Fra silisium til lys: Neste AI‑maskinvarebølge

Etter hvert som kunstig intelligens (AI) blir stadig mer populær og kraftig, øker også appetitten på hastighet og energi. Behovet for raskere, smartere og mer effektive systemer har fått forskere til å utforske et radikalt alternativ: optisk databehandling.

I motsetning til tradisjonelle prosessorer som bruker elektroner, bruker optisk databehandling fotoner, eller lyspartikler, til å overføre og behandle informasjon. Dette skiftet gir to kritiske fordeler.

For det første er fotoner betydelig energieffektive. De produserer langt mindre varme enn elektroner, som genererer så mye varme at det begrenser ytelsen og krever store, kostbare kjølesystemer i datasentre.

For det andre beveger lys seg mye, mye raskere enn elektriske strømmer, noe som muliggjør dramatisk raskere operasjoner. Optiske signaler kan også bære mer informasjon, og gir en enkel vei til renere, raskere databehandling.

Som et resultat er interessen for fotonisk databehandling i vekst. Teknologien viser lovende resultater i laboratoriemiljøer og tiltrekker betydelige investeringer fra store selskaper.

Imidlertid har det vist seg ganske vanskelig å overføre den laboratoriebaserte suksessen til praktiske fotoniske enheter. For dette må vi først overvinne flere hindringer. Fotoner interagerer ikke naturlig med hverandre, noe som gjør det vanskelig å bygge de optiske logiske portene som er grunnleggende for databehandling. I tillegg er teknologien fortsatt under forskning, så den mangler den modenheten og skalaøkonomiene som elektronisk chipproduksjon har oppnådd gjennom tiår med kommersialisering.

Deretter er det kostnad, størrelse og lave moduleringshastigheter som begrenser de fleste eksisterende optiske oppsett.

En ny studie har tatt et stort skritt mot å overvinne noen begrensninger ved å utvikle en ny optisk motor, som kombinerer hastighet, effektivitet og kompakthet på én chip.

Forskere fra Tsinghua University har utviklet et banebrytende optisk system for databehandling som utfører funksjonsekstraksjon med enestående lav latens, noe som har potensial til å revolusjonere AI‑behandling.

Bruken av lys i stedet for elektrisitet for å behandle data gjør at teknologien kan akselerere databehandlingen betydelig samtidig som den minimerer latens, et stort steg mot sanntids‑AI.

I kjernen av dette nye systemet ligger en halvlederoptisk forsterker‑basert Mach‑Zehnder‑interferometer, eller SOA‑MZI.

En SOA er en kompakt enhet som direkte forsterker lyssignaler via stimulert emisjon. Samtidig er MZI, et av de eldste optiske instrumentene, en grunnleggende bølgeguide‑interferens‑enhet som består av to koblere koblet sammen av to bølgeguider med ulik lengde.

Nå gjør SOA‑MZI‑oppsettet det mulig for lys å utføre arbeidet som ligger til grunn for dyp læring. Informasjonen behandles her, og funksjoner som mønstre og kanter oppdages i lyssignalet, uten å konvertere dem tilbake til elektrisitet.

I tillegg brukes en bølgelengde‑deling‑multipleksing (WDM)-metode av enheten. Denne metoden deler lyset inn i et spektrum av farger, hvor hver farge bærer sin egen datastrøm. Ved å utnytte WDM kan chipen utføre mange beregninger parallelt, og dermed øke gjennomstrømningen.

Når den ble testet i laboratoriet, behandlet motoren data med hastigheter på opptil 10 gigabit per sekund (Gbps) per kanal med en latens på kun noen titalls pikosekunder (ps). For kontekst er én ps lik 1 000 femtosekunder eller en tusendel av et nanosekund.

Disse resultatene viser at motoren er mye raskere enn noen elektronisk prosessor kan håpe å oppnå.

Hva denne hastigheten betyr er at systemet kan behandle informasjon i sanntid, noe som gjør det perfekt for applikasjoner som høyfrekvent handel, medisinsk bildediagnostikk, robotkirurgi eller autonome kjøretøy. Disse applikasjonene er avhengige av AI‑s evne til å trekke ut viktige funksjoner fra rådata raskt, så selv millisekunder har stor betydning. 

