Orizzonti futuri

Chip fotonici e neuromorfici: la corsa al calcolo post-silicio

Nel 2026 i chip fotonici e neuromorfici hanno fatto altri passi fuori dai laboratori: Q.ANT ha acquisito IONOS come primo cliente, Lightmatter ha aderito a NVLink Fusion di NVIDIA e Neurophos ha raccolto 110 milioni di dollari. La risposta

AI.info Team · 2026-08-31

La storia dei progressi informatici è, in larga misura, la storia di transistor sempre più piccoli. Da quando Gordon Moore predisse nel 1965 che il numero di transistor su un chip sarebbe raddoppiato ogni anno, portando poi l’intervallo a due anni nel 1975, l’industria dei semiconduttori ha mantenuto quella traiettoria grazie a imprese ingegneristiche che sfiorano il miracoloso. Oggi i transistor si misurano in nanometri: sono larghi poche decine di atomi. Le fabbriche che li producono richiedono gli ambienti di produzione più precisi mai realizzati dagli esseri umani.

Ma le leggi della fisica non ammettono compromessi. I transistor si stanno avvicinando alle dimensioni dei singoli atomi e gli effetti quantistici cominciano a compromettere l’affidabilità della commutazione da cui dipende il calcolo. La dissipazione del calore è già un vincolo stringente: un moderno cluster di GPU impiegato per carichi di lavoro di IA di frontiera genera tanto calore da richiedere infrastrutture di raffreddamento industriali. E il consumo energetico sta diventando una questione geopolitica: la domanda di elettricità dell’industria dell’IA è paragonabile alla produzione di intere centrali elettriche.

In risposta a questi limiti stanno emergendo due approcci radicalmente diversi all’hardware di calcolo: il calcolo fotonico, che usa la luce anziché la corrente elettrica per eseguire i calcoli, e il calcolo neuromorfico, che impiega architetture di chip ispirate alla struttura e al comportamento delle reti neurali biologiche. Nessuno dei due è un concetto nuovo: la ricerca sulla fotonica risale a decenni fa e il nome «calcolo neuromorfico» fu coniato da Carver Mead al Caltech nel 1990. La novità è che entrambi stanno rapidamente passando da curiosità di laboratorio a tecnologie impiegate commercialmente, spinti dalla domanda insaziabile che l’IA ha creato per infrastrutture di calcolo più efficienti e potenti.

Perché il silicio si sta avvicinando ai suoi limiti

Per capire perché i chip fotonici e neuromorfici sono importanti, vale la pena precisare quali difficoltà stia incontrando il calcolo basato sul silicio.

Il collo di bottiglia fondamentale non è la potenza di calcolo in sé. Le moderne GPU possono eseguire migliaia di miliardi di operazioni in virgola mobile al secondo, e questa cifra continua a crescere. Il problema è il costo energetico e il calore generato dallo spostamento dei dati. Quando un processore ha bisogno di informazioni dalla memoria, deve far viaggiare segnali elettrici attraverso interconnessioni in rame. Questo spostamento consuma energia e genera calore in proporzione al volume dei dati trasferiti e alla distanza percorsa. Man mano che i modelli di IA diventano più grandi — si stima che i sistemi di frontiera abbiano ben oltre mille miliardi di parametri, e ogni generazione cresce ulteriormente — il problema dello spostamento dei dati si aggrava.

La GPU H100 di NVIDIA, per anni il pilastro dell’addestramento dell’IA di frontiera, ha una potenza termica di progetto di 700 watt. Un rack di server con otto H100 consuma, a pieno carico e in modo continuativo, all’incirca tanta elettricità quanta ne consumano due famiglie americane medie. Un grande cluster di addestramento composto da migliaia di GPU simili consuma tanta elettricità quanto una piccola città.

L’H100 è ormai indietro di due generazioni e, per chi sperava che il problema si risolvesse da sé, la tendenza è andata nella direzione sbagliata. I componenti Blackwell Ultra sono arrivati sul mercato nel corso del 2025 con livelli di potenza nettamente superiori a quelli di Hopper, e NVIDIA ha lanciato la piattaforma Vera Rubin al CES nel gennaio 2026, dichiarando prestazioni nell’inferenza per watt otto volte superiori a quelle di Blackwell. Le prestazioni per watt continuano a migliorare; i watt per GPU continuano ad aumentare. Nulla di tutto questo è sostenibile alla scala a cui punta l’industria dell’IA.

