Infrastrukturinvesteringer i kunstig intelligens (AI) er gået igennem taget siden ankomsten af generative AI-sprogmodeller som ChatGPT i 2022. Med hyperskalere, der driver investeringerne i AI-infrastruktur til rekordhøje niveauer i 2025, opgør International Data Corp. globale investeringer til svimlende $318 mia., og det ser ud til at være klar til at fortsætte år efter år.
På baggrund af skyrockende kapitalindsprøjtninger nærmer industrien sig en fysisk "skaleringsmur". Traditionel infrastruktur begynder at knage under belastningen af datacenterkapacitetsbegrænsninger og stigende energibehov.
De stigende energikrav til at drive kunstig intelligens er uholdbare, og der er også stigende bekymring for den miljøskade, som levering af sådan energi kan forårsage.
Vi er nu ved et vendepunkt. Traditionelle elektriske dataoverførselsmetoder er ved at nå deres grænser, hvor NVIDIA viser sin hånd ved for nylig at investere $4 milliarder i to fotonikvirksomheder, Coherent Corp. og Lumentum. NVIDIA satser på en fremtid, hvor data transmitteres via lys (fotoner) frem for elektricitet.
AI energiforbrug
DeElectric Power Research Instituteanslår, at datacentre kan forbruge op til 9 % af den amerikanske elproduktion årligt i 2030, en stigning fra 4 % i 2023. I takt med at AI-modeller står over for en stadig-stigende forbrugerefterspørgsel og kræver mere databehandling, kommer vi til at se den globale energiefterspørgsel stige. Dette udgør et akut problem for omkostningerne ved at skalere AI-tjenester på grund af den seneste volatilitet i energipriserne. Vi ser allerede dette problem materialisere sig, hvor OpenAI citerer stigende energiregninger som en grund til at rulle sine britiske ekspansionsplaner tilbage.
Processorer nærmer sig fysiske grænser. Transistorer, de elektroniske kontakter, der danner grundlaget for elektroniske kredsløb, er nu kun et par atomer brede-en størrelse, hvor kvanteeffekter og varme bliver væsentlige begrænsninger.
Lys for enden af tunnelen
Ud over udfordringen med de mængder energi, der bruges til at behandle og flytte data, begrænser den fysiske afstand mellem behandlings- og hukommelseselementerne, både på-chip og på systemniveau, nu den hastighed, hvormed AI-modeller kan køres og trænes. At bygge datacentre på et fotonisk fundament er det næste logiske skridt.
Snart vil beregning inden for den optiske datasti være mulig, og det giver mulighed for at reducere latens og skalere infrastruktur uden proportionale stigninger i strømforbruget.
Fotonik kan integreres direkte på siliciumchips for at muliggøre skalerbarhed og effektivitetsforbedringer i forhold til elektricitet. Kernen i fotoniks effektivitetsgevinst er enkel: Lys rejser hurtigere og bærer mere information, mens det producerer mindre varme end elektroner. Dette resulterer i dramatisk højere beregningstæthed, lavere strømforbrug og overlegen termisk ydeevne for at overvinde de grænser, der pålægges af fremkomsten af mørkt silicium på konventionelle chips.
Fordelene ved at forbedre effektiviteten på chipniveau er tydelige i, hvor hurtigt energibesparelser opstår. En watt energi, der spares ved at forsyne en chip med strøm, reducerer også den energi, der spildes på strømforbrug og køling. Photonics åbner op for en fremtid med udvikling af AI-infrastruktur, centreret om et fundament, der er hurtigere, renere og grundlæggende skalerbart.
Implementering af fotonik datacenter
Den grundlæggende flaskehals i AI i stor skala-er ikke længere rå databehandling, men de svimlende energiomkostninger ved at flytte data med den hastighed og mængde, som moderne AI-arbejdsbelastninger kræver. Den hurtige udvikling af frontier-modeller betyder, at systemer er under konstant belastning fra at koordinere tusindvis af chips samtidigt. Traditionel datacenterinfrastruktur kan simpelthen ikke følge med efterspørgslen efter konstant, meget intensiv dataudveksling.
Fotonik giver mulighed for at løse dette problem på et strategisk niveau, snarere end blot at afbøde de spiralformede termiske krav fra en stadig mere udstrakt elektrisk arkitektur. Tidlige industriestimater tyder på, at brug af lys til at overføre data leverer omtrent 5 gange så meget energieffektivitet og 10 gange netværksresiliens som konventionel elektronik.
Fordelene ved siliciumfotonik rækker ud over umiddelbare effektivitets- og bæredygtighedsgevinster. Ved at eliminere betydelige flaskehalse ved-dataoverførsel låser fotonik også op for typer af computere, der tidligere blev anset for upraktiske på grund af energiomkostninger, såsom fuld homomorf kryptering (behandling af krypterede data uden nogensinde at dekryptere dem).
Ved at fjerne grænserne for traditionelle computerarkitekturer har fotonik vidtrækkende konsekvenser for sektorer, hvor ydeevnen og databeskyttelsen, der kræves af forsvars-, finans- og sundhedsindustrien, ikke er-omsættelige.
Hidtil har kunstig intelligens-industriens reaktion på dets eskalerende energibehov været langsom og fejler i at løse de strukturelle fejl i traditionelle siliciumarkitekturer. NVIDIAs nylige investeringer på flere milliarder-dollar fungerer som et klart signal om, at hyperskalere nu erkender, at dette grundlæggende er et infrastrukturproblem.
Vi må nu spørge os selv, om vi gør mere af det samme-fortsætter med at pløje øjensynligt-vande mængder ind i opbygning af datacenter og køleinfrastruktur eller investere i innovative løsninger såsom fotonik, som kan løse vigtige begrænsninger ved kilden.
Fotonik repræsenterer en ny mulighedshorisont. I stedet for at erstatte eksisterende systemer, udvider fotonik moderne computerarkitekturer ved at låse op for ny computerkapacitet i selve netværket. Photonics driver chipindustrien mod sit største arkitektoniske skift siden fremkomsten af von Neumann-arkitekturen, og det giver mulighed for at låse op for grænseløs databehandling.
