Mula sa Silicon patungo sa Liwanag: Ang Susunod na Alon ng AI Hardware

Habang patuloy na nagiging mas popular at makapangyarihan ang artificial intelligence (AI), tumataas din ang pangangailangan nito para sa bilis at enerhiya. Ang pangangailangan para sa mas mabilis, mas matalino, at mas epektibong mga sistema ay nag-udyok sa mga mananaliksik na tuklasin ang isang radikal na alternatibo: optical computing.

Hindi tulad ng tradisyonal na mga processor na gumagamit ng mga elektron, gumagamit ang optical computing ng mga photon, o mga particle ng liwanag, upang magpadala at magproseso ng impormasyon. Ang pagbabagong ito ay nag-aalok ng dalawang mahalagang bentahe.

Una, ang mga photon ay lubos na matipid sa enerhiya. Naglalabas sila ng mas kaunting init kumpara sa mga elektron, na nagdudulot ng napakalaking init na humahadlang sa kanilang pagganap at nangangailangan ng malalaki, mamahaling sistema ng pagpapalamig sa mga data center.

Pangalawa, ang liwanag ay naglalakbay nang napakabilis kumpara sa mga kuryente, na nagbibigay-daan sa napakabilis na operasyon. Ang mga optical signal ay maaari ring magdala ng mas maraming impormasyon, na nag-aalok ng isang simpleng daan patungo sa mas malinis at mas mabilis na computing.

Bilang resulta, may lumalawak na interes sa photonic computing. Ipinapakita ng teknolohiya ang magagarang resulta sa mga laboratoryo at nakakaakit ng malaking pamumuhunan mula sa mga pangunahing kumpanya.

Gayunpaman, ang pagdadala ng tagumpay sa laboratoryo tungo sa praktikal na mga photonic device ay napatunayang medyo mahirap. Para dito, kailangan muna nating malampasan ang ilang mga balakid. Ang mga photon ay hindi natural na nagkakaugnayan sa isa’t isa, kaya mahirap bumuo ng mga optical logic gate na pundamental sa computing. Dagdag pa, ang teknolohiya ay nasa ilalim pa ng pananaliksik, kaya wala pa itong kasanayan at ekonomiya ng sukat na taglay ng paggawa ng elektronikong chip dahil sa dekada ng komersyalisasyon.

Mayroon din gastos, laki, at mababang rate ng modulation na naglilimita sa karamihan ng umiiral na optical setup.

Isang bagong pag-aaral ang gumawa ng malaking hakbang tungo sa pagtagumpayan ng ilang limitasyon sa pamamagitan ng pag-develop ng isang bagong optical engine, na nagsasama ng bilis, kahusayan, at compactness sa isang chip.

Ang mga mananaliksik mula sa Tsinghua University ay nakabuo ng isang makabago at rebolusyonaryong optical system para sa computing na nagsasagawa ng feature extraction na may hindi pa nagagawang mababang latency, na may potensyal na baguhin ang AI processing.

Ang paggamit ng liwanag sa halip na kuryente para magproseso ng data ay nagpapahintulot sa teknolohiya na mapabilis nang malaki ang computing habang binabawasan ang latency, isang malaking hakbang patungo sa real-time AI.

Sa core ng bagong sistemang ito ay matatagpuan ang isang semiconductor optical amplifier-based Mach-Zehnder interferometer, o SOA-MZI.

Ang SOA ay isang compact na aparato na direktang nagpapalakas ng mga light signal sa pamamagitan ng stimulated emission. Samantala, ang MZI, isa sa pinakalumang optical instrument, ay isang pangunahing waveguide interference device na binubuo ng dalawang coupler na konektado ng dalawang waveguide na may magkaibang haba.

Ngayon, ang SOA-MZI setup ay nagpapahintulot sa liwanag na isakatuparan ang gawain na nasa ilalim ng deep learning. Ang impormasyon ay napoproseso dito, at ang mga tampok tulad ng mga pattern at gilid ay natutuklasan sa light signal, nang hindi kinakailangang ibalik ito sa kuryente.

