本動画は、ドイツ企業が開発したフォトニック(光学)プロセッサが、いかにして現在のGPU中心のAI計算パラダイムを根本から覆す可能性を秘めているかを解説する。従来の電子ベースの計算では、演算のたびに膨大な電力を消費し発熱が問題となっていたが、光の物理的性質を直接利用することで、加算や乗算、さらには非線形関数までもがコードや計算サイクルなしに実行できるという革新的なアプローチである。このチップは16ビット精度を達成し、実用的なAI推論および科学計算において従来のハードウェアを大幅に上回る性能を示している。単なる性能向上ではなく、計算そのものの物理的基盤を変えるこの技術は、エネルギー問題と製造コストの両面からAI産業の構造的限界を打破する可能性を持つ。問題は技術の実現性ではなく、この変革に誰が気づくのが遅すぎるかという点である。
人工知能の最も遅い部分が実は遅くある必要がなかったと発見したら
人工知能の最も遅い部分が、実は決して遅くある必要がなかったと想像してみてください。それが遅かったのは、単に私たちが間違った物理学を使っていたからです。Nvidiaがほぼ1000ワットものGPUを積み重ねている間、あるドイツのチップが、乗算も加算も非線形関数さえも、コードなしに、デジタルサイクルなしに、発熱なしに、単純に実行できることを示しました。
数字は誇張のように見えますが、恐ろしいのは数字ではなく、その背後にある論理です。なぜなら、このアプローチが研究室の外で機能するなら、私たちは新しいチップについて話しているのではなく、新しいタイプのコンピュータについて話しているからです。そして本当の疑問は、誰がこれに気づくのが遅すぎたのかということです。
このニュースが出たとき、ほとんど誰も真剣に受け止めませんでした。シリコンバレーでも中国でもないドイツの企業が、トランジスタに依存せず、ナノメートル単位でスケールせず、より多くのブルートフォースを約束しないプロセッサを発表しました。代わりに、それはもっと不快な何か、つまり計算そのものが起こる方法を変えることを約束しました。
何年もの間、業界はシンプルな論理に従ってきました。AIモデルが成長すれば、解決策は明白でした。より多くのGPU、より多くのクラスター、より多くのエネルギー、より多くの冷却です。Nvidiaはこの方程式の上に帝国全体を築きました。それはあまりにもうまく機能したため、今日ではほぼすべての現代的な人工知能が、直接的または間接的にNvidiaのGPUに依存しています。
最新のGPUはすでにユニットあたり1000ワットに近づいています。単一のラックが消費するエネルギーは、数年前には考えられなかったレベルです。コストはもはやチップだけではなくなりました。電気、冷却、インフラ、電力会社との契約になりました。多くの場所で、ボトルネックはもはやお金ではなく、電力網が追いつけないことです。
GPUとの直接比較を超えた提案
このチップはGPUよりわずかに優れていることを約束するのではなく、直接的な比較を無視します。提案は同じ計算をわずかに速く実行することではありません。提案は別の物理学を使って、別の方法で計算を実行することです。
GPUが数学をデジタルでシミュレートし、すべてを数十億の離散的な演算に分解する一方で、このプロセッサは根本的に異なることをします。それは数学を光そのものの振る舞いに組み込みます。加算、乗算、複雑な変換は実行される命令ではなく、単純に起こるのです。
標準的なラックサーバーがLinuxを実行し、PCI Expressを介してフォトニックボードに接続され、実際の環境での統合の準備ができています。孤立したプロトタイプではなく、研究室を出てデータセンターに入ることを想定したシステムです。
消費電力ははるかに低く、実際のAI負荷と科学計算におけるパフォーマンスはGPUの曲線を外れており、技術的進化は数年でシリコンの歴史の数十年に相当する進歩を遂げました。誰かが新しい製造トリックを発見したからではなく、誰かが電子に固執するのをやめて光子を使い始めることを決めたからです。
このアプローチが規模で実行可能であれば、問題はNvidiaが市場を失うだけではありません。おそらく現代の計算の精神モデル全体が、決して存在する必要のなかった制限に基づいているのです。これを理解するには、計算が電気的であることをやめて光学的になったときに何が変わるかを見る必要があります。
光での計算が問題の物理学を変える
光で計算することは問題の物理学を変えます。このチップが単なる別のアクセラレータではない理由を理解するには、CPUやGPUとの直接比較から離れる必要があります。すべての現代的なデジタル計算は同じように機能します。
電子が微細な経路を通過し、数十億のトランジスタを横断し、各数学演算は離散的な命令に分解される必要があります。加算、乗算、非線形関数の適用は、エネルギー、時間を消費し、熱を発生させる一連のステップになります。
GPUはこの問題への答えとして登場しました。それらは優雅さによって効率的なのではなく、並列処理によって効率的なのです。これらの多くのステップを同時に実行できます。問題は、モデルが成長するにつれて、コストが爆発することです。より多くのエネルギー、より多くの冷却、より多くのインフラです。
