= Hvad ved vi om...

Hvad ved vi om optisk computing og AI?

Kan lys-baserede chips løse AI's energikrise — eller er de teknologiske begrænsninger for store til at gøre en reel forskel?

Optisk computing fik nyt liv af AI: hvad kan lys-baserede chips — og hvad kan de ikke?

AI's voksende energiforbrug har givet en gammel teknologi nyt liv. Optisk computing — beregninger udført med lys frem for elektroner — har i årtier været lovet som fremtidens løsning på processorkraft og energiforbrug. Nu er der kommerciel interesse igen, drevet af de enorme krav fra store sprogmodeller og AI-systemer. Men hvad dokumenterer forskningen faktisk, og hvor er begrænsningerne?


Det politiske spørgsmål

AI's energiforbrug er blevet et politisk tema i mange lande. Datacentre bruger store mængder strøm, og efterspørgslen vokser hurtigere end kapaciteten. Spørgsmålet om, hvilke teknologier der kan gøre AI mere energieffektiv, er ikke kun et ingeniørspørgsmål — det handler om klimaaftryk, forsyningssikkerhed og om, hvem der i fremtiden kan betale sig til at køre avancerede AI-systemer.

Optisk computing er blevet fremhævet som én mulig løsning. Markedet for optisk computing blev i 2024 vurderet til 2,22 milliarder USD, og det vokser. Men teknologiske løfter og markedsværdier er ikke det samme som dokumenteret ydeevne. Det kræver en gennemgang af, hvad forskning og uafhængige eksperter faktisk siger.


Det empiriske spørgsmål bag

Kan optiske chips udføre de beregninger, som AI kræver, hurtigere og med markant mindre energiforbrug end konventionelle elektroniske chips? Og hvis svaret er "til dels" — hvilke dele af AI-workloads passer til optisk computing, og hvilke gør ikke?


Hvad ved vi

✓✓ Optisk computing har fysiske fordele ved bestemte beregningstyper

Lys bevæger sig hurtigt og kan bære mange signaler samtidigt uden at de forstyrrer hinanden — et fænomen kaldet multipleksing (at sende mange signaler på én gang ved hjælp af forskellige bølgelængder). Det gør optiske systemer særligt velegnede til matrix-vektormultiplikation, som er kerneoperationen i de fleste neurale netværk. Denne operation kan i princippet udføres med lysets hastighed og med meget lavt energiforbrug, fordi lys ikke genererer varme på samme måde som elektriske signaler i en modstand.

✓ Kommercielle systemer er begyndt at dukke op

Virksomheden Lumai har gjort sin optiske server kaldet Iris Nova tilgængelig til evaluering i april 2026. Ifølge IEEE Spectrum hævder Lumai, at deres næste generation, Iris Aura, vil kunne udføre den såkaldte "prefill"-fase i store sprogmodeller med cirka en tiendedel af energiforbruget sammenlignet med konventionelle GPU-baserede løsninger. Prefill er den beregningstunge fase, hvor modellen behandler den indkommende tekst, før den begynder at generere svar.

Dette er endnu et producentudsagn og ikke uafhængigt verificeret på bred basis — men det er bemærkelsesværdigt, at kommercielle systemer nu eksisterer og kan evalueres.

✓✓ Energiforbruget ved konvertering er et dokumenteret problem

Forskning publiceret på arXiv i 2025 viser, at det største energimæssige problem i optiske AI-systemer ikke er selve de optiske beregninger — det er konverteringen mellem den digitale verden og den optiske. Konkret er det de komponenter, der hedder DAC'er (digital-til-analog-konvertere) og de modulatorer, der omsætter elektriske signaler til lys, som dominerer det samlede energiforbrug. Med andre ord: lyset regner billigt, men det koster energi at pakke data ind i lyset og ud igen.

Dette er ikke en detalje — det er en strukturel begrænsning, som forskersamfundet aktivt arbejder på at løse.

✓✓ Optisk computing er ikke nyt — men er tidligere gået i stå

Optisk computing har eksisteret som forskningsfelt siden 1960'erne og 70'erne. Tidligere forsøg på kommercielle produkter slog fejl, primært fordi halvlederchips viste sig at være ekstremt skalerbare, og fordi optiske komponenter var dyre og svære at miniaturisere. Det er relevant baggrundsviden: teknologien har en historik med store løfter og manglende gennembrud.


