Från kisel till ljus: nästa AI‑hårdvaruvåg

När artificiell intelligens (AI) fortsätter att bli mer populär och kraftfull, ökar också dess aptit på hastighet och energi. Behovet av snabbare, smartare och mer effektiva system har lett forskare till att utforska ett radikalt alternativ: optisk beräkning.

Till skillnad från traditionella processorer som använder elektroner, använder optisk beräkning fotoner, eller ljuspartiklar, för att överföra och bearbeta information. Detta skifte erbjuder två kritiska fördelar.

För det första är fotoner betydligt energieffektiva. De producerar avsevärt mindre värme än elektroner, som genererar så mycket värme att det begränsar deras prestanda och kräver stora, dyra kylsystem i datacenter.

För det andra färdas ljus mycket, mycket snabbare än elektriska strömmar, vilket möjliggör dramatiskt snabbare operationer. Optiska signaler kan också bära mer information, vilket ger en enkel väg till renare, snabbare beräkning.

Som ett resultat finns det nu ett växande intresse för fotonisk beräkning. Tekniken visar lovande resultat i laboratoriemiljöer och lockar betydande investeringar från stora företag.

Att översätta den laboratorieframgången till praktiska fotoniska enheter har dock visat sig vara ganska svårt. För det måste vi först klara flera hinder. Fotoner interagerar inte naturligt med varandra, vilket gör det svårt att bygga de optiska logikportar som är grundläggande för beräkning. Dessutom är tekniken fortfarande under forskning, så den har inte den mognad och de skalfördelar som elektronisk chipproduktion har tack vare årtionden av kommersialisering.

Sedan finns kostnad, volym och låga moduleringshastigheter som begränsar de flesta befintliga optiska uppsättningar.

En ny studie har tagit ett stort steg mot att övervinna vissa begränsningar genom att utveckla en ny optisk motor, som kombinerar hastighet, effektivitet och kompaktitet på ett chip.

Forskare från Tsinghua University har utvecklat ett banbrytande optiskt system för beräkning som utför funktionsextraktion med enastående låg latens, vilket har potential att revolutionera AI‑bearbetning.

Användningen av ljus istället för elektricitet för att bearbeta data gör att tekniken kan påskynda beräkning avsevärt samtidigt som latensen minimeras, ett stort steg mot realtids‑AI.

I kärnan av detta nya system ligger en halvledaroptisk förstärkningsbaserad Mach‑Zehnder‑interferometer, eller SOA‑MZI.

En SOA är en kompakt enhet som direkt förstärker ljussignaler via stimulerad emission. Samtidigt är MZI, ett av de äldsta optiska instrumenten, en grundläggande vågledarinterferensapparat bestående av två kopplare som är förbundna med två vågledare av olika längder.

Nu tillåter SOA‑MZI‑uppsättningen ljuset att utföra det arbete som ligger till grund för djupinlärning. Informationen bearbetas här, och funktioner som mönster och kanter upptäcks i ljussignalen, utan att konvertera dem tillbaka till elektricitet.

Dessutom används en våglängdsdelningsmultiplexering (WDM) av enheten. Denna specifika metod delar upp ljuset i ett spektrum av färger, där varje färg bär sin egen dataström. Genom att utnyttja WDM kan chipet köra många beräkningar parallellt, vilket ökar genomströmningen.

När den testades i laboratoriet bearbetade motorn data med hastigheter på upp till 10 gigabit per sekund (Gbps) per kanal med en latens på endast tiotals picosekunder (ps). För att sätta det i perspektiv motsvarar en ps 1 000 femtosekunder eller en tusendel av en nanosekund.

Dessa resultat visar att motorn är mycket snabbare än någon elektronisk processor någonsin skulle kunna hoppas uppnå.

Vad denna hastighet betyder är att systemet kan bearbeta information i realtid, vilket gör det perfekt för tillämpningar som högfrekvent handel, medicinsk bildbehandling, robotkirurgi eller autonoma fordon. Dessa tillämpningar förlitar sig på AI:s förmåga att extrahera nyckelfunktioner från rådata snabbt, så även millisekunder är av stor betydelse. 

Genombrottet: Tsinghuas optiska motor och realtids‑AI

Moores lag säger att antalet transistorer på ett mikrochip fördubblas ungefär varannan år. Detta resulterar i en ökning av beräkningskraft, en minskning av kostnaden och överlag mindre enheter.

Denna trend, som har drivit innovation inom halvledarindustrin, verkar nu närma sig sitt slut. Efter att ha krympt till storlekar på bara några nanometer närmar sig transistorernas storlek de fysiska gränserna för kiselbaserad teknik.

