Lightelligences WAIC-demo viser, at fotonisk AI er på vej ud af laboratoriet

Lightelligence brugte WAIC 2026 – World Artificial Intelligence Conference i Shanghai – til at argumentere mere praktisk for optisk, eller fotonisk, databehandling. I stedet for kun at vise hurtig matrixregning i en chip, demonstrerede virksomheden Tianshu Light Cube i et konkret scenarie med adgangskontrol og visuel genkendelse. Samtidig pegede PACE 3-programmet mod inferens for større AI-modeller. 192027

Det centrale signal er derfor ikke, at fotoniske processorer allerede kan afløse GPU’er bredt. Det er, at en hybrid løsning begynder at kunne vurderes som et produkt: Kan den installeres, integreres i software, køre stabilt og serviceres i praksis?

Fra chip-påstand til færdigt system

Tianshu Light Cube bygger på PACE 2, en optoelektronisk accelerator, og samler beregning, CPU, hukommelse, aktiv køling og eksterne grænseflader i en boks, der skal kunne tages i brug uden omfattende specialintegration. Den er ifølge rapporteringen rettet mod hyppige visuelle opgaver som blandt andet adgangskontrol. 1926

Det er vigtigt, fordi en AI-accelerator ikke alene vurderes på sin regnehastighed. I drift tæller også inferenssoftware, dataforbindelser, varmehåndtering, overvågning, stabilitet og vedligeholdelse. En samlet løsning gør det muligt for potentielle kunder at afprøve en hel arbejdsbelastning – uden selv at skulle sammensætte fotonisk chip, værtselektronik, køling, drivere og applikationspipeline.

PACE 3 bygger videre på den fortælling. Lightelligence oplyste, at PACE 3’s fotoniske chip var kommet tilbage fra fabrikation i juni 2026, og at designet understøtter en matrixstørrelse på op til 256×256 til inferens for store modeller med lav latenstid og høj gennemstrømning. Senere rapportering oplyste, at både den fotoniske integrerede kreds, PIC, og den elektroniske integrerede kreds, EIC, var sendt til produktion, mens systemvalidering endnu manglede. 1927

Den sidste reservation er afgørende: Tape-out og modtagelse af de første chips er væsentlige udviklingsmilepæle, men det er ikke det samme som uafhængigt dokumenteret ydeevne i produktionsskala for store AI-modeller.

Derfor er en hybrid med lys og elektronik relevant

Fotoniske processorer er særligt egnede til de tætte lineære operationer, der fylder meget i AI-modeller. Forskningsoversigter peger på meget lav latenstid og lavt energiforbrug pr. multiply-accumulate-operation i flere former for fotonisk matrixberegning – men resultaterne afhænger stærkt af arkitekturen og af, hvad målingen omfatter. 33

Et brugbart AI-system er dog ikke rent optisk. Lightelligences arkitektur er optoelektronisk: Den fotoniske del udfører tætte matrixoperationer, mens elektroniske chips står for lagring og styring. 11 Det er en praktisk arbejdsdeling, da inferens også kræver dataflytning, signalomformning, ikke-lineære operationer, orkestrering, hukommelsesstyring og fejlhåndtering.

Det kommercielle spørgsmål er derfor systemets samlede effektivitet – ikke kun den optiske kernes teoretiske effektivitet. Et studie fra 2026 vurderede, at ADC’er og DAC’er, som omsætter mellem analoge og digitale signaler, kan stå for over 80 % af energibudgettet i en konverteringsdomineret fotonisk AI-arkitektur. Valget af præcision og konverteringsdesign bliver dermed et afgørende kompromis mellem energi og nøjagtighed. 45

Hvilke barrierer forsøger Light Cube at løse?

Installation og integration

En færdig boks sænker tærsklen for de første brugere. I stedet for at skulle indbygge fotonisk hardware i egne servere kan en organisation teste et afgrænset system med understøttende beregning, hukommelse, køling og grænseflader. 1926

Det er særligt relevant i edge- og visionsopgaver, hvor reaktionstid og stabil drift kan være lige så vigtige som maksimal gennemstrømning. Et adgangskontrolsystem, der bruges løbende, kan give praktisk viden om installation, oppetid og adfærd ved mange gentagne opgaver.

Software og udviklere

Fotonisk hardware kræver software og modeller, der tager højde for kvantisering, kalibrering, variation mellem komponenter, kombineret optisk-elektronisk udførsel og fordeling af arbejdsbelastningen på de tilgængelige matrixkerner. Lightelligence har ifølge rapporteringen samarbejdet med universiteter og forskningsinstitutioner om at bringe simulatoren LTSimulator og evalueringskortet Gazelle ind i undervisning og laboratorier. 20

Det er et langsigtet økosystemtræk. Udviklere kan lære hardwarebevidst modeltilpasning og algoritmedesign, før den specialiserede hardware er bredt udbredt. Dermed kan virksomheden forsøge at mindske den klassiske koldstart: Der mangler software, fordi få har hardware, og få køber hardware, fordi der mangler software.