C’è anche una fondamentale incompatibilità architetturale tra l’hardware di calcolo convenzionale e le reti neurali. Le GPU sono state progettate per il rendering grafico: un carico di lavoro altamente parallelizzabile che si presta piuttosto bene anche all’inferenza delle reti neurali. Ma la struttura profonda delle reti neurali, con i suoi livelli interconnessi che eseguono somme ponderate e attivazioni non lineari, non è servita in modo ideale dall’architettura di von Neumann su cui si basano tutti i chip convenzionali. Ogni operazione richiede di trasferire dati tra le unità di elaborazione e la memoria: un collo di bottiglia così grave da essersi guadagnato un nome, il memory wall.

Calcolo fotonico: l’IA alla velocità della luce

Il calcolo fotonico sostituisce i segnali elettrici con fotoni — particelle di luce — per eseguire operazioni di calcolo. Non è soltanto una metafora della velocità. Le proprietà fisiche dei fotoni conferiscono al calcolo fotonico caratteristiche che possono davvero trasformare alcuni tipi di carichi di lavoro.

La luce viaggia nelle guide d’onda, naturalmente, alla velocità della luce. Propagandosi non genera praticamente calore: i fotoni non interagiscono con il reticolo cristallino di un materiale come fanno gli elettroni, quindi non si produce riscaldamento resistivo. Più fasci di luce possono coesistere nella stessa guida d’onda senza interferire tra loro, se hanno lunghezze d’onda diverse. Questo consente una forma di parallelismo naturale chiamata multiplazione a divisione di lunghezza d’onda. E, aspetto cruciale per l’IA, l’operazione matematica alla base delle reti neurali — la moltiplicazione di matrici — può essere eseguita otticamente con un’efficienza energetica straordinaria.

La moltiplicazione di matrici è l’operazione fondamentale nell’inferenza e nell’addestramento delle reti neurali. Ogni livello di una rete neurale calcola una somma pesata dei propri input, equivalente alla moltiplicazione di un vettore per una matrice. I chip fotonici possono eseguire questa operazione sfruttando le proprietà fisiche dell’interferenza luminosa, con un unico passaggio attraverso una serie di componenti ottici e consumando una minima frazione dell’energia richiesta da un’operazione elettronica equivalente.

Q.ANT, azienda di fotonica con sede a Stoccarda, sostiene, sulla base dei propri benchmark, che il suo processore fotonico raggiunga, per specifici carichi di lavoro di IA, un’efficienza energetica fino a 30 volte superiore e prestazioni per applicazione fino a 50 volte superiori rispetto ai processori convenzionali. Nel maggio 2026 ha annunciato il suo primo cliente commerciale: il provider cloud tedesco IONOS, che ha sottoscritto un contratto per il Native Processing Server di Q.ANT, la cui distribuzione è prevista più avanti nel 2026. Un cliente pagante di cui si conosce il nome costituisce una prova di natura diversa rispetto a un’affermazione basata su benchmark, ed è proprio il tipo di prova che finora è mancato in questo settore.

Lightmatter, azienda statunitense di fotonica, realizza interconnessioni fotoniche per affrontare il collo di bottiglia del trasferimento dei dati nei grandi cluster di GPU e dichiara un’efficienza energetica da 10 a 100 volte superiore nelle comunicazioni tra chip. Il 2 giugno 2026 è entrata nell’ecosistema NVLink Fusion di NVIDIA, che si sta estendendo alle interconnessioni fotoniche, con l’obiettivo di avviare la produzione di massa del suo motore ottico universale nel primo trimestre del 2027. L’operatore dominante non ignora più questo approccio: lo sta integrando.

Il resto del settore cambia rapidamente. Neurophos ha raccolto 110 milioni di dollari nel gennaio 2026 per sviluppare chip fotonici per l’IA con capacità di calcolo nell’ordine degli exaflop, mentre di diversi concorrenti arrivati prima non si hanno più notizie: la normale selezione in un settore hardware ad alta intensità di capitale, non un verdetto sulla fisica.

Nel 2025 un gruppo dell’Università della Florida ha presentato un chip che esegue le convoluzioni di una rete neurale usando luce laser e lenti integrate nel chip, classificando cifre scritte a mano con un’accuratezza di circa il 98%, al pari dei chip convenzionali. È una dimostrazione a sostegno del calcolo ottico, anche se ottenuta con un semplice compito di benchmark e con componenti elettronici ancora necessari per convertire i dati in luce e viceversa.

