Image

La IA Reaviva la Computación Óptica: Una Revolución Energética y de Velocidad en el Horizonte

La idea de procesar información utilizando luz, conocida como computación óptica, ha estado presente en la investigación tecnológica durante más de 70 años. Sin embargo, hasta hace muy poco, esta tecnología permanecía confinada al ámbito académico. En los últimos años, hemos presenciado una transformación radical, con la computación óptica emergiendo como un sector industrial de rápido crecimiento. La valoración de mercado de las empresas involucradas en este campo ha experimentado un salto espectacular, pasando de 0.400 mil millones de dólares en 2022 a un total de 2.220 mil millones de dólares actualmente. Las proyecciones apuntan a una continuación de este crecimiento exponencial en los próximos años.

El principal motor detrás de este resurgimiento es, sin duda alguna, la inteligencia artificial (IA). En particular, el proceso de inferencia de IA —la fase en la que los modelos de inteligencia artificial responden a consultas de usuarios— ha sido el catalizador para la construcción de enormes centros de datos que consumen cantidades masivas de energía. Ante esta demanda energética insostenible, los sistemas ópticos, conocidos por su relativa eficiencia energética, se perfilan como una solución prometedora.

“La mayor parte del interés en [la fotónica] está impulsado por el hecho de que la inferencia de IA se ha vuelto literalmente limitada por la energía, y de una manera bastante impactante”, afirma Peter McMahon, profesor asociado de física aplicada e ingeniería en la Universidad de Cornell. Durante más de una década, McMahon ha investigado activamente la computación óptica, observando de primera mano su potencial.

La computación óptica, al menos teóricamente, ofrece la capacidad de realizar los mismos cálculos que las actuales Unidades de Procesamiento Gráfico (GPUs) consumiendo una fracción drásticamente menor de energía. La transición de la electrónica a la óptica representaría una solución disruptiva. Este potencial ha provocado una proliferación de startups especializadas en computación óptica en Estados Unidos, China, Alemania e Israel. Aunque competir con gigantes de las GPUs como Nvidia es un desafío considerable, la inversión en este campo ha impulsado también el desarrollo de enfoques complementarios, como el diseño de algoritmos de IA alternativos, la computación científica avanzada y la mejora de la computación en red.

Logan Wright, profesor asistente de física aplicada en la Universidad de Yale y ex-investigador en el laboratorio de McMahon, comenta: “Creo que sería beneficioso para la tecnología que muchas de estas empresas lo intenten seriamente. Pienso que la tecnología que se desarrolle a través de esto sería realmente muy útil y permitiría sistemas fotónicos que quizás no se beneficien de esta ola de IA, pero que serían capaces de hacer cosas realmente especiales”.

La Fotónica al Rescate de la Inferencia de IA

La inferencia de inteligencia artificial constituye la mayor parte del consumo energético en el sector. La industria ya está invirtiendo miles de millones de dólares en el diseño de GPUs avanzadas y otros chips optimizados para ejecutar la inferencia con la máxima eficiencia posible. En el núcleo de esta computación de inferencia se encuentra una operación fundamental, realizada innumerables veces por segundo: la multiplicación de matrices por vectores (matrix-vector multiplication).

Ya en 1978, el pionero de la computación óptica Joseph W. Goodman y sus colaboradores propusieron un método para realizar multiplicaciones de matrices por vectores utilizando luz. El diseño era relativamente sencillo: para multiplicar un vector de longitud N por una matriz de tamaño N x N, se utilizaban N diodos emisores de luz (LEDs) dispuestos en fila. Estos LEDs codificaban los elementos del vector a través de su intensidad lumínica —a mayor brillo, mayor valor. Una lente cilíndrica expandía verticalmente la luz, duplicando efectivamente el vector N veces. Posteriormente, la luz atravesaba un atenuador compuesto por N x N píxeles. En cada píxel, la luz se atenuaba según el valor correspondiente en la matriz, realizando así la multiplicación. Finalmente, otra lente cilíndrica, orientada perpendicularmente a la primera, recolectaba la luz de cada fila, sumándola. El vector resultante se medía mediante una fila de detectores.