フォトニック計算は完全に異なる原理から始まります。それはデジタル状態で数学をシミュレートしようとはしません。光の物理的特性を直接探求します。光子のビームが精密に設計された光学構造を通過するとき、特定の数学的振る舞いが単純に起こります。
干渉は加算になり、回折は乗算になります。複雑な変換は、段階的な命令の必要なしに現れます。これは比喩ではなく、応用物理学です。
フォトニックプロセッサでは、GPUで数千のトランジスタを必要とする乗算が、単一の光学要素内で発生します。AIやシミュレーションで一般的な重い数学演算は、光が特定の導波路を通過するにつれて自然に現れます。数学はコードとして表現されるのではなく、材料に組み込まれます。
この違いがすべてを変えます。なぜなら、現代の計算の最大のコスト、つまり抵抗経路を通じて電子を移動させることを排除するからです。電子はチップを加熱しますが、光子は加熱しません。回路に挿入されると、光は最小限の損失でほとんど熱を発生させずに伝播します。
だからこそ、エネルギー消費の数字は曲線から外れているように見えるのです。これは段階的な最適化ではなく、パラダイムシフトです。
しかし、何十年もの間、明確な障害が存在しました。フォトニック計算は不安定で不正確でした。光学システムはノイズの多いアナログ領域で動作し、現代のニューラルネットワークが必要とする精度を維持できませんでした。研究室では機能しましたが、現実世界では失敗しました。
最近の進歩は、すべてを光で置き換えようとすることではなく、ハイブリッドアプローチを採用することでした。このチップでは、光は最も得意なこと、つまり大規模で並列的で連続的な数学的変換を行います。電子回路はメモリ、制御、ストレージを担当し続けます。この分割は物理的制限を尊重します。
ここで、光での計算が学術的好奇心であることをやめ、現在のモデルを脅かし始めるのです。
すべてを変えた技術的詳細
何年もの間、フォトニック計算は常に同じ問題にぶつかりました。光を使って基本的な数学演算を実行できましたが、現代の人工知能が最も信頼性に依存している場所、つまり数値精度で正確に失敗しました。
AIモデルは線形の加算と乗算だけで機能するのではありません。それらは非線形層、重みの微調整、モデルが収束するまで何百万回も繰り返される計算に依存しています。一貫した精度がなければ、トレーニングは崩壊します。長い間、光学プロセッサは高いノイズと不安定性を伴うわずか数ビットの有効性しか提供しませんでした。
これにより、この技術は研究室の外では実行不可能になりました。転機は、このドイツのチップが前例のないことを達成したときに起こりました。機能的なフォトニック回路で16ビットの実際の精度です。
このポイントは技術的な詳細ではなく、分水嶺です。FP16は、現代のニューラルネットワークを安全にトレーニングするための最小標準です。これは、GPU、アクセラレータ、そして事実上すべての現在のAIインフラで使用される形式です。
それ以前は、フォトニック計算は有望に見えるかもしれませんが、実際のアプリケーションと互換性がありませんでした。この障壁が崩れたとき、フォトニクスは学術的好奇心であることをやめ、デジタル処理の重要な部分を置き換える具体的な候補になりました。
最も驚くべき影響は、CPUとGPUの非線形演算で現れました。これらの層はボトルネックです。それらは同期、制御、中間メモリを必要とし、並列処理の効率を破壊します。モデルが非線形であればあるほど、実行が困難になります。
フォトニックハードウェアでは、逆のことが起こります。非線形性はデジタルでシミュレートする必要がありません。それらはチップで使用される光学材料の物理的振る舞いから直接現れます。ネットワークの最も遅い部分である代わりに、処理の最も速い部分の1つになります。
これは計算の歴史的ルールを逆転させます。内部テストでは、CPUのモデルが非線形層を追加すると深刻なパフォーマンス低下に苦しむ一方で、フォトニックプロセッサは安定性を維持し、場合によってはこれらの層を同等の線形演算よりも速く実行しました。
この逆転は、AIモデルを設計する方法を完全に変えます。GPUでは洗練されているが実用的ではないと考えられていたアーキテクチャが実行可能になります。より少ないパラメータ、より少ない演算を持つより小さなネットワークが、同じパフォーマンスまたはさらに良い結果を達成します。なぜなら、ハードウェアが数学的複雑性にペナルティを課さないからです。
画像分類とオペレータ学習の実験では、フォトニックシステムは従来のデジタルアプローチの精度と一致し、大幅に少ないパラメータと総演算を使用しました。各演算が極端にエネルギー、コスト、データセンターの見えない壁を必要としないためではありません。
エネルギー、コスト、そしてデータセンターの見えない壁
新しいチップのプレゼンテーションにはほとんど登場しないが、今日の人工知能の未来を定義する問題があります。エネルギーです。
何年もの間、AIの進歩は純粋に技術的な問題として扱われてきました。より多くのパラメータ、より多くのデータ、より多くの処理能力です。この論理はしばらくの間機能しましたが、競争は制限が計算的であることをやめ、物理的になった点に達しました。
