Ilmuwan Jepang Latih AI Pakai Cahaya, Langkah Awal Komputasi Fotonic

Sebuah tim peneliti dari Universitas Tokyo bersama NTT berhasil melatih kecerdasan buatan pada perangkat keras berbasis cahaya, sebuah terobosan yang dapat mengurangi ketergantungan pusat data pada listrik. Studi yang dipublikasikan di Nature Computational Science edisi 5 November itu menggunakan loop serat optik sepanjang 200 meter untuk memproses sinyal sebelum diubah kembali menjadi sinyal listrik.

Eksperimen ini bukan berarti AI telah sepenuhnya lepas dari listrik. Perangkat keras pendukung masih memerlukan komponen elektronik, dan tim peneliti belum menguji metode mereka pada model bahasa besar seperti GPT atau sistem multimodal. Namun, hasil awal menunjukkan bahwa sebagian komputasi AI dapat dialihkan ke media cahaya, yang secara alami lebih cepat dan menghasilkan panas lebih sedikit.

Komputasi fotonic sendiri bukan konsep baru. Cahaya mampu membawa banyak sinyal sekaligus, membuka peluang paralelisme dan kecepatan tinggi. Namun, melatih jaringan saraf pada perangkat fisik semacam itu menjadi tantangan tersendiri. Metode pelatihan konvensional biasanya merekam setiap keadaan antara selama proses berlangsung, yang justru menambah beban komputasi dan penyimpanan.

Untuk mengatasi hambatan tersebut, tim Tokyo menggabungkan dua pendekatan: state-skipping direct feedback alignment (SS-DFA) dan kerangka single-map. SS-DFA mengubah cara sistem belajar dengan hanya menggunakan error akhir dan informasi dari sistem fisik, tanpa perlu menyimpan jejak rinci setiap tahap. Sementara itu, single-map menyederhanakan struktur jaringan dengan aturan berbagi yang lebih umum, bukan koneksi internal yang rumit.

“Kombinasi ini membuat pembelajaran AI lebih cocok untuk sistem fisik, di mana perilaku alami perangkat keras turut berkontribusi pada komputasi,” ujar para peneliti dalam laporan studi.

Dalam pengujian, pendekatan ini mampu menyamai bahkan mengungguli jaringan saraf yang lebih kompleks pada beberapa tugas, dengan kebutuhan komputasi yang jauh lebih rendah. Namun, peneliti menegaskan bahwa eksperimen ini masih tahap awal. Mereka belum menguji pada model bahasa besar atau tugas-tugas multimodal yang menjadi tulang punggung AI generatif saat ini.

Kendala praktis juga masih membentang. Perangkat optik harus diperkecil, distabilkan, dan diproduksi massal agar bisa digunakan di ponsel, kamera, atau kendaraan otonom. Para peneliti menyebut aplikasi tersebut sebagai kemungkinan masa depan, bukan produk yang sudah terbukti.

Bagi Indonesia, perkembangan ini relevan dengan rencana pembangunan pusat data nasional dan kebutuhan energi yang terus meningkat. Jika komputasi fotonic dapat diwujudkan, ketergantungan pada pendinginan dan pasokan listrik besar untuk AI bisa ditekan. Namun, adopsi teknologi ini masih menunggu kematangan riset dan ketersediaan perangkat keras di pasar global.

Ke depan, tantangan terbesar adalah membuktikan bahwa metode ini dapat diskalakan untuk model AI raksasa dan diproduksi secara ekonomis. Jika berhasil, komputasi cahaya bukan tidak mungkin menjadi alternatif hijau di tengah lonjakan kebutuhan daya industri AI. Akankah pusat data masa depan lebih banyak menggunakan cahaya daripada elektron?