Hvad ved vi ikke

~ Hvad den reelle, uafhængigt verificerede energibesparelse er i praksis

Lumai og andre producenter offentliggør imponerende tal, men uafhængige benchmarks på kommercielle optiske AI-systemer er endnu meget sparsomme. Det er standardproblemstillingen med nye hardware-teknologier: producenternes egne tal måler under ideelle forhold og sammenligner ikke altid med den nyeste konkurrerende teknologi.

~ Om optisk computing kan skalere til de størrelser, som de største AI-modeller kræver

De nuværende demonstrationssystemer er "proof of concept"-produkter. Det er uklart, om optiske systemer kan skalere til det antal parametre og den datamængde, som fx GPT-klasse modeller kræver, uden at de konversionsproblemer, som forskningen identificerer, eliminerer energifordelene.

~ Om præcisionsniveauet er tilstrækkeligt

Optiske beregninger er i deres natur analoge — de arbejder med kontinuerlige signaler frem for de præcise tal-0-og-1-værdier, som digital computing bruger. Neurale netværk er overraskende tolerante over for unøjagtigheder i deres beregninger, men der er stadig ubesvarede spørgsmål om, hvilke præcisionsniveauer der er nødvendige for de mest krævende AI-applikationer, og om optiske systemer konsekvent kan levere dem.


Hvad eksperter er uenige om

~ Er optisk computing en erstatning for eller et supplement til elektroniske chips?

Nogle forskere og virksomheder positionerer optisk computing som en erstatning for GPU'er i AI-datacentre. Andre argumenterer for, at den mest realistiske rolle er som specialiseret co-processor (en hjælpeprocessor) til specifikke, velafgrænsede opgaver — fx netop prefill-fasen, som Lumai fokuserer på. Denne mere beskedne ambition er lettere at indfri, men giver også en mere begrænset fordel.

~ Hvor meget hjælper det egentlig at gøre selve beregningen hurtigere?

IEEE Spectrum-artiklen sætter fingeren på et centralt ingeniørspørgsmål: de "skjulte" energigevinster ved optisk computing handler ikke kun om beregningshastighed. Der er energibesparelser at hente i, at optiske systemer genererer mindre varme og dermed kræver mindre køling. Køling udgør en stor andel af datacentres samlede energiforbrug. Men præcis hvor stor en besparelse det giver i et realistisk datacenter-setup, er stadig genstand for diskussion.

⚖ Hvornår bør man investere i en umoden teknologi?

Dette er delvist et værdispørgsmål. Virksomheder og investorer, der satser på optisk computing nu, bidrager til at modne teknologien — men de løber en reel risiko for, at elektroniske chips fortsætter med at forbedre sig hurtigere end ventet. Historien om optisk computing er fyldt med "for tidligt"-investeringer. Omvendt kræver grønne omstillinger af AI-infrastruktur, at man begynder at investere i alternativer, før de er fuldt modne.


Konklusion

Optisk computing har reelle, fysisk velbegrundede fordele ved de matrixberegninger, som AI-systemer lever af. Den grundlæggende idé er solid: lys kan i princippet udføre disse beregninger hurtigere og med langt mindre energiforbrug end elektroner. ✓✓

Men forskning viser tydeligt, at konverteringen mellem digital og optisk behandling i dag æder en stor del af energibesparelsen. Det er det centrale uløste problem — ikke en lille teknisk detalje, men en strukturel barriere. ✓✓

Kommercielle systemer som Lumais Iris Nova er et tegn på, at teknologien er rykket tættere på virkelighed end i tidligere årtier. Men de producentstyrede tal for energibesparelse mangler stadig uafhængig, bred validering. ✓

Den mest forsigtige konklusion er: optisk computing er en lovende kandidat til at løse dele af AI's energiproblem — særligt for specifikke, velafgrænsede beregningsopgaver. At kalde det en løsning på AI's samlede energiforbrug er for tidligt. At afskrive det som hype er heller ikke berettiget af den foreliggende evidens.

For dem, der følger debatten om AI's klimaaftryk, er optisk computing værd at holde øje med — men med åbne øjne for, at teknologien har en lang historik med løfter, der har taget længere tid end ventet at indfri.


Kilder