Do Silício à Luz: A Próxima Onda de Hardware de IA

À medida que a inteligência artificial (IA) continua a se tornar mais popular e poderosa, também aumenta seu apetite por velocidade e energia. A necessidade de sistemas mais rápidos, mais inteligentes e mais eficientes levou os pesquisadores a explorar uma alternativa radical: computação óptica.

Ao contrário dos processadores tradicionais que utilizam elétrons, a computação óptica usa fótons, ou partículas de luz, para transmitir e processar informações. Essa mudança oferece duas vantagens críticas.

Primeiro, os fótons são significativamente mais eficientes em termos de energia. Eles produzem muito menos calor que os elétrons, que geram tanto calor que limitam seu desempenho e exigem grandes e caros sistemas de refrigeração em data centers.

Segundo, a luz viaja muito, muito mais rápido que as correntes elétricas, permitindo operações drasticamente mais rápidas. Os sinais ópticos também podem transportar mais informação, oferecendo um caminho simples para uma computação mais limpa e veloz.

Como resultado, há agora um interesse crescente na computação fotônica. A tecnologia está mostrando resultados promissores em ambientes de laboratório e atraindo investimentos significativos de grandes empresas.

Entretanto, traduzir esse sucesso de laboratório em dispositivos fotônicos práticos tem se mostrado bastante difícil. Para isso, precisamos superar vários obstáculos primeiro. Os fótons não interagem naturalmente entre si, dificultando a construção dos portões lógicos ópticos que são fundamentais para a computação. Além disso, a tecnologia ainda está em fase de pesquisa, portanto não possui a maturidade e as economias de escala que a fabricação de chips eletrônicos tem devido a décadas de comercialização.

Depois, há custo, volume e baixas taxas de modulação restringindo a maioria das configurações ópticas existentes. 

Um novo estudo deu um grande passo para superar algumas limitações ao desenvolver um novo motor óptico, que combina velocidade, eficiência e compacidade em um chip.

Pesquisadores da Universidade Tsinghua desenvolveram um sistema óptico inovador para computação que realiza extração de características com latência inédita, o que tem o potencial de revolucionar o processamento de IA.

O uso de luz em vez de eletricidade para processar dados permite que a tecnologia acelere a computação significativamente enquanto minimiza a latência, um grande salto rumo à IA em tempo real.

No cerne deste novo sistema está um interferômetro Mach‑Zehnder baseado em amplificador óptico semicondutor, ou SOA‑MZI.

Um SOA é um dispositivo compacto que amplifica diretamente sinais de luz via emissão estimulada. Enquanto isso, o MZI, um dos instrumentos ópticos mais antigos, é um dispositivo básico de interferência de guia de onda composto por dois acopladores conectados por dois guias de onda de comprimentos diferentes.

Agora, a configuração SOA‑MZI permite que a luz realize o trabalho que sustenta o aprendizado profundo. A informação aqui é processada, e características como padrões e bordas são detectadas no sinal de luz, sem convertê‑las de volta em eletricidade.

Além disso, um método de multiplexação por divisão de comprimento de onda (WDM) é usado pelo dispositivo. Esse método específico divide a luz em um espectro de cores, com cada cor carregando seu próprio fluxo de dados. Aproveitar o WDM permite que o chip execute muitos cálculos em paralelo, aumentando assim a taxa de transferência. 

Quando testado no laboratório, o motor processou dados a velocidades de até 10 gigabits por segundo (Gbps) por canal com latência de apenas dezenas de picosegundos (ps). Para contexto, um ps equivale a 1.000 femtossegundos ou um milésimo de nanosegundo.

Esses resultados mostram que o motor é muito mais rápido do que qualquer processador eletrônico poderia possivelmente alcançar.

O que essa velocidade significa é que o sistema pode processar informações em tempo real, tornando‑o perfeito para aplicações como negociação de alta frequência, imagem médica, cirurgia robótica, ou veículos autônomos. Essas aplicações dependem da capacidade da IA de extrair características-chave de dados brutos rapidamente, de modo que até milissegundos têm grande importância. 

A Revolução: O Motor Óptico da Tsinghua e a IA em Tempo Real

A Lei de Moore afirma que o número de transistores em um microchip dobra aproximadamente a cada dois anos. Isso resulta em um aumento da potência de computação, uma diminuição de custo e dispositivos geralmente menores.

Essa tendência, que tem impulsionado a inovação na indústria de semicondutores, agora parece estar chegando ao fim. Tendo encolhido para tamanhos de apenas alguns nanômetros, os transistores estão se aproximando dos limites físicos da tecnologia baseada em silício.

