Neurophos haalt 110 miljoen dollar op voor fotonische AI-chips

Lede: een grote gok op licht in Austin

Op 22 januari 2026 kondigde de in Austin gevestigde chip-startup Neurophos 110 miljoen dollar aan nieuw kapitaal aan om de ontwikkeling van AI-processoren die rekenen met licht te versnellen. Het bedrijf stelt dat zijn fotonische aanpak het elektriciteitsverbruik van grote taalmodellen en andere neurale netwerken drastisch kan verminderen — een directe uitdaging voor de op GPU's gerichte architectuur die wordt gedomineerd door één gevestigde leverancier. Neurophos vertelde lokale verslaggevers ook dat het van plan is zijn personeelsbestand tegen eind 2026 meer dan te verdrievoudigen, terwijl het de overstap maakt van laboratoriumprototypes naar hardware van productieniveau.

Fotonische versnelling

De pitch van Neurophos rust op een eenvoudig natuurkundig voordeel: fotonen bewegen zonder de weerstandsverwarming waar elektronen last van hebben. In geïntegreerde fotonica voert licht, geleid door minuscule golfgeleiders en gemanipuleerd door optische componenten, de kern van de lineaire algebra uit — de multiply‑accumulate-bewerkingen die de werklasten van neurale netwerken domineren — door gebruik te maken van interferentie, faseverschuivingen en modulatie in plaats van het schakelen van transistoren. Voor bepaalde klassen van AI-inferentie en lineaire algebra kan dat leiden tot een dramatische verbetering in energie per operatie.

Die belofte suddert al jaren in universitaire laboratoria. Neurophos voert zijn technische afstamming terug naar decennia van onderzoek naar optica en siliciumfotonica, waaronder werk aan Duke University dat onderzoek deed naar gemanipuleerde optische materialen en apparaatarchitecturen. Hetzelfde corpus aan optica-onderzoek leverde ooit ideeën voor exotische demonstraties zoals cloaking en metamaterialen; de oprichters van Neurophos proberen deze principes nu om te vormen tot een commercieel levensvatbare versneller voor moderne AI.

Waarom investeerders opletten

110 miljoen dollar is een aanzienlijke oorlogskas voor een startup op apparaatniveau die gevestigde spelers probeert te verdrijven in een markt die tientallen miljarden dollars waard is. Voor investeerders is de aantrekkingskracht tweeledig: de omvang van de AI-rekenkrachtmarkt en de acute noodzaak om de energiekosten in hyperscale datacenters te beteugelen. Grote modellen verbruiken in afzonderlijke installaties al megawatts; het besparen van watts per inferentie over miljoenen zoekopdrachten heeft directe operationele waarde.

De aankondiging van Neurophos komt op een moment waarop kopers en beheerders van AI-infrastructuur actief op zoek zijn naar alternatieven voor de dominante, op GPU's gebaseerde stacks. GPU's zijn uitzonderlijk flexibel en worden ondersteund door een enorm software-ecosysteem, maar ze leveren prestaties ten koste van een hoog stroomverbruik en complexe koelingseisen. Fotonische versnellers beloven een fundamenteel andere afweging: minder elektrische energie voor bepaalde lineaire algebra-werklasten tegen de prijs van nieuwe technische uitdagingen op het gebied van precisie, packaging en integratie.

Technische realiteit en beperkingen

De natuurkunde die fotonica aantrekkelijk maakt, stelt ook harde beperkingen. Optische berekeningen zijn meestal analoog: gewichten en signalen worden gecodeerd in de amplitude of fase van het licht. Die analoge aard zorgt voor efficiëntie, maar ook voor ruis, drift en gevoeligheid voor fabricagetoleranties en temperatuur. Het bereiken van de numerieke precisie die veel moderne modellen vereisen — vooral tijdens de training — is niet triviaal. Zelfs voor inferentie, waar een lagere precisie vaak acceptabel is, moeten systeemarchitecten oplossen hoe ze kunnen converteren tussen optisch rekenen en het digitale geheugen dat de enorme modelgewichten bevat.

Productie is een ander praktisch obstakel. Siliciumfotonica is snel volwassen geworden, maar de volumeproductie van complexe fotonische chips loopt nog steeds achter op geavanceerde elektronische foundries. Packaging — het proces van het koppelen van lichtbronnen, modulatoren, detectoren en besturingselektronica tot een robuuste module — is duur en vaak maatwerk. Dat maakt het pad van prototype naar implementatie op rack-schaal langer en risicovoller dan bij puur elektronische ontwerpen.

Productstrategie en mijlpalen op korte termijn

Neurophos heeft aangegeven dat het zijn personeelsbestand tot 2026 agressief zal uitbreiden en de overstap zal maken van onderzoek naar engineering en systeemintegratie. De financieringsronde is bedoeld om die aanwervingen te versnellen en fabricageruns, testplatforms en vroege klantcontacten te ondersteunen. De publieke verklaringen van het bedrijf richten zich op inferentie-werklasten in datacenters, waar deterministische latentie en vermogen per zoekopdracht commerciële hefbomen zijn waar operators het meeste om geven.

