avvicinandosi ai limiti fisici della tecnologia basata sul silicio.

Oltre alle dimensioni più ridotte, che portano al tunneling elettronico e correnti di perdita che aumentano il consumo energetico e la generazione di calore, il costo della produzione di microchip all’avanguardia è salito alle stelle. Nel frattempo, il silicio stesso sta raggiungendo i suoi limiti di prestazione e scalabilità.

Questo è il motivo per cui ricercatori e le aziende hanno iniziato a esplorare soluzioni alternative come chiplet, system‑in‑package (SiP), memoria non volatile, calcolo quantistico, biocalcolo e, naturalmente, la fotonica. 

Tra queste alternative, la fotonica mostra una promessa particolare per le applicazioni AI. Sfruttando la potenza della luce, l’estrazione di caratteristiche, passo critico nel machine learning, può essere notevolmente accelerata. 

L’estrazione di caratteristiche è il processo di trasformare dati grezzi in un insieme semplificato di caratteristiche numeriche che rappresentano meglio il problema sottostante per i modelli di machine learning (ML). Questa tecnica riduce la complessità dei dati per estrarre le informazioni più rilevanti, migliorando così le prestazioni e l’efficienza degli algoritmi ML.

Mentre la luce può velocizzare l’estrazione di caratteristiche, mantenere una luce stabile e coerente per calcoli ottici rapidi è estremamente difficile. 

Per affrontare questo, ricercatori dell’Università Tsinghua hanno sviluppato un motore di estrazione di caratteristiche ottiche di seconda generazione (OFE2)¹ in grado di eseguire l’estrazione ottica di caratteristiche per numerose applicazioni pratiche. Il sistema integrato on‑chip utilizza splitter di potenza sintonizzabili e linee di ritardo precise per fornire segnali ottici stabili e paralleli.

Il sistema deserializza il flusso di dati in ingresso campionando il segnale di input in più onde luminose sincronizzate che consentono l’elaborazione parallela e in tempo reale.

Queste onde luminose poi attraversano l’operatore di diffrazione, una struttura microscopica a forma di piastra che esegue calcoli mentre la luce vi si propaga. Questa operazione rispecchia la moltiplicazione matrice‑vettore, un’operazione AI fondamentale usata per trasformare e processare i dati.

Il modo in cui la luce diffratta crea un ‘punto luminoso’ focalizzato all’uscita è fondamentale per questa operazione, poiché può essere parzialmente deviata verso una porta di uscita specifica regolando la fase delle luci di ingresso parallele. È questo spostamento nella potenza di uscita, insieme ai corrispondenti cambiamenti, che permette al loro motore, noto come OFE2, di catturare le caratteristiche delle variazioni del segnale di ingresso nel tempo.

OFE2 opera a una frequenza di 12,5 GHz, un record nel calcolo ottico, e può eseguire una singola moltiplicazione matrice‑vettore in 250,5 ps, che è la latenza più bassa tra le implementazioni simili di calcolo ottico.

“Crediamo fermamente che questo lavoro fornisca un benchmark significativo per avanzare il calcolo di diffrazione ottica integrata oltre i 10 GHz in applicazioni reali.”

– Professor Hongwei Chen, che, insieme al suo team dell’Università Tsinghua, ha condotto questa ricerca

Il team ha dimostrato le forti capacità del loro sistema su diversi compiti.

Quando testato per un compito di trading digitale, OFE2 ha ottenuto risultati impressionanti. Un trader fornisce segnali di prezzo in tempo reale a OFE2, e il motore configurato ottimizzamente genera segnali di output che vengono tradotti direttamente in decisioni di acquisto o vendita per ottenere una redditività stabile con ritardo minimo, poiché il sistema opera alla velocità della luce.

Il team ha anche usato OFE2 per processare immagini, dove il motore ha estratto caratteristiche di bordo dalle immagini di input e creato due mappe di caratteristiche complementari simili a effetti di rilievo e incisione. Le caratteristiche ottiche prodotte da OFE2 hanno ottenuto risultati molto migliori nella classificazione delle immagini e hanno aumentato l’accuratezza dei pixel nella segmentazione semantica, come l’identificazione di organi in scansioni tomografiche computerizzate (CT).

Ancora più importante, quando i sistemi AI usano OFE2, necessitano di meno parametri elettronici, dimostrando il potenziale della pre‑elaborazione ottica per abilitare sistemi AI ibridi più leggeri, efficienti e meno costosi. Il lavoro pesante è svolto dalla pre‑elaborazione ottica, mentre i modelli AI possono concentrarsi sull’apprendimento e l’interpretazione.

Questi risultati suggeriscono che i carichi computazionali più intensi possono essere spostati dall’elettronica alla fotonica, aprendo la strada a modelli AI in tempo reale.

Secondo i ricercatori, il loro dispositivo può processare enormi flussi di dati con una perdita di energia molto ridotta mantenendo una buona integrità del segnale anche sotto carico.