Dagdag pa, isang wavelength-division multiplexing (WDM) na pamamaraan ang ginagamit ng aparato. Ang partikular na pamamaraang ito ay naghahati ng liwanag sa isang spectrum ng mga kulay, kung saan bawat kulay ay may sariling data stream. Sa paggamit ng WDM, nagagawa ng chip na magsagawa ng maraming kalkulasyon nang sabay-sabay, kaya’t pinapataas ang throughput.

Sa pagsubok sa laboratoryo, naproseso ng engine ang data sa bilis na hanggang 10 gigabits per second (Gbps) bawat channel na may latency na ilang dosenang picoseconds (ps). Bilang konteksto, ang isang ps ay katumbas ng 1,000 femtoseconds o isang libong bahagi ng isang nanosecond.

Ipinapakita ng mga resulta na ang engine ay mas mabilis kaysa sa anumang elektronikong processor na maaaring asahan.

Ang kahulugan ng bilis na ito ay maaaring magproseso ng impormasyon ang sistema nang real-time, na ginagawang perpekto ito para sa mga aplikasyon tulad ng high-frequency trading, medical imaging, robotic surgery, o autonomous vehicles. Ang mga aplikasyon na ito ay umaasa sa kakayahan ng AI na kunin ang mahahalagang tampok mula sa raw data nang mabilis, kaya kahit ang mga milisecond ay may malaking kahalagahan.

Ang Pagsulong: Optical Engine ng Tsinghua at Real-Time AI

Ayon sa batas ni Moore, ang bilang ng mga transistor sa isang microchip ay nadodoble bawat halos dalawang taon. Nagdudulot ito ng pagtaas ng kapangyarihan sa computing, pagbaba ng gastos, at pangkalahatang mas maliliit na aparato.

Ang trend na ito, na nagpasigla sa inobasyon sa industriya ng semiconductor, ay tila nagtatapos na. Sa pag-urong sa sukat na ilang nanometer lamang, ang mga sukat ng transistor ay papalapit na sa pisikal na limitasyon ng silicon-based na teknolohiya.

Bukod sa mas maliit na sukat, na nagdudulot ng electron tunneling at leakage currents na nagpapataas ng paggamit ng enerhiya at pagbuo ng init, ang gastos sa paggawa ng mga cutting-edge na microchip ay tumaas nang husto. Samantala, ang silicon mismo ay naaabot na ang mga limitasyon sa pagganap at scalability.

Ito ang dahilan kung bakit ang mga mananaliksik at kumpanya ay nag-eexplore ng mga alternatibong solusyon tulad ng chiplets, system-in-package (SiP), non-volatile memory, quantum computing, biocomputing, at siyempre, photonics.

Sa mga alternatibong ito, ang photonics ay nagpapakita ng partikular na pangako para sa mga AI application. Sa pamamagitan ng paggamit ng kapangyarihan ng liwanag, ang feature extraction, isang kritikal na hakbang sa machine learning, ay maaaring mapabilis nang malaki.

Ang feature extraction ay proseso ng pag-transform ng raw data sa isang pinasimpleng hanay ng mga numerikal na tampok na mas mahusay na kumakatawan sa pinagbabatayan na problema para sa mga machine learning (ML) model. Ang teknik na ito ay nagbabawas ng komplikasyon ng data upang kunin ang pinaka-relevant na impormasyon, kaya pinapabuti ang pagganap at kahusayan ng mga ML algorithm.

Bagaman maaaring mapabilis ng liwanag ang feature extraction, ang pagpapanatili ng matatag at coherent na liwanag para sa mabilis na optical computations ay lubhang hamon.

Upang harapin ito, ang mga mananaliksik mula sa Tsinghua University ay nakabuo ng pangalawang henerasyon na optical feature extraction engine (OFE2) na maaaring magsagawa ng optical feature extraction para sa maraming praktikal na aplikasyon. Ang integrated on-chip system ay gumagamit ng tunable power splitters at eksaktong delay lines upang maghatid ng matatag, parallel na optical signal.