Gjennombruddet: Tsinghua’s Optical Engine and Real-Time AI

Moores lov sier at antallet transistorer på en mikrochip dobles omtrent hvert annet år. Dette fører til økt datakraft, lavere kostnader og generelt mindre enheter.

Denne trenden, som har drevet innovasjon i halvlederindustrien, ser nå ut til å nærme seg slutten. Etter å ha krympet til størrelser på bare noen få nanometer, nærmer transistorstørrelsene seg de fysiske grensene for silisiumbasert teknologi.

I tillegg til den mindre størrelsen, som fører til elektron‑tunneling og lekkasjestrømmer som øker energiforbruket og varmeutviklingen, har kostnadene for produksjon av toppmoderne mikrochips skutt i været. Samtidig når silisium selv sine grenser for ytelse og skalerbarhet.

Dette er grunnen til at forskere og selskaper har utforsket alternative løsninger som chiplets, system‑in‑package (SiP), ikke‑flyktig minne, kvantedatabehandling, biocomputing og, selvfølgelig, fotonikk. 

Blant disse alternativene viser fotonikk spesielt stort potensial for AI‑applikasjoner. Ved å utnytte lysets kraft kan funksjonsekstraksjon, et kritisk steg i maskinlæring, akselereres betydelig. 

Funksjonsekstraksjon er prosessen med å omforme rådata til et forenklet sett av numeriske funksjoner som bedre representerer det underliggende problemet for maskinlærings‑ (ML) modeller. Denne teknikken reduserer datakompleksiteten for å trekke ut den mest relevante informasjonen, og forbedrer dermed ytelsen og effektiviteten til ML‑algoritmer.

Selv om lys kan fremskynde funksjonsekstraksjon, er det ekstremt utfordrende å opprettholde stabilt, koherent lys for raske optiske beregninger.

For å takle dette utviklet forskere fra Tsinghua University en andre‑generasjons optisk funksjonsekstraksjonsmotor (OFE2) som kan utføre optisk funksjonsekstraksjon for en rekke praktiske applikasjoner. Det integrerte on‑chip‑systemet bruker justerbare kraftdelere og presise forsinkelseslinjer for å levere stabile, parallelle optiske signaler.

Systemet deserialiserer den innkommende datastrømmen ved å prøveutta inngangssignalet i flere synkroniserte lysbølger som muliggjør parallell, sanntidsbehandling.

Disse lysbølgene passerer deretter gjennom diffraksjonsoperatøren, en mikroskopisk plate‑lignende struktur som utfører beregninger mens lyset passerer gjennom den. Denne operasjonen speiler matrise‑vektor‑multiplikasjon, en grunnleggende AI‑operasjon som brukes til å transformere og behandle data.

Hvordan det diffrakterte lyset skaper et fokusert «lyst punkt» ved utgangen er grunnleggende for denne operasjonen, da det kan delvis avbøyes mot en bestemt utgangsport ved å justere fasen til de parallelle inngangslysene. Det er denne bevegelsen i utgangseffekten, sammen med de tilsvarende endringene, som gjør at motoren deres, også kalt OFE2, kan fange opp funksjoner i inngangssignalets variasjoner over tid.

OFE2 opererer med en hastighet på 12,5 GHz, en rekord innen optisk databehandling, og kan utføre en enkelt matrise‑vektor‑multiplikasjon innen 250,5 ps, noe som er den laveste latensen blant lignende implementeringer av optisk databehandling.

“Vi er overbeviste om at dette arbeidet gir en betydelig referanse for å videreutvikle integrert optisk diffraksjonsdatabehandling til å overstige en 10 GHz‑rate i virkelige applikasjoner.”

– Professor Hongwei Chen, som sammen med sitt team ved Tsinghua University gjennomførte denne forskningen

Teamet demonstrerte systemets sterke evner på tvers av ulike oppgaver.

