En un centro de datos dedicado a la inteligencia artificial, calcular es solo una parte del trabajo. También hay que suministrar datos a los procesadores, sincronizar sus resultados y mover torrentes de información entre máquinas. Estos recorridos consumen energía y generan calor. La luz promete reducir esa factura. Pero detrás de los «chips fotónicos» se cruzan dos historias: la de las comunicaciones ópticas, ya industrial, y la del cálculo mediante la luz, más experimental. Con la vista puesta en septiembre de 2026, distinguirlas sigue siendo esencial para entender qué puede cambiar realmente.
El problema no es solo calcular más rápido
Imagine una cocina equipada con cientos de chefs muy rápidos, pero conectada por pasillos congestionados. Ya no basta con añadir cocineros: hay que acelerar la circulación de los ingredientes. Las grandes infraestructuras de IA se enfrentan a una dificultad comparable. Sus aceleradores intercambian parámetros, activaciones y resultados intermedios, mientras que las memorias deben alimentar las unidades de cálculo.
En los enlaces eléctricos, aumentar la velocidad de transmisión y la distancia complica la transmisión. Las pérdidas, la distorsión de las señales y los circuitos necesarios para restaurarlas elevan el consumo. Sin embargo, el cobre sigue siendo extraordinariamente eficaz en distancias cortas: es una tecnología dominada, económica y fácil de integrar. Por tanto, la cuestión no es eliminarlo en todas partes, sino determinar dónde resulta más ventajosa la luz.
Interconexiones ópticas: acercar la fibra al procesador
La óptica lleva mucho tiempo transportando datos en las redes de telecomunicaciones y entre equipos informáticos. La novedad consiste en acercar los componentes ópticos a los chips que producen y reciben los datos. Un modulador codifica la información en una onda luminosa; un fotodetector la reconvierte en señal eléctrica al llegar. Entre ambos, una fibra o una guía de ondas se encarga del transporte.
En una arquitectura clásica, la señal eléctrica todavía recorre parte de la placa antes de llegar a un módulo óptico enchufable. Con la óptica coencapsulada, los motores ópticos se integran en el mismo encapsulado que el chip electrónico, o lo más cerca posible de él. El objetivo: acortar los tramos eléctricos que más penalizan el rendimiento energético. Otros enfoques utilizan chiplets ópticos asociados a procesadores.
Los hitos son tangibles. En 2024, Intel presentó un chiplet de interconexión óptica cointegrado con un procesador durante una demostración pública. Ese mismo año, Lightmatter dio a conocer Passage, una plataforma de interconexión fotónica destinada a las infraestructuras de cálculo. Ayar Labs también desarrolla entradas y salidas ópticas en chip. Estos anuncios acreditan una actividad industrial real; no demuestran, por sí solos, un despliegue generalizado y rentable.
Una mejora que debe medirse de extremo a extremo
La luz permite, entre otras cosas, hacer circular varias longitudes de onda por un mismo medio, como varios carriles en una autopista. Esto puede aumentar el ancho de banda disponible sin multiplicar proporcionalmente las conexiones. Pero un enlace óptico no es gratuito en términos energéticos: hay que alimentar el láser, controlar los moduladores, detectar las señales y, en ocasiones, estabilizar la temperatura.
Por tanto, comparar únicamente la energía consumida en la guía óptica con la de un cable eléctrico sería engañoso. La medición adecuada abarca el conjunto del enlace, con una velocidad de transmisión, una distancia y una calidad de transmisión comparables. También debe tener en cuenta su grado de utilización. Una tecnología excelente a plena carga puede perder atractivo cuando una infraestructura funciona durante mucho tiempo por debajo de su capacidad.
Cálculo fotónico: cuando la luz realiza la operación
El cálculo fotónico persigue otro objetivo. Ya no se trata solo de transportar bits, sino de utilizar las propiedades de la luz para efectuar determinadas operaciones. Las redes de interferómetros u otros componentes ópticos pueden realizar transformaciones matemáticas, en particular multiplicaciones de matrices. Y estas operaciones están presentes de forma generalizada en las redes neuronales.