Förutom den mindre storleken, som leder till elektronisk tunnling och läckströmmar som ökar energianvändning och värmeutveckling, har kostnaden för att tillverka toppmoderna mikrochip skjutit i höjden. Samtidigt närmar sig själva kisel sina prestanda‑ och skalbarhetsgränser.

Det är därför forskare och företag har utforskat alternativa lösningar som chiplets, system‑in‑package (SiP), icke‑flyktigt minne, kvantdatorer, biobekräftning och naturligtvis fotonik. 

Bland dessa alternativ visar fotonik särskilt lovande för AI‑tillämpningar. Genom att utnyttja ljusets kraft kan funktionsextraktion, ett kritiskt steg i maskininlärning, accelereras kraftigt.

Funktionsextraktion är processen att omvandla rådata till en förenklad uppsättning numeriska funktioner som bättre representerar det underliggande problemet för maskininlärningsmodeller (ML). Denna teknik minskar datakomplexiteten för att extrahera den mest relevanta informationen, vilket förbättrar prestanda och effektivitet hos ML‑algoritmer.

Även om ljus kan påskynda funktionsextraktion är det extremt utmanande att upprätthålla stabilt, koherent ljus för snabba optiska beräkningar.

För att tackla detta utvecklade forskare från Tsinghua University en andra generations optisk funktionsextraktionsmotor (OFE2) som kan utföra optisk funktionsextraktion för många praktiska tillämpningar. Det integrerade on‑chip‑systemet använder justerbara kraftdelare och precisa fördröjningslinjer för att leverera stabila, parallella optiska signaler.

Systemet deserialiserar den inkommande dataströmmen genom att sampla insignalen i flera synkroniserade ljusvågor som möjliggör parallell, realtidsbearbetning.

Dessa ljusvågor passerar sedan genom diffraktionsoperatorn, en mikroskopisk plattliknande struktur som utför beräkningar när ljuset fortplantar sig genom den. Denna operation speglar matris‑vektormultiplikation, en grundläggande AI‑operation som används för att transformera och bearbeta data.

Hur det diffrakterade ljuset skapar en fokuserad ‘ljuspunkt’ vid utgången är grundläggande för denna operation, eftersom det kan delvis avledas mot en specifik utgångsport genom att justera fasen på de parallella ingångsljusen. Det är denna rörelse i uteffekt, tillsammans med motsvarande förändringar, som gör att deras motor, även kallad OFE2, kan fånga funktioner av ingångssignalens variationer över tid.

OFE2 arbetar med en hastighet på 12,5 GHz, ett rekord inom optisk beräkning, och kan utföra en enskild matris‑vektormultiplikation inom 250,5 ps, vilket är den lägsta latensen bland liknande implementationer av optisk beräkning.

“Vi är fast övertygade om att detta arbete ger en betydande referenspunkt för att driva integrerad optisk diffraktionsberäkning framåt för att överstiga en hastighet på 10 GHz i verkliga tillämpningar.”

– Professor Hongwei Chen, som tillsammans med sitt team vid Tsinghua University genomförde denna forskning

Teamet demonstrerade systemets starka kapacitet över olika uppgifter.

När den testades för en digital handelsuppgift uppnådde OFE2 imponerande resultat. En handlare matar in realtidsprissignaler i OFE2, och den optimalt konfigurerade motorn genererar utsignaler som direkt översätts till köp‑ eller säljbeslut för att uppnå stabil lönsamhet med minimal fördröjning, eftersom systemet arbetar med ljusets hastighet.

Teamet använde också OFE2 för att bearbeta bilder, där motorn extraherade kantfunktioner från inmatade bilder och skapade två komplementära funktionskartor som liknar relief‑ och graveringseffekter. De optiska funktionerna som producerades av OFE2 presterade mycket bättre vid bildklassificering och ökade pixelnoggrannheten i semantisk segmentering, exempelvis identifiering av organ i datortomografi (CT)-skanningar.

Viktigare är att när AI‑system använder OFE2 kräver de färre elektroniska parametrar, vilket visar potentialen för optisk förbehandling att möjliggöra lättare, mer effektiva och billigare hybrid‑AI‑system. Det tunga arbetet utförs av optisk förbehandling, medan AI‑modellerna kan fokusera på inlärning och tolkning.

Dessa resultat tyder på att de mest intensiva beräkningsbelastningarna kan flyttas från elektronik till fotonik, vilket öppnar en framtid med realtids‑AI‑modeller.

Enligt forskarna kan deras enhet bearbeta enorma dataströmmar med mycket liten energiförlust samtidigt som den upprätthåller god signalintegritet även under belastning.

“De framsteg som presenteras i vår studie driver integrerade diffraktionsoperatorer till en högre hastighet, vilket ger stöd för beräkningsintensiva tjänster inom områden som bildigenkänning, assisterad sjukvård och digital finans,” sade Chen. “Vi ser fram emot att samarbeta med partners som har datatunga beräkningsbehov.”