Da den ble testet på en digital handelsoppgave, oppnådde OFE2 imponerende resultater. En trader sender sanntids pris‑signaler inn i OFE2, og den optimalt konfigurerte motoren genererer utgangssignaler som direkte oversettes til kjøps‑ eller salgsbeslutninger for å oppnå stabil lønnsomhet med minimal forsinkelse, ettersom systemet opererer med lysets hastighet.

Teamet brukte også OFE2 til å behandle bilder, hvor motoren ekstraherte kant‑funksjoner fra inngangsbildene og skapte to komplementære funksjonskart som lignet relief‑ og gravureffekter. De optiske funksjonene produsert av OFE2 presterte betydelig bedre i bildklassifisering og økte piksel‑nøyaktigheten i semantisk segmentering, for eksempel ved å identifisere organer i datatomografi‑ (CT‑) skanninger.

Enda viktigere, når AI‑systemer bruker OFE2, trenger de færre elektroniske parametere, noe som viser potensialet til optisk forhåndsbehandling for å muliggjøre lettere, mer effektive og mindre kostbare hybride AI‑systemer. Det harde arbeidet utføres av optisk forhåndsbehandling, mens AI‑modellene kan fokusere på læring og tolkning.

Disse resultatene antyder at de mest intensive beregningsbelastningene kan flyttes fra elektronikk til fotonikk, og åpner for en fremtid med sanntids‑AI‑modeller.

Ifølge forskerne kan enheten deres behandle enorme datastrømmer med svært lite energitap samtidig som den opprettholder god signalintegritet selv under belastning.

“Fremskrittene presentert i vår studie løfter integrerte diffraksjonsoperatører til en høyere hastighet, og gir støtte for beregningsintensive tjenester innen områder som bildgjenkjenning, assistert helsevesen og digital finans,” sa Chen. “Vi ser frem til å samarbeide med partnere som har datakrevende beregningsbehov.”

Klikk her for å lære hvordan databehandling med lysets hastighet blir mulig med silisium‑fotonikk.

Det globale kappløpet om å gjenoppfinne beregning med fotonikk 

Sveip for å rulle →

Fremgangen fra Tsinghua er en del av et større globalt skifte. Forskere over hele verden kjemper for å overvinne de elektroniske flaskehalsene ved å gå over til lys.

Tidligere i år avduket et annet team fra Kina sin chip, som bruker lys til å synkronisere prosessorer og kan låse opp neste generasjons kommunikasjon og høyhastighets‑AI‑databehandling.

Tradisjonelle chips genererer klokkesignaler ved hjelp av elektroniske oscillatorer, og de opererer ofte kun med én primær klokkehastighet, noe som betyr at ulike applikasjoner krever forskjellige chip‑produksjonsteknologier. Den nye chipen designet av den internasjonale gruppen av forskere ledet av Kinas Peking University bruker “lys som medium for å generere klokkesignaler gjennom fotoner.”

De har utviklet en “on‑chip mikrokomb” som kan syntetisere enkelt‑frekvens‑ og bredbåndssignaler og levere referanseklokker for elektronikken i systemet.

“Ved å bygge en ring som ser ut som en løpebane på chipen, kan lys kontinuerlig ‘løpe’ med lysets hastighet. Tiden for hver runde brukes deretter som standard for on‑chip‑klokken,” sa hovedforfatter Chang Lin, som er assisterende professor ved Institute of Information and Communication Technology ved Peking University. “Fordi en runde tar noen milliarder av et sekund, kan klokken regulere tid med en ultra‑høy hastighet.”

Utstyrt med den nye teknologien kan chips dekke ulike mikrobølge‑frekvensbånd.

Teamet har oppnådd en klokkehastighet på over 100 GHz og har sagt at de kan produsere tusenvis av identiske chips på 8‑tommers wafere mens de løser stabilitetsproblemer og optimaliserer pakkingsprosesser.

Et annet internasjonalt forskerteam forsøkte å takle begrensningene i Moores lov gjennom fotonikk, men de benyttet et magneto‑optisk materiale.

Materialet er cerium‑substituert yttrium‑jern‑garnett (YIG), hvis optiske egenskaper endres dynamisk som respons på eksterne magnetfelt.

