Pesquisador da Koç University propõe dois sistemas ópticos para computação de IA

Dois novos sistemas da Koç University transferem parte dos cálculos de inteligência artificial dos circuitos eletrônicos para a luz. O autor, Uğur Teğin, professor assistente do Departamento de Engenharia Elétrica e Eletrônica, descreveu as abordagens em dois artigos separados. O objetivo é claro: tornar a IA mais rápida e mais econômica em energia. O anúncio não traz números concretos, e esse é o ponto principal a ter em mente ao ler o material.

Por que se fala tanto em luz

O apetite da IA por eletricidade já virou um problema de infraestrutura. Segundo estimativa da Agência Internacional de Energia, os data centers consumiram cerca de 415 TWh em 2024, e esse número pode mais que dobrar até 2030, chegando a aproximadamente 945 TWh. A IA responde por uma parcela significativa desse aumento. A eletrônica clássica esbarra no calor e no custo de mover dados entre a memória e as unidades de processamento.

A óptica ataca os dois problemas ao mesmo tempo. A luz gera pouquíssimo calor ao se propagar, e muitas operações das redes neurais, sobretudo a multiplicação de matrizes e as convoluções, são executadas fisicamente quando o sinal luminoso atravessa um meio adequado. O cálculo ocorre durante a propagação, sem ciclos de clock e sem o chaveamento de bilhões de transistores.

O que se sabe sobre o trabalho de Teğin

O comunicado publicado traz pouca informação. Vamos registrar em uma lista.

• Autor: Uğur Teğin, professor assistente, Koç University, Departamento de Engenharia Elétrica e Eletrônica.
• Formato: duas publicações científicas separadas, dois sistemas diferentes.
• Princípio: os cálculos de IA são executados pela luz, e não pela eletrônica convencional.
• Objetivo declarado: sistemas de IA mais rápidos e mais eficientes em energia.
• Não divulgado: precisão em tarefas padrão, latência, energia por operação, tamanho dos modelos, viabilidade de produção em série.

O último ponto é decisivo. Há décadas, a computação óptica apresenta resultados impressionantes em laboratório e raramente chega ao data center. Sem uma comparação com GPUs em uma tarefa concreta, é prematuro falar em economia.

Onde a óptica costuma tropeçar

A computação com luz tem gargalos típicos, e qualquer trabalho novo na área é testado contra eles.

Primeiro: a conversão de dados. Os dados de entrada quase sempre existem em forma eletrônica, e cada conversão para luz e de volta consome energia. Se isso custar mais do que o próprio cálculo, o ganho desaparece.

Segundo: a não linearidade. As redes neurais precisam de funções de ativação não lineares, e a luz em meios lineares não as fornece. É preciso voltar à eletrônica ou usar efeitos ópticos não lineares, que exigem potência considerável.

Terceiro: a precisão. O cálculo óptico é essencialmente analógico e sensível a ruído e a variações de temperatura. Para inferência isso é tolerável; para treinamento, é bem mais difícil.

Quarto: a integração. Para o sistema virar parte de uma stack com PyTorch e aceleradores já conhecidos, são necessários drivers, compiladores e produção escalável.

É justamente a expressão «parte da carga computacional» que soa realista no título. O cenário provável é este: um bloco óptico assume as operações lineares pesadas, e a eletrônica continua responsável pela lógica e pela memória.

O que acompanhar daqui para frente

Para engenheiros e para quem planeja infraestrutura de IA, o plano prático é simples. Leia os dois artigos por inteiro e procure três números: energia por operação, latência e precisão em relação à linha de base digital na mesma tarefa. Depois, veja em que tamanho de modelo isso foi testado: datasets de brinquedo como o MNIST não dizem nada sobre transformers. Por fim, verifique o que exatamente a óptica faz dentro do sistema e quanta eletrônica sobra ao redor dela.

Para o mercado, o sinal é mais geral. As pesquisas em computação fotônica se multiplicam justamente porque a energia se tornou o recurso limitante da IA. A distância até aceleradores de série baseados em luz, vindos de grupos universitários, continua grande, mas a direção merece atenção. Quando Teğin tiver métricas mensuráveis, voltaremos ao tema com números.