Ang sistema ay nagde-deserialize ng papasok na stream ng data sa pamamagitan ng pagsample ng input signal sa maraming synchronized na light wave na nagpapahintulot ng parallel, real-time processing.

Ang mga light wave na ito ay dumadaan sa diffraction operator, isang mikroskopikong plate-like na estruktura na nagsasagawa ng kalkulasyon habang ang liwanag ay naglalakbay dito. Ang operasyong ito ay katulad ng matrix-vector multiplication, isang pundamental na AI operation na ginagamit upang i-transform at iproseso ang data.

Kung paano ang diffracted na liwanag ay lumilikha ng isang nakatutok na ‘bright spot’ sa output ay mahalaga sa operasyong ito, dahil maaari itong bahagyang ma-deflect patungo sa isang partikular na output port sa pamamagitan ng pag-aayos ng phase ng mga parallel na input light. Ang paggalaw na ito sa output power, kasama ang mga kaugnay na pagbabago, ay nagpapahintulot sa kanilang engine, na kilala rin bilang OFE2, na makuha ang mga tampok ng mga pagbabago ng input signal sa paglipas ng panahon.

Ang OFE2 ay gumagana sa rate na 12.5 GHz, isang rekord sa optical computing, at maaaring magsagawa ng isang matrix-vector multiplication sa loob ng 250.5 ps, na siyang pinakamababang latency sa mga katulad na implementasyon ng optical computing.

“Naniniwala kami nang buong puso na ang gawaing ito ay nagbibigay ng isang mahalagang benchmark para sa pagpapalawak ng integrated optical diffraction computing upang malampasan ang 10 GHz na rate sa mga real-world na aplikasyon.”

– Propesor Hongwei Chen, na kasama ang kanyang koponan sa Tsinghua University, nagsagawa ng pananaliksik na ito

Ipinakita ng koponan ang malakas na kakayahan ng kanilang sistema sa iba’t ibang gawain.

Sa pagsubok para sa isang digital trading task, nakamit ng OFE2 ang kahanga-hangang resulta. Ang isang trader ay nagpasok ng real-time na price signal sa OFE2, at ang maayos na naka-configure na engine ay lumilikha ng mga output signal na direktang isinasalin sa mga desisyon ng pagbili o pagbebenta upang makamit ang matatag na kita na may kaunting pagkaantala, dahil ang sistema ay gumagana sa bilis ng liwanag.

Ginamit din ng koponan ang OFE2 upang magproseso ng mga imahe, kung saan ang engine ay nag-extract ng mga edge feature mula sa input na mga imahe at lumikha ng dalawang magkatugmang feature map na kahawig ng relief at engraving effects. Ang mga optical feature na ginawa ng OFE2 ay mas mahusay sa pagklasipika ng mga imahe at nagtaas ng pixel accuracy sa semantic segmentation, tulad ng pagtukoy ng mga organ sa computed tomography (CT) scans.

Higit pa rito, kapag ang mga AI system ay gumagamit ng OFE2, kailangan nila ng mas kaunting elektronikong parameter, na nagpapakita ng potensyal ng optical pre-processing upang magbigay ng mas magaan, mas epektibo, at mas murang hybrid AI system. Ang mabigat na gawain ay ginagawa ng optical pre-processing, habang ang mga AI model ay maaaring magpokus sa pagkatuto at interpretasyon.

Ipinapahiwatig ng mga resulta na ang pinakamabigat na computational load ay maaaring ilipat mula sa electronics patungo sa photonics, na magbubukas ng hinaharap ng real-time AI models.

Ayon sa mga mananaliksik, ang kanilang aparato ay maaaring magproseso ng napakalaking data stream na may napakakaunting pagkawala ng enerhiya habang pinananatili ang magandang signal integrity kahit na may load.

