Chips ópticos para IA prometem gastar 10 a 80 vezes menos energia que GPUs
As respostas das redes neurais (a inferência) esbarraram na eletricidade, e por isso startups voltam a tentar fazer contas com luz. A óptica multiplica uma matriz de números por um vetor quase sem gasto de energia, mas codificar dados em luz é caro. A meta realista é gastar 10 a 80 vezes menos energia que as placas de vídeo GPU, e não os 100 000 vezes que aparecem nas estimativas de laboratório. Para o profissional, o recado é claro: a luz deve se tornar um acelerador de parte das tarefas, e não um substituto das GPUs.
Processado por IA de IEEE Spectrum AI; editado por Hamidun News
Cada resposta do ChatGPT ou de outro chatbot consome eletricidade, e, em certo momento, é a energia, e não o dinheiro gasto em chips, que virou o principal limite. A inferência, ou seja, as respostas de um modelo treinado às consultas dos usuários, já levou à construção de data centers enormes. Por isso, a velha ideia de calcular com luz em vez de corrente elétrica voltou dos laboratórios para o mercado.
Segundo a IEEE Spectrum, a avaliação somada das empresas desse nicho chegou a US$ 2,22 bilhões, contra US$ 0,4 bilhão em 2022. A promessa é fazer a mesma matemática que as GPUs (placas de vídeo da Nvidia e similares) executam, mas gastando de 10 a 80 vezes menos energia.
"O interesse pela fotônica se deve em grande parte ao fato de que a inferência de IA literalmente bateu no limite de potência, e de forma bastante abrupta", diz Peter McMahon, professor da Universidade Cornell, que estuda computação óptica há mais de dez anos. Startups ópticas estão surgindo nos EUA, na China, na Alemanha e em Israel.
Como a luz multiplica matrizes
A operação básica da inferência é a multiplicação de uma matriz por um vetor. Imagine que o vetor seja a sua consulta, convertida em um conjunto de números, e a matriz seja a tabela de pesos do modelo. As placas de vídeo multiplicam um pelo outro um número incontável de vezes por segundo.
Já em 1978, Joseph Goodman e colegas propuseram um esquema óptico simples. Uma fileira de LEDs codifica os números do vetor pelo brilho: quanto mais intenso o diodo, maior o valor. Uma lente cilíndrica espalha essa luz na vertical, copiando o vetor N vezes. Em seguida, a luz atravessa um atenuador de pixels de tamanho N por N: cada pixel reduz a intensidade de acordo com o valor da matriz, e é aí que ocorre a multiplicação. Uma segunda lente junta a luz por linhas e a soma, e uma série de detectores lê o vetor resultante.
A vantagem está na escala. Na eletrônica, cada uma das N² multiplicações consome energia, de modo que o custo cresce com N². Na óptica, a multiplicação é passiva: enquanto a matriz não muda, a passagem da luz por ela quase não custa nada. O gasto está em codificar o vetor e ler a resposta, o que equivale a algo na ordem de N.
Em 2022, a equipe de McMahon apresentou uma rede neural óptica que gastava menos de um fóton, cerca de 2,5×10⁻¹⁹ J, por multiplicação. Em um computador comum, uma multiplicação custa entre 10⁻¹⁴ e 10⁻¹² J, de modo que, no papel, a economia chega a 100 000 vezes.
Por que as promessas são mais modestas que os números de laboratório
O próprio McMahon alerta contra esse tipo de estimativa. Primeiro, o custo de codificar dados em luz não entrou na conta. Suponha que uma multiplicação na eletrônica custe 1 picojoule, enquanto codificar um elemento do vetor na óptica custe 1000 picojoules. Nesse cenário, a eletrônica vence enquanto o vetor tiver menos de 1000 elementos. Segundo McMahon, isso não está longe da realidade: a óptica começa a ganhar em algum ponto entre N = 1000 e N = 10 000.
Segundo, vale a lei de Amdahl. Se o acelerador dá conta de 90% do código, mas não consegue acelerar os 10% restantes, o ganho máximo é de dez vezes. A multiplicação de matrizes é apenas parte da inferência, há ainda operações não lineares, e elas continuam sendo feitas pela eletrônica. Por isso, as empresas ópticas miram não 100 000 vezes, mas um ganho de 10 a 80 vezes em eficiência energética frente às GPUs. Resta saber se conseguirão chegar ao uso em larga escala antes que os chips convencionais se tornem eles mesmos mais econômicos.
