Los chips ópticos para IA prometen gastar entre 10 y 80 veces menos energía que las GPU
Las respuestas de las redes neuronales (la inferencia) han topado con la electricidad, por lo que las startups vuelven a probar a calcular con luz. La óptica multiplica una matriz de números por un vector casi sin gasto energético, pero codificar los datos en luz es caro. El objetivo realista es gastar entre 10 y 80 veces menos energía que las tarjetas gráficas GPU, no las 100 000 veces que salen en los cálculos de laboratorio. Para un profesional, es una señal: la luz será un acelerador de algunas tareas, no un sustituto de las GPU.
Procesado por IA desde IEEE Spectrum AI; editado por Hamidun News
Cada respuesta de ChatGPT o de cualquier otro chatbot consume electricidad, y en cierto momento esa electricidad, y no el dinero invertido en chips, se convirtió en el principal límite. La inferencia, es decir, las respuestas de un modelo ya entrenado a las consultas de los usuarios, ya ha obligado a construir enormes centros de datos. Por eso, una vieja idea, calcular con luz en lugar de con corriente eléctrica, ha vuelto de los laboratorios al mundo empresarial.
Según IEEE Spectrum, la valoración conjunta de las empresas de este nicho alcanzó los 2220 millones de dólares, frente a los 400 millones de 2022. Su promesa es realizar las mismas operaciones matemáticas que las GPU (tarjetas gráficas de Nvidia y similares), pero gastando entre 10 y 80 veces menos energía.
«El interés por la fotónica se debe en gran medida a que la inferencia de IA ha topado con el límite de potencia, y de forma bastante brusca», afirma Peter McMahon, profesor de la Universidad de Cornell, que lleva más de diez años estudiando la computación óptica. Las startups ópticas están surgiendo en Estados Unidos, China, Alemania e Israel.
Cómo la luz multiplica matrices
La operación básica de la inferencia es la multiplicación de una matriz por un vector. Imagine que el vector es su consulta convertida en un conjunto de números, y la matriz es la tabla de pesos del modelo. Las tarjetas gráficas multiplican una cosa por otra un número incontable de veces por segundo.
Ya en 1978, Joseph Goodman y sus colegas propusieron un esquema óptico sencillo. Una fila de LED codifica los números del vector mediante el brillo: cuanto más intenso es el diodo, mayor es el valor. Una lente cilíndrica extiende esa luz en vertical, copiando el vector N veces. Después, la luz atraviesa un atenuador de píxeles de tamaño N por N: cada píxel reduce la luz según el valor de la matriz, y ahí se produce la multiplicación. Una segunda lente recoge la luz por filas y la suma, y una fila de detectores lee el vector resultante.
La ventaja está en la escala. En electrónica, cada una de las N² multiplicaciones requiere energía, por lo que el coste crece como N². En óptica, la multiplicación es pasiva: mientras la matriz no cambie, el paso de la luz a través de ella apenas cuesta nada. Hay que pagar por codificar el vector y leer la respuesta, lo que supone del orden de N.
En 2022, el equipo de McMahon mostró una red neuronal óptica que gastaba menos de un fotón, unos 2,5×10⁻¹⁹ julios, por cada multiplicación. En un ordenador convencional, una multiplicación cuesta entre 10⁻¹⁴ y 10⁻¹² julios, así que sobre el papel el ahorro llega a 100 000 veces.
Por qué las promesas son más modestas que las cifras de laboratorio
El propio McMahon advierte contra esas estimaciones. En primer lugar, no se ha tenido en cuenta el coste de codificar los datos en luz. Supongamos que una multiplicación en electrónica cuesta 1 picojulio y que codificar un elemento del vector en óptica cuesta 1000 picojulios. En ese caso, la electrónica gana mientras el vector sea más corto que 1000 elementos. Según McMahon, esto no está lejos de la realidad: la óptica empieza a ganar en algún punto entre N = 1000 y N = 10 000.
En segundo lugar, se aplica la ley de Amdahl. Si el acelerador se encarga del 90% del código y el 10% restante no puede acelerarse, la mejora máxima es de diez veces. La multiplicación de matrices es solo una parte de la inferencia; también hay operaciones no lineales, que sigue calculando la electrónica. Por eso, las empresas ópticas no apuntan a 100 000 veces, sino a entre 10 y 80 veces de eficiencia energética frente a las GPU. Queda por ver si llegarán a la adopción masiva antes de que los chips convencionales se vuelvan más eficientes por sí mismos.