Leverandørkæde og produktion

Kommerciel fotonisk databehandling kræver langt mere end en regnechip. Lasere, modulatorer, detektorer, elektroniske styrekredse, indpakning, test, kalibrering og systemgrænseflader skal fungere samlet. På WAIC viste Lightelligence også optisk beregning, optisk interconnect og optisk switching, hvilket placerer virksomheden i en bredere AI-infrastrukturfortælling frem for alene som leverandør af en accelerator. 2327

Det fjerner ikke risikoen i leverandørkæden, men det kan gøre teknologien lettere at produktgøre, hvis systemet bygges af mere gentagelige komponenter og integrationsmønstre.

Nøjagtighed, kalibrering og drift

Optisk hardware påvirkes af fysiske ufuldkommenheder. Forskning peger blandt andet på ubalanceret tab, afvigelser i optiske komponenter, upræcise konverteringer, ikke-lineære responser og bølgelængdeafhængig variation. Kalibrering og kompensation er derfor centrale systemfunktioner. 323637

Et kommercielt produkt bør altså vurderes på mere end et idealiseret resultat for en enkelt matrixoperation. Det skal levere stabil nøjagtighed over tid, kræve håndterbar rekalibrering og opføre sig forudsigeligt på tværs af producerede enheder.

Hvorfor 256×256 er et praktisk niveau – ikke bare »større er bedre«

En matrix på 256×256 rummer 65.536 elementer og giver en fotonisk kerne betydelig parallel kapacitet til AI-modellers opdelte neurale netværksoperationer. Men kilderne fastslår ikke, at 256×256 er et universelt fysisk optimum. Det bør snarere ses som et praktisk ingeniørmæssigt kompromis.

Lightelligences bestyrelsesformand formulerede det direkte: En større matrix giver ikke automatisk mere nyttig beregningskraft; afgørende er evnen til fleksibelt at tilpasse sig forskellige modeller. 28

Når arrays vokser, vokser også kompleksiteten i signalføring og fordeling af optisk effekt, insertion loss, behovet for analog ind- og udlæsning, termisk justering, kalibrering, indpakning og risikoen for lavere udbytte i produktionen. Forskning i optiske crossbars beskriver tilsvarende tab i blandt andet koblere, splittere, krydsninger og bølgeledere. 38

Det kan derfor være bedre at opdele en model på flere håndterbare kerner end at bygge én ekstremt stor, monolitisk matrix. Den bedste konfiguration afhænger af modellens form, præcisionskrav, konverteringsomkostninger, indpakning, faktisk produktionsudbytte og samlet energiforbrug – ikke alene af matrixdimensionen.

Præcision hører til samme afvejning. Eksperimentel forskning i fotonisk-elektroniske systemer har vist høj nøjagtighed ved fotonisk multiplikation med lave bitbredder, mens digital akkumulering og andre metoder kan forbedre resultaterne for prikprodukter. 35 Værdien af en fotonisk matrix ligger dermed i hele den hybride arbejdsgang.

Et økosystem ved siden af GPU’en – ikke en ren afløser

Den mest troværdige læsning af Lightelligences WAIC-program er komplementær specialisering. Fotoniske motorer kan accelerere udvalgte tætte lineære operationer og muligvis dele af AI-infrastruktur med tung dataflytning. GPU’er og CPU’er vil fortsat være vigtige til programmerbarhed, træning, hukommelse, kontrolflow, ikke-lineære operationer og opgaver, der ikke passer godt til fotonisk hardware.

Strategiens dele understøtter hinanden:

• Virkelige installationer skaber referenceopgaver og driftsdata, som kunder kan vurdere.
• Færdigpakkede systemer reducerer integrationsarbejdet for tidlige brugere.
• Simulatorer og undervisningsværktøjer kan opbygge udviklere og algoritmer til hybrid hardware. 20
• Optisk interconnect og switching udvider potentialet fra én regnechip til AI-systemers infrastruktur. 2327

Det kan skabe en positiv kreds: Troværdige anvendelser retfærdiggør nye installationer; installationer øger interessen for software og komponenter; bedre værktøjer og leverandørkæder sænker omkostningen ved den næste installation.

Hvad skal der til, før vendepunktet er bevist?

WAIC 2026 giver belæg for, at optisk databehandling er på vej ind i en mere kommerciel fase, fordi fokus er flyttet mod produkter, tilbagevendende arbejdsbelastninger, systemvalidering og udviklerøkosystemer. 192021

Men det beviser ikke, at konventionelle AI-acceleratorer snart bliver fortrængt. Den afgørende dokumentation vil være gentagelige, opgavespecifikke resultater for latenstid, energiforbrug, nøjagtighed, pålidelighed, implementeringspris, softwareportabilitet og vedligeholdelse på systemniveau.

Indtil da er den mest nøgterne konklusion, at Lightelligence har gjort fotonisk databehandling lettere at evaluere som et reelt produkt. Det fulde kommercielle argument skal stadig bevises i drift.