“Ang mga pag-unlad na inilalahad sa aming pag-aaral ay nagtutulak sa integrated diffraction operators sa mas mataas na rate, na nagbibigay ng suporta para sa compute-intensive na serbisyo sa mga larangan tulad ng image recognition, assisted healthcare, at digital finance,” sabi ni Chen. “Inaasam naming makipagtulungan sa mga partner na may data-intensive na pangangailangan sa computation.”

I-click dito upang malaman kung paano nagiging posible ang computing sa bilis ng liwanag gamit ang silicon photonics.

Ang Pandaigdigang Laban para Muling I-reinvent ang Computation gamit ang Photonics 

Mag-swipe upang mag-scroll →

Ang pag-unlad mula sa Tsinghua ay bahagi ng mas malawak na pandaigdigang pagbabago. Ang mga siyentipiko sa buong mundo ay nagmamadali upang malampasan ang mga elektronikong bottleneck sa pamamagitan ng paglipat sa liwanag.

Noong unang bahagi ng taong ito, isang pangkat mula sa China ang nagpakilala ng kanilang chip, na gumagamit ng liwanag upang i-synchronize ang mga processor at maaaring magbukas ng susunod na henerasyon ng komunikasyon at high-speed AI computing.

Ang tradisyonal na mga chip ay lumilikha ng clock signal gamit ang mga electronic oscillator, at madalas ay gumagana lamang sa isang pangunahing clock speed, na nangangahulugang iba’t ibang aplikasyon ay nangangailangan ng iba’t ibang teknolohiya sa paggawa ng chip. Ang bagong chip na dinisenyo ng internasyonal na grupo ng mga siyentipiko na pinamumunuan ng Peking University ng China ay gumagamit ng “liwanag bilang medium upang lumikha ng clock signal sa pamamagitan ng mga photon.”

Nakapag-develop sila ng isang “on-chip microcomb” na maaaring magsintetisa ng single-frequency at wideband na signal at magbigay ng reference clock para sa mga elektronikong nasa sistema.

“Sa pamamagitan ng pagbuo ng isang singsing na kahawig ng racecourse sa chip, ang liwanag ay maaaring patuloy na ‘tumakbo’ sa bilis ng liwanag. Ang oras ng bawat lap ay ginagamit bilang pamantayan ng on-chip clock,” sabi ng lead author na si Chang Lin, na isang assistant professor sa Institute of Information and Communication Technology sa Peking University. “Dahil ang isang lap ay aabutin lamang ng ilang bilyonths ng segundo, ang clock ay maaaring mag-regulate ng oras sa napakabilis na bilis.”

Sa bagong teknolohiyang ito, ang mga chip ay maaaring sumaklaw sa iba’t ibang microwave frequency band.

Naabot ng koponan ang clock speed na higit sa 100 GHz at sinabi na maaari silang mag-produce ng libu-libong magkaparehong chip sa 8-inch wafers habang nilulutas nila ang mga isyu sa stability at ina-optimize ang mga proseso ng packaging.

Sinubukan ng isa pang internasyonal na koponan ng mga mananaliksik na tugunan ang mga limitasyon ng Batas ni Moore sa pamamagitan ng photonics, ngunit gumamit sila ng magneto-optical na materyal.

Ang materyal ay cerium-substituted yttrium iron garnet (YIG), na ang mga optical property ay dinamiko na nagbabago bilang tugon sa mga external na magnetic field.

Sa paggamit ng maliliit na magnet upang mag-imbak ng data at kontrolin ang paglipat ng liwanag sa loob ng materyal, pinangunahan ng mga mananaliksik ang isang bagong uri ng magneto-optical memory.

Ayon sa pag-aaral, ang bagong klase ng memory na ito ay may switching speed na 100 beses na mas mabilis kaysa sa mga advanced na photonic integrated technology, kumokonsumo ng halos isang-sampung bahagi ng enerhiya, at maaaring i-reprogram ng higit sa 2.3 bilyong beses, na potensyal na nangangahulugang walang limitasyong buhay.