La sfida principale per il calcolo fotonico resta il costo delle conversioni. Nel mondo reale i dati si presentano sotto forma di segnali elettrici. Convertire questi segnali in forma ottica per eseguire i calcoli e poi riconvertirli consuma energia e introduce latenza. Perché l’approccio fotonico risulti vincente sull’intero processo, i vantaggi nel calcolo devono superare i costi delle conversioni. Nelle moltiplicazioni di matrici su larga scala — proprio l’operazione che domina i carichi di lavoro dell’IA — il bilancio matematico favorisce sempre più l’approccio fotonico.

Calcolo neuromorfico: chip che pensano come il cervello

Il calcolo neuromorfico affronta il problema del silicio in modo diverso. Anziché sostituire il mezzo fisico in cui avviene il calcolo, ripensa l’architettura dell’hardware per rispecchiare la struttura delle reti neurali biologiche.

Il cervello umano svolge compiti cognitivi — riconoscimento di schemi, comprensione del linguaggio, elaborazione degli stimoli sensoriali — consumando circa 20 watt. Oggi, anche l’inferenza dei grandi modelli linguistici più efficienti dal punto di vista energetico richiede, per un compito cognitivo equivalente, una potenza superiore di diversi ordini di grandezza. Il cervello deve la sua efficienza a una combinazione di attivazione sparsa (in ogni momento, la maggior parte dei neuroni è inattiva), elaborazione basata sugli eventi (i neuroni si attivano solo quando l’input supera una soglia) e memoria e calcolo collocati nello stesso punto (i pesi sinaptici sono memorizzati e applicati localmente, eliminando il collo di bottiglia della memoria).

I chip neuromorfici realizzano questi principi nel silicio. Anziché usare transistor convenzionali che operano su numeri in virgola mobile, impiegano reti neurali a impulsi: neuroni artificiali che comunicano tramite impulsi discreti e consumano energia solo quando si attivano. Memoria ed elaborazione sono collocate insieme in ogni sinapsi artificiale, eliminando il costo energetico del trasferimento dei dati tra unità di elaborazione e memoria separate.

Loihi 2 di Intel, presentato nel 2021, rimane il processore neuromorfico più studiato, e Intel non ha annunciato pubblicamente un chip destinato a succedergli. Contiene 1 milione di neuroni artificiali e 120 milioni di sinapsi artificiali in un unico chip, consuma meno di 1 watt per molti compiti e raggiunge un’efficienza energetica da 1.000 a 10.000 volte superiore a quella dei processori convenzionali nei carichi di lavoro specifici per cui è progettato: compiti di riconoscimento di schemi sparsi e basati sugli eventi, come il rilevamento dei gesti, il riconoscimento di parole chiave e il rilevamento di anomalie nei flussi di dati dei sensori.

Intel ha scelto di aumentare la scala dello stesso silicio, anziché sostituirlo. Nell’aprile 2024 ha assemblato chip Loihi 2 in Hala Point, un sistema di ricerca con 1,15 miliardi di neuroni artificiali: il più grande computer neuromorfico costruito fino a quel momento e una dimostrazione del fatto che l’architettura regge anche quando viene portata su scala più ampia, anziché funzionare bene soltanto su un singolo chip.

Il chip NorthPole di IBM, descritto su Science nel 2023, segue un approccio complementare: anziché usare neuroni a impulsi, impiega una struttura massicciamente parallela di piccole unità di elaborazione, ciascuna dotata di memoria locale, eliminando del tutto l’accesso alla memoria esterna al chip per i carichi di lavoro di inferenza. I risultati sono stati notevoli: nel benchmark di classificazione delle immagini ResNet50, NorthPole ha raggiunto un’efficienza energetica 25 volte superiore a quella di una GPU realizzata con un processo produttivo comparabile a 12 nanometri.

Il processore Akida di BrainChip è destinato alle applicazioni edge: dispositivi che devono eseguire localmente l’inferenza dell’IA, senza connessione al cloud e con un consumo energetico minimo. Akida è già impiegato nei sensori automobilistici, nelle apparecchiature di monitoraggio industriale e nei dispositivi medici indossabili. L’azienda ha ricevuto il primo lotto di produzione commerciale dei suoi processori AKD1500 nel luglio 2026 e il 17 settembre 2026 ha lanciato una scheda di valutazione AKD1500 PCIe, che permette di inserire il chip in un normale computer desktop: un piccolo passo importante per una categoria il cui vincolo più stringente è l’accesso da parte degli sviluppatori. Il mercato dell’inferenza dell’IA edge, dove i consumi energetici si misurano in milliwatt anziché in kilowatt, è quello in cui gli approcci neuromorfici presentano il vantaggio competitivo più evidente nel breve periodo.