Multiplicación Vector-Matriz Óptica: El Fundamento Teórico

La parte más costosa computacionalmente de la IA actual es la multiplicación de vectores por matrices (o matrices por matrices). Para un vector de longitud N (aquí, N=3), se requieren N2 (aquí, 9) pasos de multiplicación y tres pasos de acumulación —múltiples sumas simultáneas. El argumento a favor de la óptica sobre la electrónica se basa en que la multiplicación de una matriz N x N por un vector de longitud N requiere N2 pasos de multiplicación. En la electrónica, cada multiplicación consume energía, por lo que el gasto total escala con N2. Sin embargo, en el dominio óptico, la etapa de multiplicación es pasiva: siempre que la matriz permanezca constante, la luz que atraviesa el atenuador consume una energía mínima. El coste principal reside en la codificación del vector en luz y la lectura del resultado, pero el vector es de longitud N, no N2. Por lo tanto, el consumo energético escala con N, no con N2, incluso al multiplicar vectores y matrices más grandes.

Desde la propuesta de Goodman en 1978, la calidad de los elementos ópticos disponibles ha mejorado exponencialmente. De hecho, en 2022, un equipo de investigadores de la Universidad de Cornell liderado por Peter McMahon demostró una red neuronal óptica que consumía menos de un fotón de energía —aproximadamente 2.5 x 10-19 julios— por operación de multiplicación. En un ordenador estándar, una única operación de multiplicación puede requerir entre 10-14 y 10-12 julios, lo que sugiere que la óptica podría reducir el consumo energético hasta en un factor de 100.000.

No obstante, McMahon advierte contra la extrapolación directa. En primer lugar, el cálculo energético no incluyó el coste de codificar los datos en el dominio óptico. Incluso si la escalabilidad es favorable con la luz, en la práctica no solo importa la escalabilidad, sino también los coeficientes. Imaginemos que el coste energético de una multiplicación electrónica es de 1 picojulio, y el coste de codificar un elemento vectorial óptico es de 1.000 picojulios. El enfoque electrónico seguiría siendo superior si la longitud N del vector es inferior a 1.000 elementos.

McMahon señala que este ejemplo no está lejos de la realidad: “Una de las preguntas clave es, ¿cuán grande tiene que ser el sistema antes de que empieces a ganar? Mucha gente ha hecho este cálculo para varios tipos de redes neuronales. La respuesta muy aproximada es que se sitúa entre N=1.000 y N=10.000”.

Es fundamental tener en cuenta el principio de computación conocido como Ley de Amdahl. “La Ley de Amdahl ni siquiera debería llamarse ley. Es una simple cuestión de sentido común”, explica McMahon. “Si tienes algo que va a acelerar una computación y puede acelerar el 90 por ciento del código, pero hay un 10 por ciento que no puede acelerar, entonces la máxima aceleración posible es 10x.”

En el contexto de la inferencia de IA, el objetivo es ahorrar energía, no necesariamente tiempo. Sin embargo, la observación de Amdahl sigue siendo aplicable. Determinar qué fracción del código de inferencia de IA actual puede ser manejado de manera más eficiente por la óptica es una cuestión compleja que varía según el enfoque. Pero raramente será el 100%. La multiplicación de matrices por vectores, o matrices por matrices, es solo una parte de la carga de trabajo de inferencia; existen otras operaciones no lineales que deben realizarse sobre los datos.

Considerando todas estas salvedades, las empresas de computación óptica actuales apuntan a una mejora de entre 10 y 80 veces en la eficiencia energética en comparación con las GPUs actuales. La gran pregunta es si podrán cumplir esa promesa a escala antes de que la electrónica tradicional alcance o supere estas ganancias.