Klicka här för att lära dig hur beräkning med ljusets hastighet blir möjlig med kisel‑fotonik.

Det globala loppet att återuppfinna beräkning med fotonik 

Swipe to scroll →

Framstegen från Tsinghua är en del av en större global förändring. Forskare runt om i världen tävlar om att övervinna de elektroniska flaskhalsarna genom att vända sig till ljus.

Tidigare i år presenterade ett annat team från Kina sitt chip, som använder ljus för att synkronisera processorer och kan låsa upp nästa generations kommunikation och hög‑snabb AI‑beräkning.

Traditionella chip genererar klocksignaler med hjälp av elektroniska oscillatorer, och de fungerar ofta bara med en primär klockfrekvens, vilket innebär att olika tillämpningar kräver olika chip‑tillverkningstekniker. Det nya chipet som designats av den internationella gruppen av forskare ledd av Kinas Peking University använder “ljus som medium för att generera klocksignaler genom fotoner.”

De har utvecklat en “on‑chip‑microcomb” som kan syntetisera enkelfrekvens‑ och bredbandsignaler och tillhandahålla referensklockor för elektroniken i systemet.

“Genom att bygga en ring som ser ut som en racerbana på chipet kan ljuset kontinuerligt ‘köra’ med ljusets hastighet. Tiden för varje varv används sedan som standard för on‑chip‑klockan,” sade huvudförfattare Chang Lin, som är biträdande professor vid Institutet för information och kommunikationsteknik på Peking University. “Eftersom ett varv tar några miljarddelar av en sekund kan klockan reglera tiden med en ultrahög hastighet.”

Utrustade med den nya tekniken kan chipen täcka olika mikrovågsfrekvensband.

Teamet har uppnått en klockfrekvens på över 100 GHz och har sagt att de kan producera tusentals identiska chip på 8‑tumsskivor samtidigt som de löser stabilitetsproblem och optimerar förpackningsprocesser.

Ett annat internationellt forskarlag försökte ta itu med begränsningarna i Moores lag genom fotonik, men de använde ett magneto‑optiskt material.

Materialet är cerium‑substituerad yttriumjärngarnet (YIG), vars optiska egenskaper förändras dynamiskt som svar på externa magnetfält.

Genom att använda små magneter för att lagra data och kontrollera ljusöverföringen inom materialet, pionjärade forskarna en ny typ av magneto‑optiskt minne.

Denna nya minnesklass, enligt studien, har växlingshastigheter 100 gånger snabbare än de hos avancerad fotonisk integrerad teknik, förbrukar cirka en tiondel av energin och kan omprogrammeras över 2,3 miljarder gånger, vilket potentiellt innebär en obegränsad livslängd.

Samtidigt har forskare från MIT i USA demonstrerat en fotonisk processor som kan utföra alla AI‑beräkningar optiskt på chipet.

Deras optiska enhet slutförde faktiskt de viktigaste beräkningarna för en ML‑klassificeringsuppgift på mindre än en halv nanosekund med 92 % noggrannhet.

I sitt arbete designade forskarna icke‑linjära optiska funktionsenheter (NOFUs) för att tackla utmaningen med icke‑linjäritet i optik, vilket beror på att fotoner inte lätt interagerar med varandra, vilket gör det energikrävande att aktivera optiska icke‑linjäriteter. NOFUs kombinerar optik och elektronik för att integrera icke‑linjära operationer på chipet.

Medan universitet demonstrerar sina proof‑of‑concept‑optiska chip, ligger stora teknikföretag inte långt efter; de utforskar aktivt hur dessa principer kan göra kommersiella AI‑system snabbare och grönare.

Microsoft‑forskare beskrev en ljusbaserad dator som använder kamerasensorer och mikro‑LED‑ar för att göra AI hundra gånger mer effektivt.

Prototypen av den analoga optiska datorn (AOC) från teknikjätten beräknar ett problem många gånger, och varje gång förbättras den tills ett “steady state” uppnås.

“Den viktigaste aspekten som AOC levererar är att vi uppskattar omkring hundra gånger förbättring i energieffektivitet,” sade studiens medförfattare Jannes Gladrow, som är AI‑forskare på Microsoft, i företagets blogginlägg. “Det är helt otänkbart i hårdvara.”

Samtidigt programmerade teamet en “digital tvilling”, en modell som efterliknar beräkningarna i den fysiska AOC och kan skalas för att hantera fler variabler och ännu mer komplexa beräkningar. Modellen gör det möjligt för teamet att “arbeta med större problem än vad instrumentet själv kan hantera just nu,” noterade Michael Hansen, senior director för biomedicinsk signalbehandling på Microsoft Health Futures.