La promesa es atractiva: procesar información en paralelo, con una propagación muy rápida y un gasto potencialmente bajo en el núcleo del dispositivo. Empresas como Lightelligence, así como numerosos laboratorios, han demostrado arquitecturas de cálculo óptico. Sin embargo, realizar con éxito una operación en un laboratorio no equivale a sustituir una GPU en un centro de datos.
Gran parte de estos enfoques se encuadra en el cálculo analógico. La información se representa mediante una magnitud física, como la intensidad o la fase de la luz. El ruido, las variaciones de fabricación y las derivas térmicas limitan entonces la precisión. Obtener un resultado suficientemente fiable puede requerir calibraciones, correcciones o varias pasadas, que reducen la ventaja inicial.
La trampa de las conversiones y la memoria
Los datos suelen estar almacenados en memorias electrónicas. Por tanto, hay que leerlos, codificarlos para el circuito fotónico y después recuperar el resultado. Las conversiones entre digital y analógico, así como entre electricidad y luz, pueden consumir una parte importante de la energía total. Y las operaciones no lineales necesarias para las redes neuronales suelen seguir confiándose a la electrónica.
Por tanto, el escenario más creíble no es un ordenador enteramente basado en la luz, sino un sistema híbrido. Un bloque fotónico aceleraría una tarea bien elegida, mientras que la electrónica se encargaría de la memoria, el control y otros cálculos. Su interés dependería de la cantidad de trabajo realizado entre dos conversiones: unas pocas operaciones aisladas ofrecen menos posibilidades de amortizar su coste que un procesamiento masivo.
Dos mercados, dos calendarios
En el caso de las interconexiones, la necesidad ya está identificada: conectar más aceleradores con un ancho de banda elevado, sin disparar el consumo eléctrico de la red. El debate se centra en la integración, el precio, la fiabilidad y el momento en que la óptica pasa a ser preferible. En el caso del cálculo fotónico, todavía hay que establecer qué aplicaciones se benefician de forma sostenida de un acelerador especializado frente a unos chips electrónicos que también siguen progresando.
En ambos casos, la fabricación cuenta tanto como la física. Alinear las fibras, ensamblar los componentes, probar los enlaces y garantizar su resistencia en un entorno caluroso son retos industriales. La proximidad entre electrónica y óptica también plantea una cuestión de mantenimiento: sustituir un módulo accesible no tiene las mismas consecuencias que reparar un conjunto altamente integrado.
Para evaluar un anuncio, tres preguntas permiten ir más allá de lo espectacular:
- ¿Qué alcance? ¿La mejora afecta a un componente, a un enlace completo o a una aplicación ejecutada de extremo a extremo?
- ¿Qué comparación? ¿La solución electrónica de referencia ofrece una precisión y un servicio equivalentes?
- ¿Qué industrialización? ¿Se trata de una demostración, de muestras para clientes o de una producción reproducible?
Un menor consumo posible, no automático
Reducir la energía necesaria para transportar un bit o realizar una operación no garantiza una disminución del consumo global. Si el ahorro permite construir modelos más grandes o multiplicar las consultas, la demanda puede absorber las mejoras. La fotónica es una palanca de eficiencia, no una exención de reflexionar sobre los usos y el dimensionamiento de las infraestructuras.
¿Y ahora qué? Para septiembre de 2026 y más allá, la perspectiva más sólida es la de una luz que se acerca progresivamente a los procesadores, primero allí donde las comunicaciones se convierten en un cuello de botella. El cálculo fotónico podría encontrar aplicaciones especializadas, siempre que demuestre su ventaja incluyendo las conversiones, la memoria y el software. La revolución quizá sea menos visible que un «procesador de luz»: más datos transportados de forma útil, con menos energía consumida.