Cerrando la Brecha en Espacio Libre

La startup Lumai, con sede en Oxford (Inglaterra), ha adoptado una inspiración directa de Goodman y su equipo. Phillip Burr, director de producto de Lumai, declara que un enfoque en espacio libre, donde la luz viaja por el aire en lugar de por guías de onda integradas en el chip, permitirá a la tecnología de la compañía superar a las GPUs. En lugar del atenuador fijo propuesto por Goodman, Lumai emplea un dispositivo programable moderno: un modulador espacial de luz (spatial light modulator, SLM). Este dispositivo, similar a una pantalla de cristal líquido avanzada, puede modular tanto la intensidad como la fase de la luz. El resto del diseño es más sofisticado en la práctica pero similar en principio al de Goodman: un vector se codifica en luz, se replica N veces mediante una lente, atraviesa el SLM, se recolecta con otra lente y el resultado se reconvierte a electrónica digital, que se encarga de las funciones no lineales. “Una multiplicación completa de vector-matriz se completa en un solo ciclo óptico”, afirma Burr.

Para comparar de manera precisa el gasto energético de los enfoques ópticos y de GPU, es necesario especificar qué parte de la carga de trabajo se está considerando. La inferencia moderna a menudo se divide en dos fases: prefill (relleno inicial), donde la consulta de entrada se procesa y propaga a través del modelo, y decode (decodificación), donde la salida se genera palabra por palabra (o token por token). El prefill es la fase más intensiva computacionalmente. Fundamentalmente, implica realizar multiplicaciones de matrices por vectores para la misma matriz repetidamente. El decode también involucra multiplicaciones de matrices por vectores, pero de forma menos intensiva; la parte más lenta del decode es la lectura y escritura de las matrices necesarias en memoria.

Multiplicación Vector-Matriz con Óptica de Espacio Libre

Lumai, y otras empresas del sector, se centran en la fase de prefill de la inferencia, que es computacionalmente intensiva. Lumai afirma que su servidor óptico Iris Nova, disponible para evaluación desde abril de 2026, es una prueba de concepto, y su próxima generación, el servidor Iris Aura, realizará el prefill utilizando aproximadamente una décima parte de la energía que consumiría una GPU. La startup Neurophos, con sede en Austin (Texas), aplica una interpretación diferente del diseño del computador de Goodman. Para obtener más potencia en un dispositivo compacto, la empresa aprovecha su experiencia en metamateriales —estructuras complejas que pueden manipular la luz a escalas inferiores a una longitud de onda. Las estructuras diseñadas por Neurophos son más grandes que una longitud de onda, pero aun así muy pequeñas: apenas unos pocos micrómetros por lado.

“El equivalente al transistor óptico que se puede obtener de la fotónica de silicio estándar hoy en día tiene unos 2 milímetros de largo”, comenta Patrick Bowen, CEO de Neurophos. “Simplemente no puedes meter suficientes [de ellos] en un chip para obtener una densidad de cómputo que compita remotamente con lo último y lo mejor que hace TSMC [Taiwan Semiconductor Manufacturing Co.]”.

El equipo de Bowen ha diseñado moduladores basados en metamateriales que pueden programarse para manipular la fase y la intensidad de la luz a escala micrométrica, resultando en un array de 1.000 por 1.000 moduladores en un chip cuadrado de 5 mm de lado. Según Bowen, los moduladores de Neurophos cambian más de 10.000 veces más rápido que los moduladores espaciales de luz de cristal líquido estándar.

Bowen también afirma una ventaja de rendimiento sobre la GPU Blackwell de Nvidia: “Nuestro objetivo es lograr 50 veces la velocidad de Blackwell B200 y 35 veces su eficiencia energética, y tenemos una hoja de ruta para alcanzar 250 veces la velocidad y aproximadamente 90 veces la eficiencia energética en generaciones posteriores”. El enfoque es compatible con CMOS, afirma Bowen, lo que debería permitir a Neurophos fabricar sus chips en las líneas de producción de alto volumen existentes en la industria de semiconductores. La compañía está actualmente eligiendo la ubicación para una planta de producción antes de sus entregas de servidores a clientes en 2028.

Tanto Lumai como Neurophos apuestan por lanzar sus productos al mercado antes de que la tecnología CMOS tradicional pueda igualar sus ahorros energéticos. “El silicio seguirá mejorando, pero las ganancias de eficiencia digital ahora llegan lentamente y a un coste creciente”, señala Burr. “La óptica ofrece una relación de escalado diferente, en la que la eficiencia mejora a medida que las matrices crecen. Modelos más grandes, ventanas de contexto más largas y cargas de trabajo de agentes están empujando el prefill en esa dirección.”