Além do tamanho reduzido, que leva ao tunelamento de elétrons e correntes de fuga que aumentam o consumo de energia e a geração de calor, o custo de fabricação de microchips de ponta disparou. Enquanto isso, o próprio silício está atingindo seus limites de desempenho e escalabilidade.

É por isso que pesquisadores e empresas têm explorado soluções alternativas como chiplets, system‑in‑package (SiP), memória não volátil, computação quântica, biocomputação e, claro, fotônica. 

Entre essas alternativas, a fotônica demonstra promessa particular para aplicações de IA. Ao aproveitar o poder da luz, a extração de características, uma etapa crítica no aprendizado de máquina, pode ser acelerada consideravelmente. 

A extração de características é o processo de transformar dados brutos em um conjunto simplificado de atributos numéricos que representam melhor o problema subjacente para modelos de aprendizado de máquina (ML). Essa técnica reduz a complexidade dos dados para extrair as informações mais relevantes, melhorando assim o desempenho e a eficiência dos algoritmos de ML.

Embora a luz possa acelerar a extração de características, manter luz estável e coerente para computações ópticas rápidas é extremamente desafiador. 

Para abordar isso, pesquisadores da Universidade Tsinghua desenvolveram um motor de extração de características ópticas de segunda geração (OFE2)¹ que pode realizar extração óptica de características para inúmeras aplicações práticas. O sistema integrado em chip usa divisores de potência sintonizáveis e linhas de atraso precisas para entregar sinais ópticos paralelos e estáveis.

O sistema desserializa o fluxo de dados de entrada amostrando o sinal de entrada em múltiplas ondas de luz sincronizadas que permitem processamento paralelo em tempo real.

Essas ondas de luz então passam pelo operador de difração, uma estrutura microscópica em forma de placa que realiza cálculos à medida que a luz se propaga por ela. Essa operação espelha a multiplicação matriz‑vetor, uma operação fundamental de IA usada para transformar e processar dados.

Como a luz difratada cria um “ponto brilhante” focado na saída é fundamental para essa operação, pois pode ser parcialmente desviada para uma porta de saída específica ajustando a fase das luzes de entrada paralelas. É esse movimento na potência de saída, juntamente com as mudanças correspondentes, que permite ao motor, também conhecido como OFE2, capturar as características das variações do sinal de entrada ao longo do tempo.

O OFE2 opera a uma taxa de 12,5 GHz, um recorde em computação óptica, e pode realizar uma única multiplicação matriz‑vetor em 250,5 ps, o que é a latência mais baixa entre implementações semelhantes de computação óptica.

“Acreditamos firmemente que este trabalho fornece um marco significativo para avançar a computação óptica de difração integrada a fim de ultrapassar uma taxa de 10 GHz em aplicações do mundo real.”

– Professor Hongwei Chen, que, junto com sua equipe na Universidade Tsinghua, conduziu esta pesquisa

A equipe demonstrou as fortes capacidades de seu sistema em diferentes tarefas.

Ao ser testado em uma tarefa de negociação digital, o OFE2 alcançou resultados impressionantes. Um trader alimenta sinais de preço em tempo real ao OFE2, e o motor configurado otimamente gera sinais de saída que são diretamente traduzidos em decisões de compra ou venda para alcançar rentabilidade estável com atraso mínimo, já que o sistema opera à velocidade da luz.

A equipe também usou o OFE2 para processar imagens, onde o motor extraiu características de borda de imagens de entrada e criou dois mapas de características complementares semelhantes a efeitos de relevo e gravação. Os recursos ópticos produzidos pelo OFE2 tiveram desempenho muito melhor na classificação de imagens e aumentaram a precisão de pixels em segmentação semântica, como a identificação de órgãos em tomografias computadorizadas (CT).

Mais importante, quando sistemas de IA usam o OFE2, eles precisam de menos parâmetros eletrônicos, demonstrando o potencial do pré‑processamento óptico para habilitar sistemas híbridos de IA mais leves, eficientes e menos custosos. O trabalho pesado é realizado pelo pré‑processamento óptico, enquanto os modelos de IA podem focar no aprendizado e interpretação.

Esses resultados sugerem que as cargas computacionais mais intensas podem ser transferidas da eletrônica para a fotônica, desbloqueando um futuro de modelos de IA em tempo real.

De acordo com os pesquisadores, seu dispositivo pode processar enormes fluxos de dados com muito pouca perda de energia enquanto mantém boa integridade de sinal mesmo sob carga.

“Os avanços apresentados em nosso estudo elevam os operadores de difração integrados a uma taxa mais alta, oferecendo suporte para serviços intensivos em computação em áreas como reconhecimento de imagens, assistência em saúde e finanças digitais”, disse Chen. “Esperamos colaborar com parceiros que tenham necessidades computacionais intensivas em dados.”