La convergenza: sistemi ibridi neuromorfici e fotonici

L’approccio più ambizioso alla frontiera della ricerca sull’hardware combina i due paradigmi: le interconnessioni fotoniche trasportano i dati tra elementi di elaborazione neuromorfici, dando vita a chip la cui architettura si ispira al cervello e la cui comunicazione si basa sulla luce.

La Q.ANT NPU 2, citata sopra, è un coprocessore fotonico, non neuromorfico, e mostra quindi solo una delle due componenti di questo sistema ibrido. Gruppi di ricerca del MIT, dell’ETH Zurich e di diversi laboratori nazionali stanno sviluppando versioni più radicali: processori neuromorfici interamente ottici, in cui sia la memorizzazione dei pesi sinaptici sia il calcolo delle attivazioni neurali avvengono tramite la luce.

Il limite teorico delle prestazioni di questi sistemi è straordinario. Le moltiplicazioni di matrici ottiche possono, in linea di principio, operare a frequenze di clock dell’ordine dei terahertz, migliaia di volte superiori alle frequenze in gigahertz dell’elettronica convenzionale. Il consumo energetico per operazione sarebbe una piccola frazione di quello dell’equivalente elettronico. Se si riusciranno a risolvere le sfide ingegneristiche, un chip ibrido neuromorfico e fotonico maturo potrebbe offrire la potenza di calcolo di un attuale cluster di GPU in un dispositivo delle dimensioni di un francobollo, consumando una frazione di watt.

Le sfide ingegneristiche sono considerevoli. Fabbricare componenti fotonici affidabili su scala nanometrica è più difficile che fabbricare transistor elettronici. I componenti ottici sono sensibili alle variazioni di temperatura in modi in cui quelli elettronici non lo sono. E i modelli di programmazione dei chip neuromorfici sono fondamentalmente diversi dai framework standard di deep learning — PyTorch e TensorFlow — adottati dall’industria dell’IA, creando un problema di ecosistema software che va risolto insieme alle sfide hardware.

La dimensione geopolitica

Le guerre dei chip che hanno dominato la geopolitica dell’IA — dai controlli statunitensi sulle esportazioni delle GPU avanzate di NVIDIA alla corsa per sviluppare capacità nazionali di produzione di semiconduttori in Europa, Giappone e altrove — si sono combattute quasi interamente sul terreno del silicio convenzionale.

I chip fotonici e neuromorfici aprono uno scenario competitivo diverso. Le filiere produttive dei chip fotonici sono meno concentrate di quelle del silicio avanzato: le guide d’onda fotoniche possono essere fabbricate sfruttando le infrastrutture esistenti delle telecomunicazioni ottiche, distribuite a livello globale. Questo potrebbe ridurre la leva strategica che Taiwan Semiconductor Manufacturing Company detiene attualmente sulla filiera della capacità di calcolo per l’IA.

La Cina, a cui i controlli statunitensi sulle esportazioni hanno precluso in larga misura l’accesso all’hardware avanzato di NVIDIA, ha investito molto nella ricerca sul calcolo fotonico e neuromorfico come possibile via alternativa. Diverse università e aziende cinesi sostenute dallo Stato sono tra i leader della ricerca sugli acceleratori fotonici per l’IA. Se gli approcci fotonici matureranno fino a diventare alternative praticabili al calcolo basato sulle GPU, gli equilibri della guerra dei chip cambieranno in modo sostanziale.

L’Unione europea, che ha faticato a conquistare una posizione nella produzione di semiconduttori convenzionali, vede nella fotonica un’opportunità strategica. L’European Photonics Industry Consortium ha individuato nella fotonica per l’IA un settore prioritario, e aziende come Q.ANT, Multiverse Computing e LightOn stanno sviluppando competenze che potrebbero dare all’Europa una posizione competitiva nell’hardware per l’IA di nuova generazione.

Che cosa significa per le capacità dell’IA

La questione pratica per il settore dell’IA è quali possibilità offrano i chip fotonici e neuromorfici che il silicio non può offrire.

Nel breve periodo — nei prossimi tre-cinque anni — l’impatto più significativo sarà probabilmente nell’edge computing. I processori neuromorfici stanno già rendendo possibili applicazioni di IA irrealizzabili con l’hardware convenzionale quando il consumo energetico deve restare entro limiti stringenti: il rilevamento di parole chiave sempre attivo, che funziona per mesi con una batteria a bottone; il rilevamento di anomalie in tempo reale nei sensori industriali; i dispositivi di monitoraggio medico che eseguono localmente un complesso riconoscimento di schemi senza trasmettere dati sensibili al cloud. Non sono capacità di IA di frontiera destinate a fare notizia, ma ampliano in modo significativo gli ambiti in cui l’IA può operare.

