AI & computing › Neuromorfe & fotonische chips

Lichtchips moeten AI straks met veel minder stroom laten rekenen

· Bijgewerkt 18 november 2026, 01:02 · 2 min leestijd

Neuromorfe & fotonische chips
Beeld: IEEE Spectrum

Steeds meer datacenters draaien stuk op hun eigen energiehonger door kunstmatige intelligentie. Een groeiend aantal bedrijven ziet een oplossing in computerchips die rekenen met licht in plaats van elektronen. De markt voor deze zogeheten optische chips groeide in drie jaar van 400 miljoen naar 2,2 miljard dollar, gedreven door de energiehonger van AI.

Elke keer dat je een vraag stelt aan een chatbot, voert een datacenter ergens miljoenen rekenstappen uit. Die stap heet AI-inference: het moment waarop een getraind AI-model een antwoord berekent. Dat kost enorm veel stroom, en dat probleem groeit mee met de populariteit van AI. Bedrijven als Nvidia bouwen steeds krachtigere chips om dat rekenwerk efficiënter te maken, maar een groep startups in de Verenigde Staten, China, Duitsland, Israël en Groot-Brittannië zoekt het antwoord ergens anders: in licht.

Rekenen zonder elektronen te verplaatsen

Het idee om met licht te rekenen bestaat al sinds de jaren zeventig. In 1978 beschreef natuurkundige Joseph Goodman een methode om de belangrijkste rekenbewerking in AI, de zogeheten matrix-vector-vermenigvuldiging, met lichtstralen uit te voeren in plaats van met elektronische schakelingen. Een rij lampjes codeert daarbij getallen in de helderheid van licht, lenzen spreiden en bundelen de lichtstralen, en het resultaat rolt er als het ware automatisch uit. Het grote voordeel: zodra de instellingen van het systeem vastliggen, kost het laten passeren van licht vrijwel geen extra energie. Bij elektronische chips kost elke afzonderlijke rekenstap wél stroom, en dat aantal rekenstappen groeit snel naarmate de berekeningen groter worden. Bij licht blijft het energieverbruik veel beperkter, omdat vooral het coderen en uitlezen van de gegevens stroom kost, niet de rekenstap zelf.

Indrukwekkende proeven, voorzichtige wetenschappers

Onderzoekers van Cornell University, onder leiding van hoogleraar Peter McMahon, bouwden in 2022 al een optisch neuraal netwerk dat minder dan één foton energie nodig had per rekenstap: ongeveer 0,25 triljoenste joule. Een gewone computerchip gebruikt voor dezelfde rekenstap honderdduizend tot een miljoen keer zoveel energie. Op papier lijkt optisch rekenen dus een gigantische energiebesparing op te leveren. Toch waarschuwt McMahon voor te snelle conclusies. In zijn proef is niet meegerekend hoeveel energie het kost om gegevens eerst om te zetten in licht en het antwoord daarna weer uit te lezen. Juist die stappen kunnen in de praktijk een flink deel van de besparing wegsnoepen. Collega-onderzoeker Logan Wright van Yale University ziet vooral waarde in de bredere ontwikkeling die de huidige hausse aan optische startups op gang brengt, ook als niet elk bedrijf het van GPU-makers als Nvidia wint.

Licht als extra rekenkracht in het netwerk

Een opvallende aanpak komt van het Britse bedrijf Optalysys. Datacenters gebruiken al lichtsignalen om data tussen servers te versturen. Optalysys bouwt speciale lichtgeleiders die onderweg, tijdens dat transport, al een deel van de berekening uitvoeren. Zo wordt rekenkracht toegevoegd zonder dat er extra chips nodig zijn die apart stroom verbruiken. Het laat zien dat optisch rekenen niet alleen draait om het vervangen van bestaande chips, maar ook om het slimmer benutten van infrastructuur die er al staat.

Achtergrond & begrippen

Wat betekent dit voor de toekomst? Als optische chips de energiehonger van AI-datacenters echt kunnen verlagen, voorkomt dat dat de groei van AI vastloopt op stroomtekorten en overvolle elektriciteitsnetten. Het is nog niet zeker of de besparing in de praktijk net zo groot is als in het laboratorium, omdat het omzetten van data naar licht en terug ook energie kost. Toch zet de combinatie van AI-groei en optisch rekenen een onderzoeksveld in beweging dat decennia stilstond.

AI-inference
Het moment waarop een al getraind AI-model daadwerkelijk een antwoord berekent op een vraag van een gebruiker, in tegenstelling tot de training van het model zelf.
Optisch rekenen
Een manier van computerrekenen waarbij lichtstralen in plaats van elektronische signalen de berekeningen uitvoeren.
Matrix-vector-vermenigvuldiging
Een wiskundige rekenbewerking die de kern vormt van de meeste AI-berekeningen, waarbij een rij getallen wordt vermenigvuldigd met een tabel van getallen.
Foton
Het kleinste deeltje van licht; de energie-eenheid die onderzoekers gebruiken om het stroomverbruik van optische chips te meten.
Joule
De natuurkundige eenheid voor energie, gebruikt om het stroomverbruik van rekenstappen te vergelijken tussen licht- en elektronenchips.
GPU
Een grafische processor, het type chip dat momenteel het meest wordt gebruikt om AI-modellen te trainen en te laten rekenen.
Datacenter
Een gebouw vol servers waarin bedrijven data opslaan en berekeningen uitvoeren, onder meer voor AI-diensten.

Bronnen

Dit artikel is met behulp van AI geschreven op basis van bovenstaande bronnen en is geen letterlijke vertaling. Zo werkt onze redactie.

Meer over Neuromorfe & fotonische chips