O investimento em infraestrutura de inteligência artificial (IA) disparou desde a chegada de modelos de linguagem de IA generativos, como o ChatGPT, em 2022. Com os hiperescaladores impulsionando o investimento em infraestrutura de IA para níveis recordes em 2025, a International Data Corp.
Num contexto de injecções de capital vertiginosas, a indústria aproxima-se de um “muro de escalada” físico. A infraestrutura tradicional está começando a fraquejar sob a carga das restrições de capacidade dos data centers e das crescentes demandas de energia.
As crescentes necessidades de energia para alimentar a IA são insustentáveis, aumentando também as preocupações sobre os danos ambientais que o fornecimento dessa energia pode causar.
Estamos agora num ponto de inflexão. Os métodos tradicionais de transferência de dados elétricos estão atingindo seus limites, com a NVIDIA mostrando sua mão ao investir recentemente US$ 4 bilhões em duas empresas fotônicas, Coherent Corp. A NVIDIA está apostando em um futuro onde os dados serão transmitidos via luz (fótons) em vez de eletricidade.
Consumo de energia de IA
OInstituto de pesquisa de energia elétricaestima que os data centers poderão consumir até 9% da geração de eletricidade dos EUA anualmente até 2030, acima dos 4% em 2023. À medida que os modelos de IA enfrentam-uma demanda cada vez maior dos consumidores e exigem mais computação, veremos um aumento na demanda global de energia. Isto representa um problema grave para os custos de expansão dos serviços de IA, dada a recente volatilidade nos preços da energia. Já estamos vendo esse problema se materializar, com a OpenAI citando o aumento das contas de energia como uma razão para reverter seus planos de expansão no Reino Unido.
Os processadores estão se aproximando dos limites físicos. Os transistores, os interruptores eletrônicos que formam a base dos circuitos eletrônicos, têm agora apenas alguns átomos de largura-um tamanho no qual os efeitos quânticos e o calor se tornam limitações significativas.
Luz no fim do túnel
Além do desafio das quantidades de energia usadas para processar e mover dados, a distância física entre os elementos de processamento e memória, tanto no-chip quanto no nível do sistema, agora limita a velocidade com que os modelos de IA podem ser executados e treinados. Construir data centers sobre uma base fotônica é o próximo passo lógico.
Em breve, a computação dentro do caminho óptico de dados será possível e oferecerá a oportunidade de reduzir a latência e dimensionar a infraestrutura sem aumentos proporcionais no consumo de energia.
A fotônica pode ser integrada diretamente em chips de silício para permitir melhorias de escalabilidade e eficiência em relação à eletricidade. O ponto crucial do ganho de eficiência da fotônica é simples: a luz viaja mais rápido e carrega mais informações, enquanto produz menos calor que os elétrons. Isso resulta em densidade computacional dramaticamente maior, menor consumo de energia e desempenho térmico superior para superar os limites impostos pela ascensão do silício escuro nos chips convencionais.
Os benefícios de melhorar a eficiência no nível do chip são evidentes na rapidez com que a economia de energia aumenta. Um watt de energia economizado ao alimentar um chip também reduz a energia desperdiçada no consumo de energia e no resfriamento. A fotônica abre um futuro de desenvolvimento de infraestrutura de IA, centrada em uma base que é mais rápida, mais limpa e fundamentalmente escalável.
Implementação de data center fotônico
O gargalo fundamental na IA em grande-escala não é mais a computação bruta, mas o impressionante custo de energia para mover dados na velocidade e no volume que as cargas de trabalho de IA modernas exigem. A rápida evolução dos modelos de fronteira significa que os sistemas estão sob constante pressão devido à coordenação de milhares de chips simultaneamente. A infraestrutura tradicional de data center simplesmente não consegue acompanhar a demanda por troca de dados constante e altamente intensiva.
A fotónica apresenta uma oportunidade para resolver este problema a um nível estratégico, em vez de apenas mitigar as crescentes exigências térmicas de uma arquitectura eléctrica cada vez mais esticada. As primeiras estimativas da indústria indicam que o uso da luz para transferir dados proporciona cerca de 5x a eficiência energética e 10x a resiliência da rede em relação à eletrônica convencional.
Os benefícios da fotônica de silício vão além dos ganhos imediatos de eficiência e sustentabilidade. Ao eliminar gargalos significativos na-transferência de dados, a fotônica também libera tipos de computação que antes eram considerados impraticáveis devido aos custos de energia, como a criptografia totalmente homomórfica (processamento de dados criptografados sem nunca descriptografá-los).
Ao eliminar os limites das arquiteturas de computação tradicionais, a fotônica tem{0}implicações de longo alcance para setores onde o desempenho e a privacidade de dados exigidos pelos setores de defesa, finanças e saúde não são-negociáveis.
Até à data, a resposta da indústria da IA às suas crescentes necessidades energéticas tem sido lenta e não consegue resolver as falhas estruturais das arquitecturas tradicionais de silício. Os recentes investimentos multibilionários-da NVIDIA servem como um sinal claro de que os hiperescaladores agora reconhecem que isso é fundamentalmente um problema de infraestrutura.
Devemos agora nos perguntar se faremos mais do mesmo-continuaremos investindo-quantidades na construção de data centers e na infraestrutura de resfriamento ou se investiremos em soluções inovadoras, como a fotônica, que podem resolver as principais limitações na fonte.
A fotônica representa um novo horizonte de oportunidades. Em vez de substituir os sistemas existentes, a fotônica amplia as arquiteturas computacionais modernas, liberando nova capacidade computacional dentro da própria rede. A fotônica está conduzindo a indústria de chips em direção à sua maior mudança arquitetônica desde o advento da arquitetura von Neumann e apresenta uma oportunidade para desbloquear computação ilimitada.