Samantala, sa US, ang mga siyentipiko mula sa MIT ay nagpakita ng isang photonic processor na maaaring gawin ang lahat ng AI computation nang optically sa chip.

Ang kanilang optical device ay talagang natapos ang mga pangunahing kalkulasyon para sa isang ML classification task sa mas mababa sa kalahating nanosecond na may 92% katumpakan.

Sa kanilang trabaho, dinisenyo ng mga siyentipiko ang nonlinear optical function units (NOFUs) upang tugunan ang hamon ng nonlinearity sa optics, na sanhi ng hindi madaling pakikipag-ugnayan ng mga photon sa isa’t isa, kaya’t nagiging energy-intensive ang pag-activate ng optical nonlinearities. Pinagsasama ng NOFUs ang optics at electronics upang isama ang nonlinear operations sa chip.

Habang ipinapakita ng mga unibersidad ang kanilang proof-of-concept na optical chips, hindi naman malayo ang mga pangunahing tech company; aktibo silang nag-eexplore kung paano magagamit ang mga prinsipyong ito upang gawing mas mabilis at mas berde ang mga komersyal na AI system.

Inilarawan ng mga mananaliksik ng Microsoft ang isang light-based computer, na gumagamit ng camera sensors at micro-LEDs, upang gawing isang daang beses na mas epektibo ang AI.

Ang prototype analog optical computer (AOC) mula sa higanteng teknolohiya ay nagko-compute ng isang problema nang maraming beses, at sa bawat pagkakataon, ito ay bumubuti hanggang maabot ang isang “steady state”.

“Ang pinakaimportanteng aspeto na hatid ng AOC ay ang tinatayang halos isang daang beses na pagbuti sa energy efficiency,” sabi ng co-author ng pag-aaral na si Jannes Gladrow, na isang AI researcher sa Microsoft, sa blog post ng kumpanya. “Iyon ay hindi pa naririnig sa hardware.”

Kasabay nito, nag-program ang koponan ng isang “digital twin,” isang modelo na ginagaya ang mga kalkulasyon ng pisikal na AOC at maaaring i-scale upang harapin ang mas maraming variable at mas kumplikadong kalkulasyon. Pinapayagan ng modelo ang koponan na “magtrabaho sa mas malalaking problema kaysa kayang harapin ng instrumento mismo ngayon,” ayon kay Michael Hansen, senior director ng biomedical signal processing sa Microsoft Health Futures.

Ang computer ay kayang harapin na ngayon ang ilang gawain tulad ng MRI image reconstruction, financial transaction matching, at simpleng AI inference.

Upang subukan ang AOC, unang binigyan ito ng simpleng gawain na mag-klasipika ng mga imahe, at ang pisikal na AOC ay nag-perform sa antas na halos katumbas ng digital computer. Ang digital twin nito ay ginamit upang i-reconstruct ang imahe ng isang brain scan gamit lamang ang 62.5% ng orihinal na data, at ginawa ito nang tumpak. Naniniwala ang mga siyentipiko na ang tagumpay na ito ay maaaring magdulot ng mas maikling oras ng MRI.

Ginamit din ang AOC upang lutasin ang mga problemang pinansyal, kung saan ito ay nagkaroon ng mas mataas na tagumpay kumpara sa kasalukuyang quantum computers.

Sa isang panayam sa IBM, sinabi ni Francesca Parmigiani, isang Principal Researcher sa Microsoft Research Cambridge, na ang kanilang sistema ay may “dual-domain capability,” na nangangahulugang maaari itong magsagawa ng dalawang uri ng gawain gamit ang parehong hardware. Ginagawa ito sa pamamagitan ng paggamit ng fixed-point search, na nag-uugnay sa paraan ng paglutas ng parehong problema.

“Ang pinaka-excite sa akin ay na maaari na naming patakbuhin ang mga workload sa parehong AI at optimization sa parehong hardware,” sabi niya. “Maliit pa ang sukat namin, ngunit ito ay isang mahalagang unang hakbang.”

