“Pada saat ini kita memiliki sesuatu yang sangat sederhana,” kata Tianwei Wu, penulis utama studi tersebut. “Kita dapat memprogramnya ulang, mengubah pola laser secara langsung.” Para peneliti menggunakan sistem ini untuk merancang jaringan saraf yang berhasil membedakan suara vokal. Sebagian besar sistem fotonik perlu dilatih sebelum mereka dibangun, karena pelatihan selalu melibatkan pengubahan koneksi. Tetapi karena sistem ini mudah diubah, para peneliti melatih model tersebut setelah dipasang di semikonduktor. Mereka sekarang berencana untuk meningkatkan ukuran chip dan mengkodekan lebih banyak informasi dalam warna cahaya yang berbeda, yang seharusnya meningkatkan jumlah data yang dapat ditangani.
Ini adalah kemajuan yang bahkan Psaltis, yang membangun sistem pengenalan wajah pada tahun 90-an, menemukan impresif. “Impian liar kita 40 tahun yang lalu sangat sederhana dibandingkan dengan apa yang sebenarnya terjadi.”
Sementara komputasi optik telah berkembang pesat dalam beberapa tahun terakhir, masih jauh dari menggantikan chip elektronik yang menjalankan jaringan saraf di luar lab. Paper mengumumkan sistem fotonik yang lebih baik dari yang elektronik, tetapi umumnya menjalankan model-model kecil menggunakan desain jaringan lama dan beban kerja kecil. Dan banyak angka yang dilaporkan tentang supremasi fotonik tidak memberitahu seluruh cerita, kata Bhavin Shastri dari Queen’s University di Ontario. “Sangat sulit untuk melakukan perbandingan yang adil dengan elektronik,” katanya. “Misalnya, ketika mereka menggunakan laser, mereka tidak benar-benar membicarakan energi untuk menghidupkan laser.”
Sistem lab perlu diperbesar sebelum mereka bisa menunjukkan keunggulan kompetitif. “Seberapa besar harus dibuat untuk mendapat kemenangan?” tanya McMahon. Jawabannya: sangat besar. Itulah mengapa tidak ada yang bisa menyamai chip yang dibuat oleh Nvidia, yang chipnya menggerakkan banyak sistem kecerdasan buatan paling canggih saat ini. Ada daftar panjang teka-teki rekayasa yang harus dipecahkan sepanjang jalan—masalah yang telah diselesaikan sisi elektronik selama puluhan tahun. “Elektronik memulai dengan keuntungan besar,” kata McMahon.
Beberapa peneliti berpikir sistem AI berbasis ONN akan pertama kali berhasil dalam aplikasi khusus di mana mereka memberikan keuntungan unik. Shastri mengatakan salah satu penggunaan yang menjanjikan adalah untuk melawan gangguan antara transmisi nirkabel yang berbeda, seperti menara seluler 5G dan altimeter radar yang membantu pesawat menavigasi. Awal tahun ini, Shastri dan beberapa kolega menciptakan ONN yang dapat menyortir transmisi berbeda dan memilih sinyal yang menarik secara real time dan dengan penundaan pemrosesan kurang dari 15 pikosekon (15 triliun detik)—kurang dari satu per seribu waktu yang dibutuhkan oleh sistem elektronik, sambil menggunakan kurang dari 1/70 daya.
Tetapi McMahon mengatakan visi besar—sistem saraf optik yang dapat melampaui sistem elektronik untuk penggunaan umum—tetap layak untuk dikejar. Tahun lalu kelompoknya menjalankan simulasi yang menunjukkan bahwa, dalam waktu satu dekade, sistem optik yang cukup besar dapat membuat beberapa model AI lebih dari 1.000 kali lebih efisien daripada sistem elektronik masa depan. “Banyak perusahaan sekarang berusaha keras untuk mendapatkan keuntungan 1,5 kali lipat. Keuntungan seribu kali lipat, itu akan luar biasa,” katanya. “Ini mungkin adalah proyek 10 tahun—jika berhasil.”
Cerita asli dicetak ulang dengan izin dari Quanta Magazine, sebuah publikasi independen editorial dari Simons Foundation yang misinya adalah meningkatkan pemahaman publik tentang ilmu pengetahuan dengan meliput perkembangan riset dan tren dalam matematika serta ilmu pengetahuan fisika dan kehidupan.”