Neurophos pozyskuje 110 mln USD na fotoniczne układy AI

Wstęp: wielki zakład na światło w Austin

22 stycznia 2026 r. startup z branży półprzewodników Neurophos z siedzibą w Austin ogłosił pozyskanie 110 milionów dolarów świeżego kapitału na przyspieszenie prac nad procesorami AI obliczającymi za pomocą światła. Firma twierdzi, że jej fotoniczne podejście może radykalnie zmniejszyć zużycie energii elektrycznej przez wielkie modele językowe i inne sieci neuronowe — co stanowi bezpośrednie wyzwanie dla zdominowanej przez jednego zasiedziałego dostawcę architektury skoncentrowanej na procesorach graficznych (GPU). Neurophos poinformował również lokalnych reporterów, że planuje ponad trzykrotnie zwiększyć zatrudnienie do końca 2026 r., przechodząc od prototypów laboratoryjnych do sprzętu klasy produkcyjnej.

Akceleracja fotoniczna

Argumentacja Neurophos opiera się na prostej przewadze fizycznej: fotony poruszają się bez nagrzewania rezystancyjnego, które nęka elektrony. W zintegrowanej fotonice światło prowadzone przez maleńkie falowody i manipulowane przez komponenty optyczne wykonuje rdzeń algebry liniowej — operacje typu multiply‑accumulate dominujące w obciążeniach sieci neuronowych — wykorzystując interferencję, przesunięcia fazowe i modulację zamiast przełączania tranzystorów. W przypadku niektórych klas inferencji AI i algebry liniowej może to przełożyć się na radykalną poprawę wydajności energetycznej na operację.

Obietnica ta dojrzewała w laboratoriach uniwersyteckich od lat. Neurophos wywodzi swój rodowód techniczny z dziesięcioleci badań nad optyką i fotoniką krzemową, w tym z prac na Duke University, w ramach których badano inżynieryjne materiały optyczne i architektury urządzeń. Te same badania nad optyką dostarczyły niegdyś pomysłów na egzotyczne demonstracje, takie jak maskowanie i metamateriały; założyciele Neurophos próbują teraz przekształcić te zasady w opłacalny komercyjnie akcelerator dla nowoczesnej sztucznej inteligencji.

Dlaczego inwestorzy zwracają na to uwagę

110 milionów dolarów to spory budżet na rozwój dla startupu działającego na poziomie komponentów, który próbuje wyprzeć zasiedziałych graczy z rynku wartego dziesiątki miliardów dolarów. Dla inwestorów atrakcyjność jest dwojaka: skala rynku mocy obliczeniowej AI oraz pilna potrzeba ograniczenia kosztów energii w hiperskalowych centrach danych. Duże modele już teraz zużywają megawaty w pojedynczych instalacjach; zaoszczędzenie watów na inferencję w milionach zapytań ma natychmiastową wartość operacyjną.

Ogłoszenie Neurophos pojawia się w momencie, gdy nabywcy i operatorzy infrastruktury AI aktywnie szukają alternatyw dla dominujących stosów opartych na GPU. Procesory graficzne są wyjątkowo elastyczne i wspierane przez rozległy ekosystem oprogramowania, ale zapewniają wydajność kosztem wysokiego poboru mocy i złożonych wymagań dotyczących chłodzenia. Akceleratory fotoniczne obiecują fundamentalnie inny kompromis: mniejsze zużycie energii elektrycznej przy określonych obciążeniach algebry liniowej za cenę nowych wyzwań inżynieryjnych w zakresie precyzji, obudowy i integracji.

Techniczne realia i ograniczenia

Fizyka, która czyni fotonikę atrakcyjną, nakłada również twarde ograniczenia. Obliczenia optyczne mają zazwyczaj charakter analogowy: wagi i sygnały są kodowane w amplitudzie lub fazie światła. Ta analogowa natura przynosi wydajność, ale także szumy, dryfty i wrażliwość na tolerancje wykonania oraz temperaturę. Osiągnięcie precyzji numerycznej wymaganej przez wiele nowoczesnych modeli — zwłaszcza podczas trenowania — nie jest trywialne. Nawet w przypadku inferencji, gdzie niższa precyzja jest często akceptowalna, architekci systemów muszą rozwiązać problem konwersji między obliczeniami optycznymi a cyfrową pamięcią, w której przechowywane są ogromne wagi modeli.

Produkcja to kolejna praktyczna przeszkoda. Fotonyka krzemowa szybko dojrzała, ale produkcja wysokonakładowa złożonych układów fotonicznych wciąż pozostaje w tyle za zaawansowanymi odlewniami elektronicznymi. Obudowywanie (packaging) — proces łączenia źródeł światła, modulatorów, detektorów i elektroniki sterującej w solidny moduł — jest kosztowne i często wykonywane na zamówienie. To sprawia, że droga od prototypu do wdrożenia na skalę serwerową jest dłuższa i bardziej ryzykowna niż w przypadku konstrukcji czysto elektronicznych.

Strategia produktowa i kamienie milowe w najbliższym czasie

Neurophos zasygnalizował, że do 2026 roku będzie agresywnie zwiększać zatrudnienie, przechodząc od badań do inżynierii i integracji systemów. Runda finansowania ma na celu przyspieszenie tych rekrutacji oraz wsparcie serii produkcyjnych, platform testowych i wczesnego zaangażowania klientów. Publiczne oświadczenia firmy koncentrują się na obciążeniach związanych z inferencję w centrach danych, gdzie deterministyczne opóźnienia i moc na zapytanie są komercyjnymi dźwigniami, na których operatorom zależy najbardziej.