Imagen complementaria

Cerrando la Brecha en el Chip

La óptica de espacio libre promete una multiplicación casi libre de energía, como en el diseño de Goodman. Pero otro gran avance en óptica desde el trabajo de Goodman en la década de 1970 es la fotónica integrada, que permite guiar y manipular la luz directamente en el chip. “El objetivo es manejar un tamaño de vector lo más grande posible para maximizar el beneficio del uso de la óptica, y por esa razón los enfoques de espacio libre son prometedores”, dice Logan Wright de Yale. “Pero sigue siendo fundamentalmente más difícil” usar el enfoque de espacio libre, “porque hay mucha menos infraestructura que en la fotónica de silicio”.

Otras empresas —como Lightelligence, con sede en Shanghái, y Q.ANT, con sede en Stuttgart (Alemania)— están intercambiando la ventaja tridimensional de la óptica de espacio libre por la fabricabilidad de la fotónica integrada directamente en un chip de silicio. “Hay una buena razón por la que la óptica de espacio libre suele limitarse a 1.000 unidades al año”, afirma Michael Förtsch, CEO y fundador de Q.ANT. “La razón es la inspección de lentes, la estrategia de ensamblaje, etc. Los circuitos fotónicos integrados fabricables en semiconductores son, en este punto, mucho más prometedores para alcanzar la producción en volumen.”

Multiplicación Vector-Matriz con Fotónica Integrada

En el enfoque de Q.ANT, los datos de entrada se codifican en la fase y amplitud de los pulsos de luz a través de moduladores en el chip. Un vector en este esquema se representa como una secuencia de dichos pulsos, cada uno representando un elemento vectorial. La luz se guía por el chip mediante guías de onda. El elemento computacional básico es un interferómetro: una guía de onda se divide en dos caminos, y el haz de luz que viaja por uno de los caminos se somete a un desplazamiento de fase, controlado por un voltaje determinado. Cuando los dos caminos se recombinan, la interferencia resultante realiza un cálculo. Luego, fotodetectores y convertidores analógico-digitales convierten el resultado de nuevo en datos digitales. El enfoque de multiplicación vector-matriz serializado es más lento que el computador de Goodman, donde todo el cálculo ocurre simultáneamente. Sin embargo, la menor velocidad puede mitigarse utilizando múltiples longitudes de onda a la vez, codificando efectivamente múltiples vectores en la luz simultáneamente.

El Servidor de Procesamiento Nativo de Q.ANT ya se está utilizando en instituciones de investigación como el Leibniz Supercomputing Centre en Múnich y el Jülich Supercomputing Centre en Jülich, ambos en Alemania. A principios de este año, la compañía anunció una venta comercial al proveedor de servicios en la nube Ionos. De manera similar, el procesador PACE2 de Lightelligence es capaz de multiplicar matrices de 128 por 128 elementos. En un artículo publicado en 2025, la compañía describió la multiplicación de matrices por vectores a una frecuencia de 1 gigahercio y una latencia de 3 nanosegundos, afirmando dos órdenes de magnitud menos latencia que con las GPUs tradicionales.

Sin embargo, la ventaja energética aún no se ha demostrado de forma concluyente, y Förtsch de Q.ANT admite que todavía queda un largo camino por recorrer. El principal problema es el coste energético de la conversión analógico-digital y viceversa. Mientras no exista un convertidor rápido y de baja energía, afirma Förtsch: “No vemos posibilidades realistas de que… una máquina general de multiplicación de matrices por vectores en óptica tenga sentido”.

Más Allá de la Multiplicación Matriz-Vector

No todos en el campo se centran exclusivamente en la multiplicación de matrices por vectores, a pesar de ser la operación de moda en el mundo de la inferencia de IA. De hecho, mientras que la idea de la multiplicación matricial-vectorial óptica se remonta a los años 70, otras computaciones con óptica se han investigado desde los años 50. Por ejemplo, una transformada de Fourier —una operación común que descompone una onda o señal compleja en sus frecuencias constituyentes— puede realizarse en óptica con una sola lente.