Ang IBM mismo ay gumagamit ng mga photon, hindi para magsagawa ng kalkulasyon, kundi para ilipat ang impormasyon nang mas mabilis. “Gumagamit kami ng liwanag upang magpadala ng data sa napakataas na density para sa mga AI application,” sabi ni Jean Benoît Héroux, isang Research Scientist sa IBM Research. Nagde-develop sila ng photonic links na naglilipat ng data sa pagitan ng mga chip, memory, at board.

Pamumuhunan sa Photonic Computing 

Habang ang momentum sa likod ng photonic computing ay nakahihila ng atensyon ng mga pangunahing tech player sa gitna ng pangangailangan para sa mas mabilis na AI computation, ang AI darling na NVIDIA (NVDA ) ay nagsusuri rin ng mga paraan upang isama ang photonic interconnects at optical networking upang higit pang itulak ang kanilang hardware.

Habang pinangungunahan ang GPU-driven AI revolution, ang NVIDIA ay nagsasaliksik ng optical data transmission upang malampasan ang bandwidth bottlenecks na humahadlang sa tradisyonal na arkitektura ng chip.

Noong unang bahagi ng taong ito, inilunsad ng kumpanya ang mga photonic switch na may co-packaged optics (CPO) upang magbigay ng 10x na mas mataas na network resiliency, 3.5x na mas mahusay na power efficiency, at 1.3x na mas mabilis na oras ng pag-deploy kumpara sa tradisyonal na network.

Tungkol sa performance ng stock ng chip maker, ngayong linggo, ito ay naging unang kumpanya na umabot sa $5 trilyon na market value habang ang presyo ng kanilang share ay tumaas lampas $212 upang maabot ang bagong all-time high (ATH). Sa kasalukuyang presyo na $207, tumaas ng higit sa 54% ang NVIDIA shares ngayong taon.

May EPS (TTM) na 3.51 at P/E (TTM) na 58.93. Ang dividend yield na 0.02% ay binabayaran sa mga shareholder ng Nvidia.

Pagdating sa posisyon pinansyal ng Nvidia, iniulat ng kumpanya ang kita na $46.7 bilyon para sa ikalawang quarter ng fiscal 2026. Habang tumaas ng 6% ang kabuuang kita mula sa nakaraang quarter, tumaas ng 5% ang kita ng data centre ng Nvidia sa $41.1 bilyon, kung saan ang Blackwell Data Center revenue ay tumaas ng 17% sunud-sunod.

Konklusyon

Habang kumakalat ang AI mania sa buong mundo, ang mga mananaliksik at kumpanya ay nagtatrabaho upang palitan ang mga elektron ng mga photon upang buksan ang isang bagong mundo ng bilis, scalability, at energy efficiency. Sa pagsubok na ito na muling tukuyin ang AI infrastructure, ang kamakailang breakthrough mula sa optical engine ng Tsinghua University ay nagpapakita na ang mga light-based system ay maaaring makipagsabayan o kahit higitan ang kanilang mga elektronikong katapat sa mga tiyak na gawain.

Ngunit ang photonic computing ay nasa yugto pa ng pagsubok. Kapag ang photonic computing ay umunlad at naging cost-effective, maaari itong magpasimula ng isang panahon kung saan ang computing ay gumagalaw sa bilis ng liwanag.

I-click dito upang malaman kung paano nagpapalakas ng AI ng 100x ang isang light-powered chip.

Mga Sanggunian

^{1. Sun, R., Zhang, L., Li, Y., Wang, X., Chen, J., & Zhao, Q. (2025). Mataas na bilis at mababang latency na optical feature extraction engine batay sa 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 na may ultra-high endurance para sa 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 na may 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 para sa AI inference at combinatorial optimization. Nature, 645(8080), 354-361. https://doi.org/10.1038/s41586-025-09430-z}