Ved å bruke små magneter til å lagre data og kontrollere overføringen av lys innen materialet, pionerte forskerne en ny type magneto‑optisk minne.

Denne nye klassen av minne, ifølge studien, har byttehastigheter 100 ganger raskere enn de i avansert fotonisk integrert teknologi, bruker omtrent en tiendedel av energien, og kan programmeres på nytt over 2,3 milliarder ganger, noe som potensielt betyr en ubegrenset levetid.

Samtidig har forskere fra MIT i USA demonstrert en fotonisk prosessor som kan utføre alle AI‑beregningene optisk på chipen. Deres optiske enhet fullførte faktisk de viktigste beregningene for en ML‑klassifiseringsoppgave på under et halvt nanosekund med 92 % nøyaktighet.

I deres arbeid designet forskerne ikke‑lineære optiske funksjonsenheter (NOFUs) for å takle utfordringen med ikke‑linearitet i optikk, som skyldes at fotoner ikke lett interagerer med hverandre, og dermed gjør det energikrevende å aktivere optiske ikke‑lineariteter. NOFUs kombinerer optikk og elektronikk for å integrere ikke‑lineære operasjoner på chipen.

Mens universiteter demonstrerer sine konsept‑bevis‑optiske chips, er store teknologiselskaper ikke langt bak; de utforsker aktivt hvordan disse prinsippene kan gjøre kommersielle AI‑systemer raskere og grønnere.

Microsoft‑forskerne beskrev en lysbasert datamaskin som bruker kamerasensorer og mikro‑LED‑er, for å gjøre AI hundre ganger mer effektivt. Den prototype analoge optiske datamaskinen (AOC) fra teknologigiganten beregner et problem mange ganger, og hver gang forbedres den til en “stabil tilstand” oppnås.

“Det viktigste aspektet AOC leverer er at vi estimerer omtrent hundre ganger forbedring i energieffektivitet,” sa studiens medforfatter Jannes Gladrow, som er AI‑forsker hos Microsoft, i selskapets blogginnlegg. “Det alene er uhørt i maskinvare.”

Samtidig programmerte teamet en “digital tvilling,” en modell som etterligner beregningene til den fysiske AOC og kan skaleres for å håndtere flere variabler og enda mer komplekse beregninger. Modellen gjør det mulig for teamet å “jobbe med større problemer enn instrumentet selv kan takle akkurat nå,” bemerket Michael Hansen, senior direktør for biomedisinsk signalbehandling hos Microsoft Health Futures.

Datamaskinen kan allerede håndtere noen oppgaver som MR‑bilde‑rekonstruksjon, finansiell transaksjons‑matching og enkel AI‑inferens.

For å teste AOC ga teamet den først en enkel oppgave med å klassifisere bilder, og den fysiske AOC presterte på omtrent nivå med en digital datamaskin. Dens digitale tvilling ble deretter brukt til å rekonstruere et bilde av en hjerne‑skanning ved å bruke kun 62,5 % av de originale dataene, og den gjorde det nøyaktig. Denne prestasjonen, mener forskerne, kan føre til kortere MR‑tider.

AOC ble også brukt til å løse finansielle problemer, med en høyere suksessrate enn dagens kvantedatamaskiner.

I et intervju med IBM sa Francesca Parmigiani, en Principal Researcher ved Microsoft Research Cambridge, at deres system har “dual‑domain‑kapasitet”, noe som betyr at det kan utføre to typer oppgaver med samme maskinvare. Dette gjøres ved å bruke fast‑punkt‑søk, som knytter sammen måten begge problemene løses på.

“Det som begeistrer meg mest er at vi allerede kan kjøre arbeidsbelastninger både i AI og optimalisering på samme maskinvare,” sa hun. “Vi er fortsatt i liten skala, men dette er et viktig første steg.”

IBM selv bruker fotoner, ikke for å utføre beregninger, men for å flytte informasjon raskere. “Vi bruker lys til å sende data med svært høy tetthet for AI‑applikasjoner,” sa Jean Benoît Héroux, forskningsforsker ved IBM Research. De utvikler fotoniske lenker som overfører data mellom chips, minne og kort.