De uitvoering vereist parallelle vooruitgang op meerdere fronten: een fotonische engine die GPU's aantoonbaar overtreft op belangrijke statistieken, software die aansluit op bestaande ML-frameworks, en systeemengineering die koeling, betrouwbaarheid en onderhoudbaarheid aanpakt. Partners — foundries voor siliciumfotonica, leveranciers van optische componenten en hyperscalers die bereid zijn om nieuwe versnellingshardware te testen — zullen cruciaal zijn; de aankondiging noemde geen specifieke productiepartners of vaste klanten.

Concurrentie en het softwareprobleem

Neurophos begeeft zich in een druk veld van startups en onderzoekslaboratoria die alternatieven voor GPU-rekenkracht onderzoeken, van aangepaste digitale ASICs tot gespecialiseerde analoge versnellers en andere fotonische inspanningen. De meest verankerde concurrent is het bestaande ecosysteem van GPU's en versnellers, dat profiteert van jarenlange software-optimalisatie, compiler-toolchains en de bekendheid van ontwikkelaars. Die softwarestack is een belangrijke barrière: elke nieuwe hardware moet ofwel dezelfde programmeermodellen ondersteunen, ofwel een overweldigend betere prijs-prestatieverhouding bieden om een herziening van de gereedschappen te rechtvaardigen.

Het overbruggen van die softwarekloof is vaak de beslissende technische en commerciële uitdaging. Fotonische apparaten hebben drivers, compilers en numerieke bibliotheken nodig die neurale-netwerkgrafieken vertalen naar optische bewerkingen, terwijl ze compenseren voor analoge onvolkomenheden. Startups die hardware-ontwikkelingen koppelen aan ontwikkelaarsvriendelijke toolchains hebben meer kans op tractie dan degenen die uitsluitend vertrouwen op de ruwe prestaties van het apparaat.

Gevolgen voor energie en klimaat

Als fotonische versnellers op schaal een grote sprong voorwaarts kunnen maken in energie-efficiëntie, zou dit gevolgen hebben voor het klimaat en de economie van AI. Hyperscalers staan onder druk om hun operationele CO2-uitstoot en energierekening te verlagen, en elke technologie die het aantal kilowattuur per inferentie verlaagt, zou snel kunnen worden overgenomen. Deze winst zal echter alleen werkelijkheid worden als de apparaten robuust en produceerbaar zijn en eenvoudig te bedienen in grote serverparken.

Het is ook belangrijk om op te merken dat energiewinst in rekenkracht zich niet automatisch vertaalt in een netto-emissiereductie: dit hangt af van waar en hoe die rekenkracht wordt ingezet, welke werklasten worden verschoven en of verminderde energie per bewerking een uitgebreider gebruik van modellen stimuleert. Technologie is noodzakelijk maar niet voldoende; keuzes voor implementatie op systeemniveau bepalen de werkelijke impact op het klimaat.

Vooruitzichten: hoog risico, hoge beloning

De kapitaalronde van 110 miljoen dollar van Neurophos koopt tijd en geloofwaardigheid. Voor het bedrijf is de onmiddellijke taak om natuurkundige demonstraties om te zetten in productiemodules die in echte datacenters kunnen worden ingezet en ondersteund. Succes zou een van de zeldzame gevallen markeren waarin een innovatie op materiaal- en apparaatniveau op een betekenisvolle manier een miljardenmarkt voor platforms hervormt die wordt gedomineerd door gevestigde GPU-spelers.

Falen is ook een realistisch scenario. De startup staat voor technische opschalingsuitdagingen, diepgewortelde software-ecosystemen en de kapitaalintensiteit van de overstap van laboratoriumwafers naar systemen op rack-niveau. Zelfs met sterke resultaten vereist het overtuigen van cloud- en zakelijke klanten om een nieuwe versneller te adopteren pilots, investeringen in engineering en een aantoonbaar rendement op de investering.

Voor waarnemers van de toeleveringsketens voor halfgeleiders en AI-infrastructuur zal het verhaal van Neurophos niet alleen het volgen waard zijn vanwege de technische claims, maar ook vanwege wat het signaleert over de bereidheid van investeerders om alternatieven voor GPU-rekenkracht te overwegen. De plannen van het bedrijf om het personeelsbestand tot 2026 snel uit te breiden en de omvang van de nieuwe financieringsronde suggereren dat investeerders een kans zien — maar ze hebben een grote gok geplaatst op licht als antwoord op enkele van de meest prangende energievraagstukken van de moderne AI.

Bronnen

• Duke University (fundamenteel onderzoek naar fotonica en metamaterialen)
• Neurophos (persmateriaal van het bedrijf)