Clique aqui para saber como a computação à velocidade da luz se torna possível com fotônica de silício.

A Corrida Global para Reinventar a Computação com Fotônica 

Deslize para rolar →

O progresso da Tsinghua faz parte de uma mudança global maior. Cientistas ao redor do mundo estão correndo para superar os gargalos eletrônicos recorrendo à luz.

No início deste ano, outra equipe da China revelou seu chip, que utiliza luz para sincronizar processadores e poderia desbloquear comunicações de próxima geração e computação de IA de alta velocidade.

Chips tradicionais geram sinais de relógio usando osciladores eletrônicos, e eles frequentemente operam apenas em uma velocidade de relógio primária, o que significa que diferentes aplicações precisam de diferentes tecnologias de fabricação de chips. O novo chip projetado pelo grupo internacional de cientistas liderado pela Universidade de Pequim da China usa “luz como meio para gerar sinais de relógio através de fótons.”

Eles desenvolveram um “microcomb on‑chip” que pode sintetizar sinais de frequência única e larga banda e fornecer relógios de referência para a eletrônica no sistema.

“Ao construir um anel que se parece com uma pista de corrida no chip, a luz pode ‘correr’ continuamente à velocidade da luz. O tempo de cada volta é então usado como padrão do relógio on‑chip,” disse o autor principal Chang Lin, que é professor assistente no Instituto de Tecnologia da Informação e Comunicação da Universidade de Pequim. “Como uma volta levaria alguns bilionésimos de segundo, o relógio pode regular o tempo a uma velocidade ultra‑alta.”

Equipados com a nova tecnologia, os chips podem cobrir várias faixas de frequência de micro‑ondas.

A equipe alcançou uma velocidade de relógio superior a 100 GHz e afirmou que podem produzir milhares de chips idênticos em wafers de 8 polegadas enquanto resolvem questões de estabilidade e otimizam processos de embalagem.

Outra equipe internacional de pesquisadores tentou abordar as limitações da Lei de Moore² por meio da fotônica, mas utilizaram um material magneto‑óptico. O material é granada de ítrio‑ferro (YIG) substituída por cério, cujas propriedades ópticas mudam dinamicamente em resposta a campos magnéticos externos. 

Usando pequenos ímãs para armazenar dados e controlar a transferência de luz dentro do material, os pesquisadores pioneiraram um novo tipo de memória magneto‑óptica.

Esta nova classe de memória, segundo o estudo, tem velocidades de comutação 100 vezes mais rápidas que as das tecnologias fotônicas integradas avançadas, consome cerca de um décimo da energia e pode ser reprogramada mais de 2,3 bilhões de vezes, potencialmente significando uma vida útil ilimitada.

Enquanto isso, nos EUA, cientistas do MIT demonstraram um processador fotônico³ que pode realizar todas as computações de IA opticamente no chip. Seu dispositivo óptico realmente concluiu os cálculos chave para uma tarefa de classificação de ML em menos de meio nanosegundo com 92% de precisão.

Em seu trabalho, os cientistas projetaram unidades de função óptica não linear (NOFUs) para enfrentar o desafio da não linearidade na óptica, que é devido ao fato de os fótons não interagirem facilmente entre si, tornando‑a energia‑intensiva para ativar não linearidades ópticas. NOFUs combinam óptica e eletrônica para integrar operações não lineares no chip.

Enquanto universidades demonstram seus chips ópticos de prova de conceito, grandes empresas de tecnologia não estão muito atrás; elas estão ativamente explorando como esses princípios podem tornar sistemas de IA comerciais mais rápidos e mais verdes.

Pesquisadores da Microsoft detalharam um computador baseado em luz⁴, que usa sensores de câmera e micro‑LEDs, para tornar a IA cem vezes mais eficiente. O protótipo de computador óptico analógico (AOC) da gigante tecnológica computa um problema numerosas vezes, e a cada vez, melhora até que um “estado estável” seja alcançado.

“O aspecto mais importante que o AOC entrega é que estimamos cerca de cem vezes de melhoria na eficiência energética,” disse o co‑autor do estudo Jannes Gladrow, pesquisador de IA da Microsoft, nopost do blog da empresa. “Isso por si só é inaudito em hardware.”

Ao mesmo tempo, a equipe programou um “gêmeo digital,” um modelo que imita os cálculos do AOC físico e pode ser dimensionado para lidar com mais variáveis e cálculos ainda mais complexos. O modelo permite que a equipe “trabalhe em problemas maiores do que o instrumento pode enfrentar agora,” observou Michael Hansen, diretor sênior de processamento de sinais biomédicos na Microsoft Health Futures.

