\n<\/p>\n
La startup de computaci\u00f3n fot\u00f3nica Lightmatter est\u00e1 tomando su gran oportunidad en el mercado de computaci\u00f3n de IA en r\u00e1pido crecimiento con una combinaci\u00f3n de hardware y software que, seg\u00fan afirma, ayudar\u00e1 a la industria a subir de nivel y ahorrar mucha electricidad para arrancar.<\/p>\n
Los chips de Lightmatter b\u00e1sicamente usan flujo \u00f3ptico para resolver procesos computacionales como productos de matriz vectorial. Esta matem\u00e1tica est\u00e1 en el coraz\u00f3n de una gran cantidad de trabajo de IA y actualmente la realizan GPU y TPU que se especializan en ella pero usan transistores y puertas de silicio tradicionales.<\/p>\n
El problema con ellos es que nos estamos acercando a los l\u00edmites de densidad y, por lo tanto, de velocidad para un vataje o tama\u00f1o determinado. Todav\u00eda se est\u00e1n logrando avances, pero a un gran costo y empujando los l\u00edmites de la f\u00edsica cl\u00e1sica. Las supercomputadoras que hacen posibles los modelos de entrenamiento como GPT-4 son enormes, consumen enormes cantidades de energ\u00eda y producen una gran cantidad de calor residual.<\/p>\n
\u201cLas empresas m\u00e1s grandes del mundo se est\u00e1n enfrentando a un muro de poder energ\u00e9tico y experimentan desaf\u00edos masivos con la escalabilidad de la IA. Los chips tradicionales superan los l\u00edmites de lo que es posible enfriar y los centros de datos producen huellas de energ\u00eda cada vez m\u00e1s grandes. Los avances de la IA se ralentizar\u00e1n significativamente a menos que implementemos una nueva soluci\u00f3n en los centros de datos\u201d, dijo el CEO y fundador de Lightmatter, Nick Harris.<\/span><\/p>\n \u201c<\/span>Algunos han proyectado que entrenar un solo modelo de lenguaje grande puede consumir m\u00e1s energ\u00eda de la que consumen 100 hogares estadounidenses en un a\u00f1o. Adem\u00e1s, hay estimaciones de que entre el 10 % y el 20 % de la potencia total del mundo se destinar\u00e1 a la inferencia de IA para finales de la d\u00e9cada, a menos que se creen nuevos paradigmas inform\u00e1ticos\u201d.<\/p>\n Lightmatter, por supuesto, pretende ser uno de esos nuevos paradigmas. Su enfoque es, al menos potencialmente, m\u00e1s r\u00e1pido y m\u00e1s eficiente, utilizando matrices de gu\u00edas de ondas \u00f3pticas microsc\u00f3picas para permitir que la luz realice operaciones l\u00f3gicas simplemente al pasar a trav\u00e9s de ellas: una especie de h\u00edbrido anal\u00f3gico-digital. Dado que las gu\u00edas de ondas son pasivas, el principal consumo de energ\u00eda es crear la luz en s\u00ed, luego leer y manejar la salida.<\/p>\n Un aspecto realmente interesante de esta forma de computaci\u00f3n \u00f3ptica es que puede aumentar la potencia del chip simplemente usando m\u00e1s de un color a la vez. El azul hace una operaci\u00f3n mientras que el rojo hace otra, aunque en la pr\u00e1ctica es m\u00e1s como una longitud de onda de 800 nan\u00f3metros hace una, y 820 hace otra. No es trivial hacerlo, por supuesto, pero estos \u00abchips virtuales\u00bb pueden aumentar enormemente la cantidad de c\u00f3mputo realizado en la matriz. El doble de colores, el doble de potencia.<\/p>\n Harris fund\u00f3 la empresa bas\u00e1ndose en el trabajo de computaci\u00f3n \u00f3ptica que \u00e9l y su equipo hicieron en el MIT (que les est\u00e1 otorgando licencias de las patentes relevantes) y logr\u00f3 disputar una ronda inicial de $ 11 millones en 2018. Un inversor dijo entonces que \u00abesto no es un proyecto cient\u00edfico\u201d, pero Harris admiti\u00f3 en 2021 que, si bien sab\u00edan \u201cen principio\u201d que la tecnolog\u00eda deber\u00eda funcionar, hab\u00eda mucho que hacer para que fuera operativa. Afortunadamente, me dijo eso en el contexto de los inversores que arrojaron otros $ 80 millones en la empresa.<\/p>\n Ahora Lightmatter ha recaudado una ronda C de $154 millones y se est\u00e1 preparando para su debut real. Tiene varios pilotos con su pila completa de Envise (hardware inform\u00e1tico), Passage (interconexi\u00f3n, crucial para grandes operaciones inform\u00e1ticas) e Idiom, una plataforma de software que, seg\u00fan Harris, deber\u00eda permitir que los desarrolladores de aprendizaje autom\u00e1tico se adapten r\u00e1pidamente.<\/p>\n Una unidad Lightmatter Envise en cautiverio. Cr\u00e9ditos de imagen:<\/strong> materia ligera<\/p>\n<\/div>\n \u201cHemos creado una pila de software que se integra a la perfecci\u00f3n con PyTorch y TensorFlow. El flujo de trabajo para los desarrolladores de aprendizaje autom\u00e1tico es el mismo a partir de ah\u00ed: tomamos las redes neuronales integradas en estas aplicaciones est\u00e1ndar de la industria e importamos nuestras bibliotecas, por lo que todo el c\u00f3digo se ejecuta en Envise\u201d, explic\u00f3.<\/p>\n La compa\u00f1\u00eda se neg\u00f3 a hacer afirmaciones espec\u00edficas sobre aceleraciones o mejoras en la eficiencia, y debido a que es una arquitectura y un m\u00e9todo inform\u00e1tico diferentes, es dif\u00edcil hacer comparaciones de manzanas con manzanas. Pero definitivamente estamos hablando de un orden de magnitud, no de un m\u00edsero 10% o 15%. Interconnect se actualiza de manera similar, ya que es in\u00fatil tener ese nivel de procesamiento aislado en una placa.<\/p>\n Por supuesto, este no es el tipo de chip de prop\u00f3sito general que podr\u00eda usar en su computadora port\u00e1til; es muy espec\u00edfico para esta tarea. Pero es la falta de especificidad de la tarea a esta escala lo que parece estar frenando el desarrollo de la IA, aunque \u00abfrenar\u00bb es un t\u00e9rmino incorrecto, ya que se est\u00e1 moviendo a gran velocidad. Pero ese desarrollo es enormemente costoso y dif\u00edcil de manejar.<\/p>\n Los pilotos est\u00e1n en versi\u00f3n beta y la producci\u00f3n en masa est\u00e1 prevista para 2024, momento en el que presumiblemente deber\u00edan tener suficiente retroalimentaci\u00f3n y madurez para implementar en los centros de datos.<\/p>\n La financiaci\u00f3n de esta ronda provino de SIP Global, Fidelity Management & Research Company, Viking Global Investors, GV, HPE Pathfinder e inversores existentes.<\/p>\n<\/p><\/div>\n