Datorn kan redan hantera vissa uppgifter som MRI‑bildrekonstruktion, finansiell transaktionsmatchning och enkel AI‑inferens.

För att testa AOC gav teamet den först den enkla uppgiften att klassificera bilder, och den fysiska AOC presterade på ungefär samma nivå som en digital dator. Dess digitala tvilling användes sedan för att rekonstruera en bild av en hjärnskanning med endast 62,5 % av originaldata, och den gjorde det exakt. Denna prestation, tror forskarna, kan leda till kortare MRI‑tider.

AOC användes också för att lösa finansiella problem, där den hade en högre framgångsfrekvens än nuvarande kvantdatorer.

I en intervju med IBM sade Francesca Parmigiani, en Principal Researcher vid Microsoft Research Cambridge, att deras system har “dual‑domain‑kapacitet”, vilket betyder att det kan utföra två typer av uppgifter med samma hårdvara. Detta görs genom att använda fast‑punkt‑sökning, vilket kopplar ihop hur båda problemen löses.

“Det som mest entusiasmerar mig är att vi redan kan köra arbetsbelastningar inom både AI och optimering på samma hårdvara,” sade hon. “Vi är fortfarande i liten skala, men detta är ett viktigt första steg.”

IBM själva använder fotoner, inte för att utföra beräkningar, utan för att flytta information snabbare. “Vi använder ljus för att skicka data med mycket hög densitet för AI‑tillämpningar,” sade Jean Benoît Héroux, forskningsvetenskapsman vid IBM Research. De utvecklar fotoniska länkar som överför data mellan chip, minne och kort.

Investering i fotonisk beräkning 

När drivkraften bakom fotonisk beräkning fångar uppmärksamheten hos stora teknikspelare mitt i efterfrågan på snabbare AI‑beräkning, har AI‑favoriten NVIDIA (NVDA ) också utforskat sätt att integrera fotoniska interconnects och optisk nätverk för att driva sin hårdvara ännu längre.

Medan NVIDIA leder den GPU‑drivna AI‑revolutionen forskar de på optisk datatransmission för att övervinna bandbreddsflaskhalsarna som begränsar traditionella chiparkitekturer.

Tidigare i år lanserade företaget fotoniska switchar med co‑packaged optics (CPO) för att erbjuda 10‑ gånger högre nätverksresiliens, 3,5‑ gånger bättre energieffektivitet och 1,3‑ gånger snabbare driftsättning jämfört med traditionella nätverk.

När det gäller chipstillverkarens aktieprestation blev den här veckan det första företaget att nå ett marknadsvärde på 5 triljoner dollar när aktiekursen steg förbi 212 $ och nådde ett nytt rekord (ATH). För närvarande handlas NVIDIA‑aktierna till 207 $ och har stigit mer än 54 % år‑till‑dag.

Den har ett EPS (TTM) på 3,51 och ett P/E (TTM) på 58,93. En utdelningsavkastning på 0,02 % betalas till Nvidia‑aktieägare.  

När det gäller Nvidias finansiella position rapporterade företaget en omsättning på 46,7 miljarder dollar för det andra kvartalet av räkenskapsåret 2026. Medan den totala omsättningen ökade med 6 % från föregående kvartal, ökade Nvidias datacenter‑omsättning med 5 % till 41,1 miljarder dollar, med Blackwell‑datacenter‑omsättningen som steg med 17 % sekventiellt.

Slutsats

När AI‑mani sprider sig över hela världen arbetar forskare och företag med att ersätta elektroner med fotoner för att låsa upp en ny värld av hastighet, skalbarhet och energieffektivitet. I detta försök att omdefiniera AI‑infrastrukturen visar det senaste genombrottet från Tsinghua Universitys optiska motor att ljusbaserade system kan konkurrera med eller till och med överträffa sina elektroniska motsvarigheter i specifika uppgifter.

Men fotonisk beräkning är fortfarande i testfasen. När fotonisk beräkning mognar och blir kostnadseffektiv kan den inleda en era där beräkning sker med ljusets hastighet.

Klicka här för att lära dig hur ett ljusdrivet chip ökar AI med 100 x.

Referenser

^{1. Sun, R., Zhang, L., Li, Y., Wang, X., Chen, J., & Zhao, Q. (2025). Hög hastighet och låg latens optisk funktionsextraktionsmotor baserad på diffraktionsoperatorer. 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). Integrerad icke‑reciprocal magneto‑optik med ultrahög uthållighet för fotonisk in‑memory‑beräkning. 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). Enkelt‑chip fotonisk djup neuralnätverk med enbart framåtriktad träning. 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 optisk dator för AI‑inferens och kombinatorisk optimering. Nature, 645(8080), 354-361. https://doi.org/10.1038/s41586-025-09430-z}