11月17日、IEEE Spectrumが「AI Is Giving Optical Computing Another Shot」と題した記事を公開した。光を使ってコンピュータを作る——このアイデアが初めて真剣に議論されたのは70年以上前のことだ。その後、幾度となく「次の大きな波」と期待されながら研究室を出られずにきたこの技術が、AI推論の爆発的な電力消費という新たな圧力を受けて、今度こそ産業化への臨界点を超えようとしている。
なぜ今、光コンピューティングなのか
光コンピューティング関連企業の市場評価額は2022年の4億ドルから2024年には22.2億ドルへと急拡大した。この急伸を支えているのは、AI推論の電力問題という極めて具体的な産業ニーズだ。
コーネル大学の応用・工学物理学准教授で、光コンピューティングを10年以上研究してきたPeter McMahon氏は次のように述べている。
「フォトニクスへの関心のほとんどは、AI推論が文字通り電力によって制約されるようになったという事実によって駆動されている。しかもかなり顕著な形で」
AIモデルが返答を生成する「推論」フェーズはAIの電力消費の大半を占めており、その中核演算は行列-ベクトル積だ。この演算を光で行えば、電力消費をN²からNのスケールに落とせる可能性がある——というのが光コンピューティングの基本的な主張である。
1978年のGoodman提案と「10万分の1」の壁
光による行列-ベクトル積の原理は、1978年にJoseph W. Goodmanらが提案した設計に遡る。N個のLEDでベクトルをエンコードし、シリンドリカルレンズで光を広げ、N×Nの減衰器を通すことで積を計算し、別のレンズで集光して結果を読み出す——という仕組みだ。
2022年にMcMahon率いるコーネル大のチームは、1乗算あたり1フォトン以下(約2.5×10⁻¹⁹ジュール)の消費エネルギーを実現した光学ニューラルネットワークを実証した。電子回路での1乗算は10⁻¹⁴〜10⁻¹²ジュール程度であり、単純計算では最大10万倍のエネルギー効率が示唆される。
ただしMcMahon氏はこの数字を楽観視していない。光学系へのデータエンコーディングコスト——すなわち電気信号を光に変換し、演算後に再び電気に戻す往復コスト——が含まれていないためだ。この「電気→光→電気」の変換オーバーヘッドは現状では無視できない損失であり、各社が設計上の重要な最適化対象としている。
「どのくらいのシステム規模になれば光学系が有利になるか? ニューラルネットワークの種類によって異なるが、大まかな答えはNが1,000から10,000の間だ」
さらに**アムダールの法則も効いてくる。これは「システム全体の性能向上は、改善できる部分の割合によって上限が決まる」という原則で、並列化・高速化設計において広く参照される。推論ワークロード全体に占める行列演算の割合が100%でない以上、どれだけ行列演算を高速化しても、非線形活性化関数処理などの残り部分がボトルネックになる——という意味で光コンピューティングにも直接適用される。これらを踏まえ、現在の光コンピューティング各社は「GPUに対して10〜80倍のエネルギー効率改善**」を現実的な目標として掲げている。
主要スタートアップの技術アプローチ
Lumai(英・オックスフォード):フリースペース光学
Goodman設計を直接継承するアプローチを採るのがLumaiだ。固定減衰器の代わりに空間光変調器(SLM)——液晶ディスプレイに似た、光の強度と位相を動的にプログラムできるデバイス——を使用する。チップ上の導波路を使わず、光を空気中に通す「フリースペース」構成が特徴だ。
「1回の完全な行列-ベクトル積が、1光学サイクルで完了する」とLumaiのプロダクト責任者Phillip Burr氏は述べている。同社は2026年4月に評価用のIris Novaサーバを公開。次世代のIris AuraサーバではGPU比で約1/10のエネルギーでプリフィル処理を行うと主張している。
Neurophos(米・テキサス州オースティン):メタマテリアル集積
Neurophosはメタマテリアル(単一波長より小さなスケールで光を操作できる複雑構造体)を使ったチップを開発している。現在のシリコンフォトニクスで使われる光トランジスタ相当の素子は約2mmの長さがあり、GPU並みの演算密度をオンチップで実現できない。Neurophosのモジュレータはマイクロメートルスケールで動作し、5mm角チップに1,000×1,000のモジュレータ配列を集積している。
CEO Patrick Bowen氏によれば、スイッチング速度は一般的な液晶SLMの1万倍以上。NvidiaのBlackwell B200 GPUと比べて「速度50倍・エネルギー効率35倍を目標とし、次世代では速度250倍・エネルギー効率90倍まで拡張するロードマップがある」と述べている。製造はCMOS互換プロセスを予定しており、2028年に顧客向けラック出荷を目指している。
オンチップ集積派:LightelligenceとQ.ANT
上海拠点のLightelligenceやドイツ・シュツットガルトのQ.ANTは、フリースペース光学の自由度よりも製造しやすさを優先し、シリコンチップ上に光回路を直接集積するシリコンフォトニクスアプローチを採用している。
技術的な課題と現実
各社が主張する性能向上は魅力的だが、共通する課題もある。
まず変換コストだ。前述の通り「電気→光→電気」の変換は現状で大きなオーバーヘッドを生じさせる。Lumaiはフリースペース構成による変換回数の最小化で対応し、Neurophosはマイクロメートルスケールの高密度集積によってオンチップでの演算比率を高める方向でこの問題に取り組んでいる。
次に精度問題だ。光学演算はアナログ的な性質を持つため、特に低ビット数での演算精度の確保が難しい。量子化やエラー補正の手法がどこまで有効に機能するかは、各社が製品化フェーズで直面する実装上の重要課題となっている。
加えて、現行GPUも急速に効率化を進めており、光学系がスケールした製品を市場に出す前に電子回路側が追いつく可能性も否定できない。一方で、AI推論の需要は拡大し続けており、将来的にはより大きな行列を扱うモデルが主流になる。「大きな行列ほど光学が有利」というスケーリング特性は、長期的には追い風となる構造を持っている。
詳細はAI Is Giving Optical Computing Another Shotを参照していただきたい。