O computador já pode lidar com algumas tarefas como reconstrução de imagens de ressonância magnética, correspondência de transações financeiras e inferência de IA simples.

Para testar o AOC, a equipe primeiro lhe deu a tarefa simples de classificar imagens, e o AOC físico teve desempenho próximo ao de um computador digital. Seu gêmeo digital foi então usado para reconstruir uma imagem de um escaneamento cerebral usando apenas 62,5% dos dados originais, e fez isso com precisão. Essa conquista, acreditam os cientistas, pode levar a tempos de ressonância magnética mais curtos.

O AOC também foi usado para resolver problemas financeiros, com os quais teve uma taxa de sucesso maior que os computadores quânticos atuais.

Em uma entrevista com a IBM, Francesca Parmigiani, pesquisadora principal da Microsoft Research Cambridge, disse que seu sistema tem “capacidade de domínio duplo,” o que significa que pode executar dois tipos de tarefas usando o mesmo hardware. Isso é feito ao aproveitar a busca de ponto fixo, que liga a forma como ambos os problemas são resolvidos.

“O que mais me empolga é que já podemos executar cargas de trabalho tanto em IA quanto em otimização no mesmo hardware,” disse ela. “Ainda estamos em pequena escala, mas este é um primeiro passo importante.”

A própria IBM está utilizando fótons, não para fazer cálculos, mas para mover informações mais rápido. “Estamos usando luz para enviar dados em altíssima densidade para aplicações de IA,” disse Jean Benoît Héroux, cientista de pesquisa da IBM Research. Eles estão desenvolvendo links fotônicos que transferem dados entre chips, memória e placas.

Investindo em Computação Fotônica 

À medida que o impulso da computação fotônica atrai a atenção dos principais players de tecnologia em meio à demanda por computação de IA mais rápida, a queridinha da IA NVIDIA (NVDA ) também tem explorado maneiras de integrar interconexões fotônicas e redes ópticas para impulsionar ainda mais seu hardware.

Enquanto lidera a revolução de IA impulsionada por GPUs, a NVIDIA está pesquisando transmissão de dados ópticos para superar os gargalos de largura de banda que limitam as arquiteturas de chips tradicionais.

No início deste ano, a empresa lançou switches fotônicos com óptica co‑embalada (CPO) para fornecer 10× maior resiliência de rede, 3,5× melhor eficiência energética e 1,3× tempo de implantação mais rápido comparado a redes tradicionais.

Quanto ao desempenho das ações da fabricante de chips, esta semana, ela se tornou a primeira empresa a atingir US$ 5 trilhões em valor de mercado enquanto o preço das ações disparava acima de US$ 212 para atingir um novo recorde histórico (ATH). Atualmente negociada a US$ 207, as ações da NVIDIA subiram mais de 54% no ano.

Ela tem um EPS (TTM) de 3,51 e um P/E (TTM) de 58,93. Um dividend yield de 0,02% é pago aos acionistas da Nvidia.  

Quando se trata da posição financeira da Nvidia, a empresa relatou uma receita de US$ 46,7 bilhões no segundo trimestre do ano fiscal de 2026. Enquanto a receita total subiu 6% em relação ao trimestre anterior, a receita de data center da Nvidia aumentou 5% para US$ 41,1 bilhões, com a receita do Data Center Blackwell crescendo 17% sequencialmente.

Conclusão

À medida que a mania por IA se espalha por todo o mundo, pesquisadores e empresas estão trabalhando para substituir elétrons por fótons e desbloquear um novo mundo de velocidade, escalabilidade e eficiência energética. Nessa tentativa de redefinir a infraestrutura de IA, a recente descoberta do motor óptico da Universidade Tsinghua mostra que sistemas baseados em luz podem rivalizar ou até superar seus equivalentes eletrônicos em tarefas específicas.

Mas a computação fotônica ainda está na fase de testes. Quando a computação fotônica amadurecer e se tornar economicamente viável, poderá inaugurar uma era onde a computação se move à velocidade da luz.

Clique aqui para saber como um chip alimentado por luz está impulsionando a IA em 100 vezes.

Referências

^{1. Sun, R., Zhang, L., Li, Y., Wang, X., Chen, J., & Zhao, Q. (2025). Motor de extração óptica de características de alta velocidade e baixa latência baseado em operadores de difração. 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). Óptica magneto‑óptica não recíproca integrada com ultra‑alta durabilidade para computação fotônica in‑memory. 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). Rede neural profunda fotônica em chip único com treinamento unidirecional. 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). Computador óptico analógico para inferência de IA e otimização combinatória. Nature, 645(8080), 354-361. https://doi.org/10.1038/s41586-025-09430-z}