Investering i fotonisk databehandling 

Etter hvert som momentumet bak fotonisk databehandling fanger oppmerksomheten til store teknologiselskaper i møte med etterspørselen etter raskere AI‑beregning, har AI‑favoritten NVIDIA (NVDA ) også utforsket måter å integrere fotoniske interkonnektorer og optisk nettverk for å presse maskinvaren enda lenger.

Mens NVIDIA leder den GPU‑drevne AI‑revolusjonen, forsker de på optisk datatransmisjon for å overvinne båndbredde‑flaskehalsene som begrenser tradisjonelle chip‑arkitekturer.

Tidligere i år lanserte selskapet fotoniske brytere med co‑packaged optics (CPO) for å tilby 10× høyere nettverks‑resiliens, 3,5× bedre strøm‑effektivitet og 1,3× raskere tid til utrulling sammenlignet med tradisjonelle nettverk.

Når det gjelder chipprodusentens aksjeytelse, ble den denne uken det første selskapet som nådde en markedsverdi på 5 billioner dollar etter at aksjekursen steg forbi 212 $ og nådde et nytt rekordnivå (ATH). For øyeblikket handles NVIDIA‑aksjene til 207 $, opp mer enn 54 % år‑til‑dato.

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

Når det gjelder Nvidias økonomiske posisjon, rapporterte selskapet en inntekt på 46,7 milliarder dollar for andre kvartal av regnskapsåret 2026. Mens totalinntekten økte med 6 % fra forrige kvartal, økte Nvidias datasenter‑inntekt med 5 % til 41,1 milliarder dollar, og Blackwell‑datasenter‑inntekten steg med 17 % sekvensielt.

Konklusjon

Etter hvert som AI‑maniaden sprer seg over hele verden, jobber forskere og selskaper med å erstatte elektroner med fotoner for å låse opp en ny verden av hastighet, skalerbarhet og energieffektivitet. I dette forsøket på å redefinere AI‑infrastruktur viser det nylige gjennombruddet fra Tsinghua Universitys optiske motor at lysbaserte systemer kan konkurrere med, eller til og med overgå, deres elektroniske motparter i spesifikke oppgaver.

Men fotonisk databehandling er fortsatt i testfasen. Når fotonisk databehandling modnes og blir kostnadseffektiv, kan den kunngjøre en æra der beregning beveger seg med lysets hastighet.

Klikk her for å lære hvordan en lysdrevet chip øker AI med 100×.

Referanser

^{1. Sun, R., Zhang, L., Li, Y., Wang, X., Chen, J., & Zhao, Q. (2025). Høyhastighets‑ og lav‑latens‑optisk funksjonsekstraksjonsmotor basert på diffraksjonsoperatører. Advanced Photonics Nexus, 4(5), 056012. https://www.scmp.com/news/china/science/article/3301145/light-speed-chip-unveiled-china-led-team-future-ultra-fast-processing
2. Pintus, P., Dumont, M., Shah, V., Murai, T., Shoji, Y., Huang, D., Moody, G., Bowers, J. E., Youngblood, N., et al. (2025). Integrert ikke‑rekiprok magneto‑optikk med ultra‑høy utholdenhet for fotonisk in‑memory‑beregning. Nature Photonics, 19, 54–62. https://www.nature.com/articles/s41566-024-01567-z
3. Bandyopadhyay, S., Sludds, A., Krastanov, S., Hamerly, R., Harris, N., Bunandar, D., Streshinsky, M., Hochberg, M., & Englund, D. (2024). Enkelt‑chip fotonisk dyp nevralt nettverk med kun‑framover‑trening. Nature Photonics, 18, 1335-1343. https://news.microsoft.com/source/features/innovation/microsoft-analog-optical-computer-cracks-two-practical-problems-shows-ai-promise/
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 datamaskin for AI‑inferens og kombinatorisk optimalisering. Nature, 645(8080), 354-361. https://www.nvidia.com/en-in/networking/products/silicon-photonics/}