Realizacja będzie wymagała równoległego postępu na wielu frontach: silnika fotonicznego, który w mierzalny sposób prześcignie GPU w kluczowych metrykach, oprogramowania, które wpasuje się w istniejące frameworki uczenia maszynowego (ML), oraz inżynierii na poziomie systemowym, rozwiązującej kwestie chłodzenia, niezawodności i konserwacji. Kluczowe znaczenie będą mieli partnerzy — odlewnie fotoniki krzemowej, dostawcy komponentów optycznych oraz firmy typu hyperscale chętne do pilotowania nowego sprzętu akceleracyjnego; w ogłoszeniu nie wymieniono konkretnych partnerów produkcyjnych ani kluczowych klientów.

Konkurencja i problem z oprogramowaniem

Neurophos wkracza na zatłoczone pole startupów i laboratoriów badawczych badających alternatywy dla obliczeń na GPU — od niestandardowych cyfrowych układów ASIC po wyspecjalizowane akceleratory analogowe i inne inicjatywy fotoniczne. Najbardziej ugruntowanym konkurentem jest istniejący ekosystem procesorów graficznych i akceleratorów, który korzysta z lat optymalizacji oprogramowania, łańcuchów narzędziowych kompilatorów i znajomości narzędzi przez programistów. Ten stos oprogramowania jest potężną barierą wejścia: każdy nowy sprzęt musi albo wspierać te same modele programowania, albo zapewniać zdecydowanie lepszy stosunek kosztów do wydajności, aby uzasadnić zmianę narzędzi.

Pokonanie tej luki w oprogramowaniu jest często decydującym wyzwaniem technicznym i komercyjnym. Urządzenia fotoniczne potrzebują sterowników, kompilatorów i bibliotek numerycznych, które przełożą grafy sieci neuronowych na operacje optyczne, kompensując jednocześnie niedoskonałości analogowe. Startupy, które łączą postępy w dziedzinie sprzętu z narzędziami przyjaznymi dla programistów, mają większe szanse na zyskanie popularności niż te, które polegają wyłącznie na surowej wydajności urządzeń.

Implikacje dla energetyki i klimatu

Jeśli akceleratory fotoniczne zdołają zapewnić skokową zmianę efektywności energetycznej na dużą skalę, wpłynie to na klimat i ekonomikę AI. Firmy typu hyperscale znajdują się pod presją redukcji emisji dwutlenku węgla i rachunków za energię, a każda technologia obniżająca liczbę kilowatogodzin na inferencję może zostać szybko przyjęta. Jednak korzyści te zmaterializują się tylko wtedy, gdy urządzenia będą solidne, możliwe do wyprodukowania i łatwe w obsłudze w dużych farmach serwerowych.

Należy również zauważyć, że oszczędności energii w obliczeniach nie przekładają się automatycznie na redukcję emisji netto: zależą one od tego, gdzie i jak te obliczenia są wdrażane, jakie obciążenia są przenoszone oraz czy mniejsze zużycie energii na operację nie zachęci do szerszego wykorzystania modeli. Technologia jest konieczna, ale niewystarczająca; o rzeczywistym wpływie na klimat decydują wybory dotyczące wdrożenia na poziomie systemowym.

Perspektywy: wysokie ryzyko, wysoka nagroda

Pozyskanie 110 milionów dolarów przez Neurophos zapewnia czas i wiarygodność. Bezpośrednim zadaniem firmy jest przekształcenie demonstracji fizycznych w gotowe moduły produktowe, które można wdrożyć i wspierać w rzeczywistych centrach danych. Sukces oznaczałby jeden z rzadkich przypadków, w których innowacja na poziomie materiałów i urządzeń znacząco zmienia wielomiliardowy rynek platform zdominowany przez zasiedziałych producentów GPU.

Porażka jest również realnym scenariuszem. Startup boryka się z wyzwaniami technicznymi związanymi ze skalowaniem, ugruntowanymi ekosystemami oprogramowania oraz kapitałochłonnością przejścia od wafli laboratoryjnych do systemów o skali serwerowej. Nawet przy dobrych wynikach przekonanie klientów chmurowych i korporacyjnych do przyjęcia nowego akceleratora wymaga programów pilotażowych, inwestycji inżynieryjnych i dającego się wykazać zwrotu z inwestycji.

Dla obserwatorów łańcuchów dostaw półprzewodników i infrastruktury AI historia Neurophos będzie warta śledzenia nie tylko ze względu na jej twierdzenia techniczne, ale także na to, co mówi o apetycie inwestorów na alternatywy dla obliczeń opartych głównie na GPU. Plany firmy dotyczące szybkiego zwiększenia zatrudnienia do 2026 r. oraz wielkość nowej rundy finansowania sugerują, że inwestorzy widzą szansę komercyjną — postawili jednak wielki zakład na to, że światło odpowie na niektóre z najbardziej dokuczliwych pytań dotyczących energii w nowoczesnej sztucznej inteligencji.

Źródła

• Duke University (podstawowe badania nad fotoniką i metamateriałami)
• Neurophos (materiały prasowe firmy)