“I progressi presentati nel nostro studio spingono gli operatori di diffrazione integrati a una frequenza più alta, fornendo supporto per servizi intensivi di calcolo in aree come il riconoscimento di immagini, l’assistenza sanitaria e la finanza digitale,” ha dichiarato Chen. “Non vediamo l’ora di collaborare con partner che hanno esigenze computazionali ad alta intensità di dati.”

Clicca qui per scoprire come il calcolo alla velocità della luce diventa possibile con la fotonica su silicio.

La Corsa Globale per Reinventare il Calcolo con la Fotonica 

Scorri per visualizzare →

I progressi di Tsinghua fanno parte di un più ampio cambiamento globale. Scienziati di tutto il mondo stanno gareggiando per superare i colli di bottiglia elettronici rivolgendosi alla luce.

All’inizio di quest’anno, un altro team cinese ha presentato il suo chip, che utilizza la luce per sincronizzare i processori e potrebbe sbloccare comunicazioni di nuova generazione e calcolo AI ad altissima velocità.

I chip tradizionali generano segnali di clock usando oscillatori elettronici, e spesso operano solo a una velocità di clock primaria, il che significa che diverse applicazioni richiedono tecnologie di fabbricazione di chip differenti. Il nuovo chip progettato dal gruppo internazionale di scienziati guidato dall’Università di Pechino utilizza “la luce come mezzo per generare segnali di clock tramite fotoni.”

Hanno sviluppato un “microcomb on‑chip” che può sintetizzare segnali a singola frequenza e a banda larga e fornire clock di riferimento per l’elettronica del sistema.

“Costruendo un anello che assomiglia a una pista da corsa sul chip, la luce può ‘correre’ continuamente alla velocità della luce. Il tempo di ogni giro viene poi usato come standard del clock on‑chip,” ha dichiarato l’autore principale Chang Lin, assistente professore presso l’Istituto di Tecnologia dell’Informazione e della Comunicazione dell’Università di Pechino. “Poiché un giro richiede pochi miliardesimi di secondo, il clock può regolare il tempo a una velocità ultra‑alta.”

Equipaggiati con la nuova tecnologia, i chip possono coprire vari bande di frequenza microwave.

Il team ha raggiunto una velocità di clock superiore a 100 GHz e ha affermato che può produrre migliaia di chip identici su wafer da 8 pollici mentre risolve problemi di stabilità e ottimizza i processi di confezionamento.

Un altro team internazionale di ricercatori ha provato a affrontare le limitazioni della legge di Moore² tramite la fotonica, ma hanno utilizzato un materiale magneto‑ottico. Il materiale è il garnet di ferro ittrio (YIG) sostituito con cerio, le cui proprietà ottiche cambiano dinamicamente in risposta a campi magnetici esterni. 

Usando piccoli magneti per memorizzare dati e controllare il trasferimento di luce all’interno del materiale, i ricercatori hanno introdotto una nuova tipologia di memoria magneto‑ottica.

Questa nuova classe di memoria, secondo lo studio, ha velocità di commutazione 100 volte più rapide rispetto a quelle della tecnologia fotonica integrata avanzata, consuma circa un decimo dell’energia e può essere riprogrammata più di 2,3 miliardi di volte, potenzialmente garantendo una durata illimitata.

Nel frattempo, negli Stati Uniti, scienziati del MIT hanno dimostrato³ un processore fotonico che può eseguire tutti i calcoli AI in modo ottico sul chip. Il loro dispositivo ottico ha effettivamente completato i calcoli chiave per un compito di classificazione ML in meno di mezzo nanosecondo con una precisione del 92 %.

Nel loro lavoro, gli scienziati hanno progettato unità di funzione ottica non lineare (NOFUs) per affrontare la sfida della non linearità in ottica, che deriva dal fatto che i fotoni non interagiscono facilmente tra loro, rendendo così l’attivazione delle non linearità ottiche energivora. I NOFUs combinano ottica ed elettronica per integrare operazioni non lineari sul chip.

Mentre le università dimostrano i loro chip ottici proof‑of‑concept, le grandi aziende tecnologiche non sono molto indietro; stanno attivamente esplorando come questi principi possano rendere i sistemi AI commerciali più veloci e più verdi.

Ricercatori Microsoft ha dettagliato un computer basato sulla luce⁴, che utilizza sensori di fotocamera e micro‑LED, per rendere l’AI cento volte più efficiente. Il prototipo di computer ottico analogico (AOC) del gigante tecnologico calcola un problema numerose volte, e ogni volta, migliora fino a raggiungere uno “stato stabile”.

“L’aspetto più importante che l’AOC offre è che stimiamo un miglioramento di circa cento volte nell’efficienza energetica,” ha dichiarato il co‑autore dello studio Jannes Gladrow, ricercatore AI presso Microsoft, nelpost del blog aziendale. “Questo da solo è inaudito nell’hardware.”

Contemporaneamente, il team ha programmato un “gemello digitale”, un modello che imita i calcoli dell’AOC fisico e può essere scalato per gestire più variabili e calcoli ancora più complessi. Il modello consente al team di “lavorare su problemi più grandi di quanto lo strumento stesso possa affrontare ora,” ha osservato Michael Hansen, direttore senior di biomedical signal processing presso Microsoft Health Futures.