Quem está construindo e como
A inferência costuma ser dividida em duas fases: o prefill, quando o modelo processa a consulta de entrada, e o decode, quando a resposta é gerada token por token. O prefill é mais pesado em cálculo, pois a mesma matriz é multiplicada repetidamente por vetores diferentes. É exatamente aí que faz sentido a aposta da óptica.
A startup britânica Lumai, de Oxford, se inspirou no esquema de Goodman mais do que as demais. Em vez de um atenuador fixo, ela usa um modulador espacial de luz programável, uma membrana de pixels semelhante a um display de cristal líquido avançado, que altera tanto a intensidade quanto a fase da luz. A luz se propaga pelo ar, e não por guias de onda no chip.
O vetor é codificado em luz, copiado por uma lente, atravessa o modulador, é coletado por uma segunda lente e volta a ser um sinal digital. As funções não lineares ficam a cargo da eletrônica. Segundo o diretor de produto Phillip Burr, a multiplicação completa de matriz por vetor é concluída em um único ciclo óptico.
Outra empresa britânica, a Optalysys, segue outro caminho: integra elementos ópticos ao caminho de rede dos data centers, onde a luz já é usada para transmitir dados. Seu componente básico no chip é uma calculadora de transformada de Fourier.
O que isso significa para quem trabalha com a tecnologia
Todos os números de ganho ainda são metas das empresas, e não medições em produção. Mesmo assim, as conclusões já são úteis. É improvável que a óptica substitua por completo as placas de vídeo: o cenário mais realista é um híbrido, em que a luz faz as multiplicações pesadas e a eletrônica cuida do resto.
Além disso, o ganho só aparece com matrizes suficientemente grandes, de modo que os primeiros candidatos são grandes modelos e contextos longos. Quem planeja infraestrutura para os próximos anos deve acompanhar esse nicho, mas não incluir essas soluções nos orçamentos enquanto não houver produtos comerciais. Logan Wright, de Yale, acrescenta que, mesmo que a óptica não vença a corrida da IA, as tecnologias desenvolvidas nessa onda permitirão criar sistemas fotônicos com capacidades específicas.
- 22 de nov. de 2026Agente da Microsoft escreveu os pesos de uma rede neural à mão e atingiu 100% de acurácia em 13 tarefas
- 22 de nov. de 2026Projeto paralelo do LangChain virou startup avaliada em US$ 3 bilhões e captou US$ 300 milhões
- 22 de nov. de 2026Perfil de trabalho do Android fecha vazamento de IP real que Happ e v2rayNG não detectam
- 22 de nov. de 2026Anthropic chega à Nasdaq: ações saem de $83 para $111, mas a segurança aguenta?
Perguntas frequentes sobre a notícia
Como a luz multiplica matrizes?
A operação básica da inferência é a multiplicação de uma matriz por um vetor. Imagine que o vetor seja a sua consulta, convertida em um conjunto de números, e a matriz seja a tabela de pesos do modelo. As placas de vídeo multiplicam um pelo outro um número incontável de vezes por segundo. Já em 1978, Joseph Goodman e colegas propuseram um esquema óptico simples. Uma fileira de LEDs codifica os números do vetor pelo brilho: quanto mais intenso o diodo, maior o valor.
Por que as promessas são mais modestas que os números de laboratório?
O próprio McMahon alerta contra esse tipo de estimativa. Primeiro, o custo de codificar dados em luz não entrou na conta. Suponha que uma multiplicação na eletrônica custe 1 picojoule, enquanto codificar um elemento do vetor na óptica custe 1000 picojoules. Nesse cenário, a eletrônica vence enquanto o vetor tiver menos de 1000 elementos. Segundo McMahon, isso não está longe da realidade: a óptica começa a ganhar em algum ponto entre N = 1000 e N = 10 000. Segundo, vale a lei de Amdahl.
O que se sabe sobre Quem está construindo e como?
A inferência costuma ser dividida em duas fases: o prefill, quando o modelo processa a consulta de entrada, e o decode, quando a resposta é gerada token por token. O prefill é mais pesado em cálculo, pois a mesma matriz é multiplicada repetidamente por vetores diferentes. É exatamente aí que faz sentido a aposta da óptica. A startup britânica Lumai, de Oxford, se inspirou no esquema de Goodman mais do que as demais.
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.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.