Nel medio periodo — tra cinque e dieci anni — gli approcci fotonici potrebbero ridurre di un ordine di grandezza o più il costo energetico dell’inferenza dell’IA su larga scala. Questo cambierebbe sostanzialmente l’economia dell’impiego dell’IA: eseguire un modello linguistico di grandi dimensioni potrebbe diventare abbastanza economico da permettere a ogni dispositivo e a ogni applicazione di offrire un’IA personalizzata e sempre attiva, senza l’attuale dipendenza da costose infrastrutture cloud centralizzate.

Nel lungo periodo, se i sistemi ibridi neuromorfici e fotonici raggiungeranno il loro potenziale teorico, potrebbero rendere possibili capacità di IA qualitativamente diverse da quelle odierne: non semplicemente versioni più veloci dei sistemi attuali, ma sistemi con strutture di memoria, caratteristiche di elaborazione temporale e profili di consumo energetico radicalmente diversi. La combinazione di efficienza energetica, adattabilità e apprendimento continuo da dati sparsi propria del cervello non è casuale: riflette miliardi di anni di ottimizzazione entro vincoli metabolici. Sistemi di calcolo che rispecchino più da vicino questa architettura potrebbero rendere possibili capacità che l’architettura transformer, ottimizzata per il silicio, non può raggiungere.

I tempi e i rischi

Secondo la visione prudente, condivisa da molti ingegneri hardware del settore tradizionale, i chip fotonici e neuromorfici resteranno per il futuro prevedibile soluzioni di nicchia per carichi di lavoro specifici, mentre il silicio convenzionale — affiancato da acceleratori di IA progettati su misura come le TPU di Google, Trainium di Amazon e Maia di Microsoft — continuerà a dominare. La maturità dell’ecosistema software, le difficoltà produttive e le differenze nei modelli di programmazione favoriscono tutti gli operatori consolidati.

Nel 2026 gli argomenti a favore di questa posizione si sono rafforzati, anziché indebolirsi. Il 26 gennaio 2026 Microsoft ha lanciato Maia 200, un acceleratore per l’inferenza di seconda generazione realizzato con il processo a 3 nanometri di TSMC e dotato di 216 gigabyte di memoria HBM3e, mentre Google e Amazon hanno continuato a consegnare i propri chip secondo i programmi. Se si guarda ai chip effettivamente consegnati, per ora è la visione prudente a prevalere.

Secondo la visione più ottimista, condivisa dalle aziende e dai gruppi di ricerca che lavorano attivamente in questo campo, i vincoli energetici e termici dell’hardware convenzionale per l’IA sono abbastanza gravi da imporre una transizione nell’arco di cinque-dieci anni. La logica economica è semplice: man mano che l’IA cresce ulteriormente di scala, i costi energetici dell’hardware convenzionale diventano insostenibili, e le prime alternative capaci di offrire prestazioni comparabili consumando una frazione dell’energia attireranno enormi investimenti e saranno adottate su vasta scala.

Entrambe le posizioni sono difendibili. Quel che è chiaro è che la corsa al calcolo post-silicio non è più una lontana prospettiva accademica. I prodotti commerciali vengono già consegnati, i capitali di rischio affluiscono e i governi trattano questo settore come un’infrastruttura strategica. La questione non è se la transizione avverrà, ma quanto velocemente e chi la guiderà.

I prossimi cinquant’anni del calcolo

Il transistor ha regalato all’umanità cinque decenni di progressi esponenziali nel calcolo. L’era dell’IA basata sul silicio è reale e straordinaria, ma non è la fine della storia. Potrebbe non esserne neppure la metà.

I chip fotonici offrono la prospettiva di un calcolo più veloce, con un consumo energetico pari a una frazione di quello degli attuali chip al silicio. I chip neuromorfici offrono la prospettiva di un calcolo che funziona come l’intelligenza biologica: sparso, guidato dagli eventi e profondamente efficiente. Insieme, indicano un futuro in cui l’hardware per l’IA non si misurerà dal numero di cluster di GPU che richiede, ma dalla possibilità di farlo stare in un dispositivo da indossare, impiegarlo in un sensore remoto o farlo funzionare con il budget energetico di un piccolo elettrodomestico.

Le sfide ingegneristiche sono reali e i tempi incerti. Ma la fisica è solida, gli investimenti affluiscono e la necessità è pressante. La corsa al calcolo post-silicio è iniziata sul serio e il suo esito determinerà quale tipo di IA sarà possibile nella seconda metà di questo secolo.