Quién y cómo lo construye
La inferencia suele dividirse en dos fases: el prefill, en el que el modelo procesa la consulta de entrada, y el decode, en el que la respuesta se genera token a token. El prefill es más pesado computacionalmente, porque en él una misma matriz se multiplica muchas veces por vectores distintos. Ahí es donde tiene sentido apuntar la óptica.
La startup británica Lumai, de Oxford, se inspiró en el esquema de Goodman más que ninguna otra. En lugar de un atenuador fijo, utiliza un modulador espacial de luz programable: una membrana de píxeles parecida a una pantalla de cristal líquido avanzada, que cambia tanto la intensidad como la fase de la luz. La luz viaja por el aire, no por guías de onda en el chip.
El vector se codifica en luz, una lente la copia, la luz atraviesa el modulador, una segunda lente la recoge y, por último, vuelve a convertirse en una señal digital. Las funciones no lineales las calcula la electrónica. Según el director de producto, Phillip Burr, una multiplicación completa de matriz por vector se completa en un solo ciclo óptico.
Otra empresa británica, Optalysys, sigue un enfoque distinto: integra elementos ópticos en la red de los centros de datos, donde la luz ya se usa para transmitir información. Su bloque básico en el chip es una calculadora de transformadas de Fourier.
Qué significa esto para los profesionales
Todas las cifras de ahorro siguen siendo objetivos de las empresas, no mediciones en producción. Aun así, las conclusiones ya son útiles. Es poco probable que la óptica reemplace por completo a las tarjetas gráficas: lo más realista es un sistema híbrido, en el que la luz calcule las multiplicaciones pesadas y la electrónica se encargue del resto.
Además, la ventaja solo aparece con matrices suficientemente grandes, así que los primeros candidatos serán los modelos grandes y los contextos largos. Quien planifique su infraestructura a varios años vista debería seguir este nicho, pero no incluirlo en sus presupuestos mientras no existan productos en serie. Logan Wright, de Yale, añade que, aunque la óptica no gane la carrera de la IA, las tecnologías desarrolladas en esta ola permitirán construir sistemas fotónicos con capacidades especiales.
- 21 nov 2026Las vacantes de FDE se multiplicaron por 4,6 en un año: qué hace un ingeniero en el cliente
- 21 nov 2026Capitana de un equipo de natación automatizó con ChatGPT tres tareas programadas y recortó la rutina varias veces
- 21 nov 2026GPT-6 Cyber encontró unos 35 fallos en iPhone, Mac y otros dispositivos de Apple
- 21 nov 202622 agentes de Claude pasaron seis semanas buscando respuestas sobre agujeros negros, y resolvieron dos problemas
Preguntas frecuentes sobre la noticia
Cómo la luz multiplica matrices?
La operación básica de la inferencia es la multiplicación de una matriz por un vector. Imagine que el vector es su consulta convertida en un conjunto de números, y la matriz es la tabla de pesos del modelo. Las tarjetas gráficas multiplican una cosa por otra un número incontable de veces por segundo. Ya en 1978, Joseph Goodman y sus colegas propusieron un esquema óptico sencillo. Una fila de LED codifica los números del vector mediante el brillo: cuanto más intenso es el diodo, mayor es el valor.
¿Qué se sabe sobre Por qué las promesas son más modestas que las cifras de laboratorio?
El propio McMahon advierte contra esas estimaciones. En primer lugar, no se ha tenido en cuenta el coste de codificar los datos en luz. Supongamos que una multiplicación en electrónica cuesta 1 picojulio y que codificar un elemento del vector en óptica cuesta 1000 picojulios. En ese caso, la electrónica gana mientras el vector sea más corto que 1000 elementos. Según McMahon, esto no está lejos de la realidad: la óptica empieza a ganar en algún punto entre N = 1000 y N = 10 000.
¿Qué se sabe sobre Quién y cómo lo construye?
La inferencia suele dividirse en dos fases: el prefill, en el que el modelo procesa la consulta de entrada, y el decode, en el que la respuesta se genera token a token. El prefill es más pesado computacionalmente, porque en él una misma matriz se multiplica muchas veces por vectores distintos. Ahí es donde tiene sentido apuntar la óptica. La startup británica Lumai, de Oxford, se inspiró en el esquema de Goodman más que ninguna otra.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.