电子设备达到了极限。尽管人工智能模型变得越来越大，连接和复杂，但技术巨头和初创企业现在正在光子学上越过新技术边界：不再通过电脉冲传输信息，而是通过光线传输。这是一个沉默但果断的种族的核心，这是一个目标： 在明天的规模上重建AI的材料基础设施。
一个看不见但关键的瓶颈
AI系统的效率不再仅取决于跳蚤的原始力量，而是取决于 速度和能够循环它们之间的数据。随着分布式体系结构的兴起 – 几十甚至数百个相互连接的芯片会导致单个模型 – 电气连接的物理局限性成为主要制动器：能量损失，潜伏期，过热。
使用光信号传输数据的Photonics提供了更宽的带宽，而无需等效的热耗散。该部门的领导人试图利用这种破裂，意识到 下一代AI将与计算一样多地依赖于互连。
巨人和风险投资助长的动态
NVIDIA，AMD，Google，Microsoft，Openai，Meta：所有人在内部或通过合作伙伴关系投资于光学解决方案。 NVIDIA已经在其网络组件范围内测试光子学模块。 AMD探索了结合芯片和光学互连的共包装设计。
随之而来的是，像LightMatter或Ayar Labs这样的初创公司提升了数亿欧元，以设计未来基础设施的光子砖。 LightMatter最近价值41亿欧元，例如，插入IA芯片下方或在IA芯片上插入的光学插入器和芯片。目的： 使光子学与当前的生产渠道兼容，不重建所有内容。
与GPU的到来相当的工业休息
由于GPU允许实验AI通过生成AI， 光子学可以使过渡到非常大规模运行AI。她解决了一个双重问题：
- 模型的上升 ：从GPT-3到GPT-5，对内部互连的需求爆炸。
- 能源效率 ：虽然计算成本飞走了，但Photonics有望大大减少与数据交换有关的消费。
技术锁在缩放之前提起
如果Photonics承诺在性能上有所突破，那么其概括仍然面临几个技术和工业障碍。组件的微型化，热耗散的控制，高生产成本以及缺乏生产标准降低了其大规模整合。这解释了为什么尽管有令人信服的示威活动，但Nvidia或AMD尚未改变其商业体系结构的大量采用。
但是，许多观察家认为 倾斜可能在两到三年内发生，在AI模型复杂性上升的综合压力下，以及重新考虑基础设施的能源效率的需求。随着生产通道的适应，光子学可以将自己确立为分布式AI的新材料基础。
AI中的光子学：要记住什么
- 加速连接 跳蚤之间已经变得与计算本身一样关键。
- 光子学 允许使用较少的消散能量的带宽更宽。
- 初创企业和巨人 大规模投资以这种方法化。
- Lightmatter，Ayar Labs，Intel，Nvidia，AMD，Meta 是此过渡的主要参与者之一。
- 股份： 建立明天的生成和分布式IA基础设施