データセンターで使用される最新のGPUは、すでにユニットあたり1000ワットに近づいています。これは瞬間的なピークではなく、継続的な消費です。単一の現代的なラックは数十キロワットを必要とし、中断なく動作する可能性があります。これが何千ものラックで乗算されると、問題はより大きな電気代であることをやめ、国家インフラの課題になります。
今日、多くのデータセンターは単純に拡張できません。資本不足のためではなく、利用可能なエネルギーがないためです。企業は政府、電力会社、ネットワークオペレーターと直接交渉する必要があります。多くの場合、ローカル電力網が追加負荷をサポートできないため、プロジェクトが延期されます。
冷却が入ると状況は悪化します。現代のデータセンターが消費するエネルギーの大部分は、計算するためではなく、ハードウェアが過熱するのを防ぐためです。液体冷却システム、熱交換器、集中的な水の消費が標準になりました。運用コストは、チップ自体のパフォーマンスよりも速く成長し始めました。
これは業界が直面することを避ける見えない壁です。同時に、チップの製造は別の重要なボトルネックになりました。3ナノメートル以下のノードに進むには、数百億ドルかかる工場が必要です。世界でこのレベルで動作できる企業はほんのわずかです。
これは権力を集中させ、生産を高価にし、グローバルチェーンを非常に脆弱にします。フォトニック計算は、まさにこれら2つのポイントを攻撃します。計算は主に光の伝播によって起こるため、エネルギー消費が劇的に減少します。
より少ないエネルギーはより少ない熱を生み出します。より少ない熱は冷却の必要性を減らします。これはデータセンターの経済方程式全体を変えます。しかし、影響は日々の運用に限定されません。
これらのプロセッサは、シリコン産業の最も高度なノードに依存していません。最新世代のCPUやGPUと競合しない生産ラインで生産された、特定の特性を持つ光学材料を使用します。場合によっては、はるかに以前の世代から適応された工場です。
ここには明確な皮肉があります。AIの次世代加速は、地球上で最も高度な工場で生まれるのではなく、スマートフォン時代以前の施設で生まれる可能性があります。これによりコストが削減され、少数のサプライヤーへの依存が減り、産業バランスが変わります。
だからこそ、このチップは単に製品を脅かすだけでなく、モデル全体を脅かすのです。そして、この技術が理論から抜け出し始めると、疑問は機能するかどうかではなくなります。疑問は、スケールしたときに何が起こるかになります。
これがスケールしたら何が起こるか
このドイツのチップを単独で見ると、それを技術産業の別の使い古された約束として扱いたくなります。印象的だが遠い何か、ニッチ、研究室、特定のアプリケーションで機能するかもしれない何かです。
しかし、この読み方はより大きな文脈を無視しています。人工知能は、ボトルネックがもはや創造性でも、データでも、需要でもない段階に入りました。ボトルネックは物理的です。エネルギー、熱、コスト、インフラが進歩のペースを決定するようになりました。
新しい飛躍のたびに、前のものよりも多くのリソースが必要であり、この曲線は単に長期的には持続可能ではありません。まさにこの点で、フォトニック計算が関連性を持つようになります。
それは一度にすべてを置き換えることを約束しません。一晩でGPU、CPU、データセンターを消去しようとはしません。それが行うことは、現状にとってはるかに危険です。それは、現代の計算の最も高価で非効率的な部分を一つずつ取り除き始めます。
重い数学的変換が光で行われ、エネルギーのほんの一部を消費できるなら、モデルのサイズは主要な制限要因ではなくなります。より小さなアーキテクチャが物理学をよりよく活用することで同じパフォーマンスを達成できるなら、ブルートフォースの論理は意味を失い始めます。
これは誰が競争できるかを変えます。今日、高度なモデルをトレーニングするには、資本、巨大なクラスターへのアクセス、大手クラウドプロバイダーとの契約が必要です。明日、このバランスがシフトする可能性があります。計算が簡単になるからではなく、単一の技術パスへの依存が少なくなるからです。
そしておそらく最も重要なポイントは技術的でさえありません。計算のすべての大きな転換は、誰かが計算の物理的サポートを変更することを決めたときに起こりました。真空からシリコンへ、シリコンから大規模並列処理へ。
今、何十年ぶりに、電子をさらに強く押し込もうとするのではなく、単に媒体を交換する代替案が現れています。本当の疑問は、このチップが明日GPUを置き換えるかどうかではありません。疑問は別のものです。
光での計算が例外であることをやめてインフラになり始めるまでに何年残っているのでしょうか? そして、すでに枯渇の兆候を示し始めているモデルに閉じ込められないように、誰がこれに十分早く気づくでしょうか?
このタイプの分析が、誇大広告や簡単な見出しを超えて技術を見るのに役立つなら、チャンネルに登録していいねを残してください。これにより、コンテンツが表面下で実際に何が変わっているのかを理解したいより多くの人々に届くのに役立ちます。
そして今、あなたの見解を知りたいです。光での計算は次の避けられないステップですか、それとも現実世界の限界にぶつかるもう一つの約束に過ぎませんか? コメントしてください。
コメント