Il computer può già gestire alcuni compiti come la ricostruzione di immagini MRI, l’abbinamento di transazioni finanziarie e l’inferenza AI semplice.

Per testare l’AOC, il team gli ha prima assegnato il compito semplice di classificare immagini, e l’AOC fisico ha raggiunto un livello comparabile a quello di un computer digitale. Il suo gemello digitale è stato poi usato per ricostruire un’immagine di una scansione cerebrale usando solo il 62,5 % dei dati originali, e lo ha fatto accuratamente. Questo risultato, secondo gli scienziati, può portare a tempi MRI più brevi.

L’AOC è stato anche usato per risolvere problemi finanziari, con i quali ha ottenuto un tasso di successo più alto rispetto ai computer quantistici attuali.

In un intervista con IBM, Francesca Parmigiani, ricercatrice principale di Microsoft Research Cambridge, ha affermato che il loro sistema ha “capacità a doppio dominio”, il che significa che può eseguire due tipi di compiti usando lo stesso hardware. Questo viene realizzato sfruttando la ricerca a punti fissi, che collega il modo in cui entrambi i problemi sono risolti.

“Ciò che mi entusiasma di più è che possiamo già eseguire carichi di lavoro sia in AI sia in ottimizzazione sullo stesso hardware,” ha detto. “Siamo ancora su piccola scala, ma questo è un importante primo passo.”

IBM stessa sta utilizzando fotoni, non per eseguire calcoli, ma per spostare le informazioni più velocemente. “Stiamo usando la luce per inviare dati ad altissima densità per applicazioni AI,” ha detto Jean Benoît Héroux, ricercatore presso IBM Research. Stanno sviluppando collegamenti fotonici che trasferiscono dati tra chip, memoria e schede.

Investire nel Calcolo Fotonico 

Man mano che l’entusiasmo per il calcolo fotonico cattura l’attenzione dei principali attori tecnologici in mezzo alla domanda di calcolo AI più veloce, la dote AI NVIDIA (NVDA ) ha anche esplorato modi per integrare interconnessioni fotoniche e reti ottiche per spingere il suo hardware ancora più avanti.

Mentre guida la rivoluzione AI basata su GPU, NVIDIA sta ricercando la trasmissione dati ottica per superare i colli di bottiglia di larghezza di banda che limitano le architetture di chip tradizionali.

All’inizio di quest’anno, l’azienda ha lanciato switch fotonici con ottica co‑packaged (CPO) per fornire una resilienza di rete 10× superiore, 3,5× migliore efficienza energetica e 1,3× tempi di distribuzione più rapidi rispetto alle reti tradizionali.

Per quanto riguarda le performance azionarie del produttore di chip, questa settimana, è diventata la prima azienda a raggiungere un valore di mercato di 5 trilioni di dollari mentre il prezzo delle sue azioni è salito oltre i 212 $ per raggiungere un nuovo massimo storico (ATH). Attualmente scambiata a 207 $, le azioni NVIDIA sono in rialzo di oltre il 54 % YTD.

Ha un EPS (TTM) di 3,51 e un P/E (TTM) di 58,93. Un rendimento da dividendo dello 0,02 % viene pagato agli azionisti Nvidia.  

Per quanto riguarda la posizione finanziaria di Nvidia, l’azienda ha riportato un fatturato di 46,7 miliardi di dollari per il secondo trimestre dell’anno fiscale 2026. Mentre il fatturato totale è aumentato del 6 % rispetto al trimestre precedente, il fatturato del data center di Nvidia è cresciuto del 5 % a 41,1 miliardi di dollari, con il fatturato del Data Center Blackwell in aumento del 17 % sequenzialmente.

Conclusione

Man mano che la mania per l’AI si diffonde in tutto il mondo, ricercatori e aziende stanno lavorando per sostituire gli elettroni con i fotoni per sbloccare un nuovo mondo di velocità, scalabilità ed efficienza energetica. In questo tentativo di ridefinire l’infrastruttura AI, la recente svolta del motore ottico dell’Università Tsinghua dimostra che i sistemi basati sulla luce possono competere o addirittura superare i loro equivalenti elettronici in compiti specifici.

Ma il calcolo fotonico è ancora nella fase di test. Una volta che il calcolo fotonico maturerà e diventerà economicamente conveniente, potrà annunciare un’era in cui il calcolo avviene alla velocità della luce.

Clicca qui per scoprire come un chip alimentato dalla luce sta potenziando l’AI di 100 x.

Riferimenti

^{1. Sun, R., Zhang, L., Li, Y., Wang, X., Chen, J., & Zhao, Q. (2025). High-speed and low-latency optical feature extraction engine based on diffraction operators. 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). Integrated non-reciprocal magneto-optics with ultra-high endurance for photonic 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). Single-chip photonic deep neural network with forward-only training. 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 optical computer for AI inference and combinatorial optimization. Nature, 645(8080), 354-361. https://doi.org/10.1038/s41586-025-09430-z}