“Un chip digital tiene que aproximar [las transformadas de Fourier] en muchos pasos pequeños, utilizando cientos o miles de transistores y más ciclos de cómputo”, dice Förtsch de Q.ANT. “Los modelos que utilizan tales funciones no lineales pueden alcanzar la misma o mejor precisión con menos parámetros y menos operaciones.”

A pesar de que el procesador óptico de Q.ANT se ha utilizado para la multiplicación tradicional de matrices por vectores, la compañía cree que sus mayores ventajas residen en arquitecturas de IA alternativas que aprovechan funciones más complejas. “Tareas como la clasificación y segmentación de imágenes dependen en gran medida de operaciones como series de Fourier, transformaciones y otras funciones no lineales, que la fotónica maneja de forma nativa. Vemos un potencial similar en la IA generativa, especialmente en la generación de imágenes y vídeo”, afirma Förtsch.

La startup israelí LightSolver también se dirige a algoritmos que se adaptan mejor a su dispositivo. “Si observas la propagación de ondas electromagnéticas, esencialmente, están resolviendo ecuaciones diferenciales por su propia naturaleza”, explica Ruti Ben-Shlomi, CEO y cofundadora de LightSolver. Afirma que las ecuaciones diferenciales pueden resolverse mucho más rápido y con mayor eficiencia energética en la unidad de procesamiento láser (LPU) de la compañía que en un ordenador tradicional.

La LPU de LightSolver representa una interesante adaptación del diseño del computador óptico de Goodman. Cuenta con luz de entrada, una membrana programable en forma de modulador espacial de luz y luz de salida, pero todo el conjunto se coloca en una cavidad, donde la luz rebota varias veces antes de alcanzar un estado estable. Además, el equipo introduce un medio de ganancia dentro de la cavidad. Este medio funciona de manera similar a los encontrados dentro de un láser, provocando que la luz que rebota aumente de intensidad. Una vez que un problema particular se codifica en el modulador, el medio de ganancia se estimula para emitir fotones aleatorios. Estos rebotan, aumentando de intensidad al pasar de nuevo por el medio de ganancia, experimentando cambios preprogramados a través del modulador e interactuando entre sí hasta alcanzar un estado estable —la solución. Luego, una cámara simple toma una imagen del resultado en estado estable. Utilizando emulación, el equipo de LightSolver demostró recientemente que su LPU puede resolver ecuaciones diferenciales entre 40 y 80.000 veces más rápido que una GPU, dependiendo del flujo de trabajo. Actualmente, están trabajando en la evaluación explícita de las mejoras energéticas.

El equipo de LightSolver también está trabajando en aplicaciones de IA para su LPU, utilizando el propio algoritmo de la compañía para generar imágenes a partir de texto. “No estamos haciendo multiplicaciones de matrices por vectores muy rápido. Estamos haciendo algo diferente. Necesitamos asumir que la forma en que se entrena el modelo y luego se realiza la inferencia es completamente diferente. Pero si se hace de forma diferente, se podrá generar imágenes con una drástica disminución del consumo de energía y una aceleración”, afirma Ben-Shlomi. LightSolver tiene un prototipo funcional de su LPU, y el equipo está trabajando en una caja más grande, lista para ser instalada en rack.

Procesamiento en Tránsito

Una forma más de aprovechar las fortalezas particulares de la luz está siendo explorada por Optalysys, una startup con sede en Leeds (Inglaterra). Nick New, fundador y director de producto, tiene experiencia en óptica de espacio libre y, por lo tanto, entendió que realizar una transformada de Fourier es muy fácil con la luz. La idea clave detrás de la tecnología de Optalysys es tomar esa capacidad de Fourier de la óptica en espacio libre y hacerla funcionar en el chip. “En lugar de usar una lente hoy en día, tenemos nuestro propio componente, que es un componente pasivo en el plano del silicio que realiza esa misma función”, explica New. Y diseñando inteligentemente ese componente con múltiples salidas, el equipo descubrió cómo realizar también diferentes operaciones. “Debido a cómo se genera la respuesta de la transformada de Fourier, puedes extraer diferentes operaciones matemáticas de ella”, señala New. “Podemos producir funciones digitales muy grandes y de alta precisión con eficiencias súper altas, utilizando nuestro enfoque de fotónica analógica.”

