Los grandes centros de datos necesarios para entrenar algoritmos enormes de IA suelen constar de racks llenos de miles de computadoras con chips de silicio especializados y un spaghetti de conexiones, en su mayoría eléctricas, entre ellas. Mantener los procesos de entrenamiento de la IA en tantos sistemas, todos conectados por cables e interruptores, es una gigantesca labor de ingeniería. La conversión entre señales electrónicas y ópticas también impone límites fundamentales a la capacidad de los chips para ejecutar operaciones de procesamiento como si fueran uno solo.

El enfoque de Lightmatter está diseñado para simplificar el complicado tráfico dentro de los centros de datos de IA. “Normalmente tienes un montón de GPU, y después una capa de conmutadores, y otra capa, y otra más, y debes atravesar ese árbol” para comunicarte entre dos GPU, explica Harris. En un centro de datos conectado por Passage, destaca Harris, cada GPU dispondría de una conexión de alta velocidad con cada uno de los demás chips.

El trabajo de Lightmatter con Passage es un ejemplo del modo en que el reciente florecimiento de la IA ha inspirado a empresas grandes y pequeñas a intentar reinventar el hardware clave detrás de avances como el ChatGPT de OpenAI. Nvidia, el principal proveedor de GPU para proyectos de inteligencia artificial, celebró su conferencia anual el mes pasado, en la que Jensen Huang, su CEO, presentó el último chip de la compañía para el entrenamiento de IA: una GPU llamada Blackwell, que venderá como un “superchip” compuesto por dos GPU Blackwell y un procesador CPU convencional, todo ello conectado mediante la nueva tecnología de comunicaciones de alta velocidad de la compañía conocida como NVLink-C2C.

La industria de los chips es famosa por encontrar formas de exprimir más capacidad de procesamiento de los mismos sin hacerlos más grandes, pero Nvidia ha optado por romper esa tendencia. Las GPU Blackwell incluidas en el superchip de la empresa son el doble de potentes que sus predecesoras, pero se fabrican uniendo dos chips, lo que significa que consumen mucha más energía. Esta compensación, además de los esfuerzos de Nvidia por conectar sus chips con enlaces de alta velocidad, sugiere que las mejoras de otros componentes clave para las supercomputadoras de IA, como la propuesta por Lightmatter, quizá adquieran mayor relevancia.

Hacia una IA más capaz impulsada con luz

GlobalFoundries, una empresa que fabrica chips para otras, como AMD y General Motors, anunció previamente una asociación con Lightmatter. Harris señala que su organización está “trabajando con las mayores compañías de semiconductores del mundo, así como con los hiperescaladores”, refiriéndose a las mayores corporaciones dedicadas a servicios en la nube, como Microsoft, Amazon y Google.

Si Lightmatter u otra compañía consigue reinventar el cableado de los gigantescos proyectos de IA, es posible que desaparezca un cuello de botella crítico en el desarrollo de algoritmos más inteligentes. El uso de más procesamiento fue fundamental para los avances que condujeron a ChatGPT, y muchos investigadores en la materia consideran que seguir incrementando el hardware es esencial para futuros avances en este campo y para las esperanzas de alcanzar alguna vez el objetivo vagamente definido de la inteligencia general artificial, o IAG, es decir, programas que igualen o superen a la inteligencia biológica en todos los sentidos.

Enlazar un millón de chips con luz permitiría crear algoritmos varias generaciones por encima de la tecnología de punta actual, sostiene Nick Harris, CEO de Lightmatter.