“Efectivamente estamos añadiendo procesamiento donde ahora no existe.” — Nick New, Optalysys

En lugar de rediseñar un acelerador desde cero, Optalysys se enfoca en una parte de la carga de trabajo de IA que ya se encuentra en el dominio óptico: la red. En los centros de datos, los racks de computadoras se conectan entre sí mediante fibra óptica, y las conexiones ópticas se acercan cada vez más a las GPUs y CPUs. Algunas computaciones ya ocurren mientras los datos están en tránsito. Estas computaciones, que incluyen la combinación de resultados de múltiples GPUs, se ejecutan dentro de las tarjetas de switch de red. Pero estas tarjetas consumen energía para realizar esos cálculos. Con componentes ópticos pasivos, estas computaciones podrían realizarse esencialmente de forma gratuita.

New afirma que, además de la comunicación entre GPUs, la tecnología de Optalysys podría utilizarse para facilitar la comunicación de una GPU con la memoria, realizando tareas como compresión y conversión de formato sobre la marcha. Volviendo a la inferencia de IA, este enfoque podría mejorar la parte de decode de la carga de trabajo. A diferencia del prefill, el decode está limitado por la memoria: la parte más costosa es mover los datos del modelo dentro y fuera de la memoria. “Nos centramos más en las aplicaciones limitadas por memoria, lo que encaja muy bien con este principio de añadir procesamiento al camino de comunicación”, dice New. “Efectivamente estamos añadiendo procesamiento donde ahora no existe.”

El Futuro Probable de la Computación Óptica

¿Qué tan probable es que los computadores ópticos reemplacen a las GPUs en los centros de datos? Logan Wright de Yale no es demasiado optimista. “La dirección del desarrollo de algoritmos no será una dirección que sea automáticamente favorable para la óptica”, afirma. “De hecho, lo más probable es que vaya en la dirección opuesta, porque [los desarrolladores de modelos de IA] quieren que funcione mejor en las GPUs.”

Sin embargo, incluso si nuestras consultas de IA no se computan con luz en los próximos años, la inversión en esta tecnología no será en vano. Wright señala: “La razón por la que yo y muchas otras personas en el campo somos al menos algo optimistas es que hay una inversión real por parte de empresas como Nvidia y TSMC en el desarrollo de fotónica de silicio co-empaquetada —no para computación, sino para conmutación de circuitos e interconexiones, y eso simplemente abre la puerta a hacer un poco más en el futuro.”

Ya sea que esa tecnología termine procesando multiplicaciones de matrices por vectores, realizando simulaciones personalizadas o ejecutando computaciones en red, el ecosistema de la computación parece maduro para una variedad de enfoques. “Vemos el centro de datos del futuro como heterogéneo: CPUs, GPUs y NPUs (unidades de procesamiento neuronal) fotónicas asumirán las tareas para las que son más adecuadas”, dice Förtsch de Q.ANT. “Ejecutar cada tarea en el hardware más eficiente puede reducir significativamente el uso de energía y los costes operativos.”

Releated Posts

La Revolución Silenciosa del IoT Satelital: Cómo los Enlaces Espaciales Definen el Futuro de la Conectividad en la Tierra

La integración de la tecnología satelital en las redes 5G está redefiniendo las capacidades del Internet de las…

PorBy Nov 17, 2026

Wall-B: X Square Robot Lanza una IA Encarnada Revolucionaria para Robots Domésticos

La startup de robótica X Square Robot presenta Wall-B, un modelo de IA encarnada diseñado para la interacción…

PorBy Nov 17, 2026

Astribot Presenta Lumo 2: El Modelo Fundacional de IA que Redefine la Robótica desde Shenzhen

La compañía china Astribot introduce Lumo 2, un avanzado modelo fundacional de inteligencia artificial diseñado para el control…

PorBy Nov 17, 2026

Robótica Quirúrgica para Ictus: Remedy Robotics Lidera la Revolución de la Trombectomía a Distancia

La startup Remedy Robotics, con sede en San Francisco, está redefiniendo el tratamiento del ictus agudo mediante robótica.…

PorBy Nov 17, 2026

Leave a Reply

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Scroll al inicio