Orizzonti futuri

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

Nel 2026 i chip fotonici e neuromorfici sono usciti 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 del silicio, Maia

Gabriele Masetti · 2026-08-31

La storia dei progressi informatici è, in larga misura, la storia di transistor sempre più piccoli. Da quando Gordon Moore osservò nel 1965 che il numero di transistor su un chip raddoppia all’incirca ogni due anni, l’industria dei semiconduttori ha mantenuto questa traiettoria grazie a imprese ingegneristiche che rasentano 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 dall’essere umano.

Ma le leggi della fisica non si possono negoziare. I transistor si stanno avvicinando alle dimensioni dei singoli atomi e gli effetti quantistici cominciano a compromettere il comportamento affidabile di commutazione su cui si basa il calcolo. La dissipazione del calore è già un vincolo stringente: un moderno cluster di GPU che esegue carichi di lavoro di IA di frontiera genera abbastanza calore da richiedere infrastrutture di raffreddamento industriali. E il consumo energetico sta diventando una questione geopolitica: la domanda di elettricità dell’industria dell’IA si può misurare in termini della produzione di intere centrali elettriche.

In risposta a questi limiti stanno emergendo due approcci radicalmente diversi all’hardware per il 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 capaci di imitare la struttura e il 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 dall’insaziabile domanda di sistemi di calcolo più efficienti e potenti creata dall’IA.

Perché il silicio si sta avvicinando al limite

Per capire perché i chip fotonici e neuromorfici siano 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 pura. Le moderne GPU possono eseguire migliaia di miliardi di operazioni in virgola mobile al secondo, e questa cifra continua a crescere. Il collo di bottiglia è il costo energetico e il calore generato dallo spostamento dei dati. Quando un processore ha bisogno di informazioni dalla memoria, deve trasferire segnali elettrici attraverso interconnessioni in rame. Questo trasferimento consuma energia e genera calore in proporzione alla quantità di dati spostati 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 all’incirca la stessa elettricità di due famiglie americane medie, in modo continuativo e a pieno carico. Un grande cluster di addestramento composto da migliaia di GPU di questo tipo 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 un assorbimento di potenza sostanzialmente superiore a quello di Hopper, e NVIDIA ha lanciato la piattaforma Vera Rubin al CES nel gennaio 2026, dichiarando prestazioni in 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.

Esiste anche una fondamentale incompatibilità architetturale tra l’hardware convenzionale e le reti neurali. Le GPU sono state progettate per il rendering grafico, un carico di lavoro altamente parallelizzabile che si presta abbastanza bene anche all’inferenza delle reti neurali. Ma la struttura profonda delle reti neurali, con i loro 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 tanto grave da avere un nome proprio, il «muro della memoria».

Calcolo fotonico: l’intelligenza artificiale alla velocità della luce

Il calcolo fotonico sostituisce i segnali elettrici con i fotoni, particelle di luce, per eseguire i calcoli. La velocità della luce non è soltanto una metafora: le proprietà fisiche dei fotoni conferiscono al calcolo fotonico caratteristiche che possono davvero trasformare l’elaborazione di determinati 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 producono riscaldamento resistivo. Più fasci di luce possono coesistere nella stessa guida d’onda senza interferire tra loro, purché abbiano lunghezze d’onda diverse. Questo permette 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 dell’inferenza e dell’addestramento delle reti neurali. Ogni livello di una rete neurale calcola una somma ponderata dei suoi input, equivalente a moltiplicare 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 piccola frazione dell’energia necessaria per un’operazione elettronica equivalente.

Q.ANT, azienda di fotonica con sede a Stoccarda, sostiene che il suo processore fotonico consumi 30 volte meno energia e offra una capacità di elaborazione 50 volte superiore rispetto al silicio convenzionale per determinati carichi di lavoro di IA. Nel maggio 2026 ha annunciato il suo primo cliente commerciale: il fornitore tedesco di servizi cloud IONOS, che ha acquistato il Native Processing Server di Q.ANT. Un cliente pagante di cui si conosce il nome è una prova di natura diversa rispetto a un risultato dichiarato in un 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 dello spostamento dei dati nei grandi cluster di GPU, dichiarando un’efficienza energetica da 10 a 100 volte superiore per le 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.

Nel resto del settore, i protagonisti cambiano rapidamente. Neurophos ha raccolto 110 milioni di dollari nel gennaio 2026 per costruire chip fotonici per l’IA su scala exaflop, mentre di diversi concorrenti della prima ora non si sente più parlare: la normale selezione in una categoria di hardware ad alta intensità di capitale, non un verdetto sulla fisica.

Nel 2025, un gruppo di ricerca della University of Florida ha dimostrato che un sistema interamente ottico può raggiungere un’accuratezza quasi perfetta in carichi di lavoro complessi di inferenza dell’IA: una prova importante che gli approcci fotonici non sono limitati a compiti semplici o circoscritti.

La sfida principale per il calcolo fotonico resta il costo della conversione. Nel mondo reale, i dati si presentano sotto forma di segnali elettrici. Convertirli in forma ottica per elaborarli e poi riconvertirli consuma energia e introduce latenza. Perché l’approccio fotonico risulti vantaggioso dall’inizio alla fine, i benefici nell’elaborazione devono superare i costi della conversione. Nel caso delle moltiplicazioni di matrici su larga scala, proprio l’operazione che domina i carichi di lavoro dell’IA, i calcoli favoriscono 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 supporto fisico su cui si eseguono i calcoli, ripensa l’architettura dell’hardware informatico per rispecchiare la struttura delle reti neurali biologiche.

Il cervello umano svolge compiti cognitivi — riconoscimento di schemi, comprensione del linguaggio, elaborazione sensoriale — consumando circa 20 watt. Oggi, l’inferenza dei modelli linguistici di grandi dimensioni 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 guidata dagli eventi (i neuroni si attivano solo quando gli input superano una soglia) e memoria e calcolo collocati nello stesso luogo (i pesi sinaptici vengono conservati e applicati localmente, eliminando il collo di bottiglia nell’accesso alla memoria).

I chip neuromorfici applicano questi principi al silicio. Al posto dei transistor convenzionali che operano su numeri in virgola mobile, usano reti neurali a impulsi: neuroni artificiali che comunicano attraverso impulsi discreti e consumano energia solo quando si attivano. Memoria ed elaborazione si trovano insieme in ciascuna sinapsi artificiale, eliminando il costo energetico del trasferimento dei dati tra unità di elaborazione e di memoria separate.

Loihi 2 di Intel, presentato nel 2021, rimane il processore neuromorfico più studiato, e Intel non ha annunciato pubblicamente un modello successivo. Contiene 1 milione di neuroni artificiali e 120 milioni di sinapsi artificiali su 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 guidati dagli eventi, come il rilevamento dei gesti, il riconoscimento di parole chiave e l’individuazione di anomalie nei flussi di dati dei sensori.

La strada scelta da Intel è stata ampliare la scala dello stesso silicio, anziché sostituirlo. Nell’aprile 2024 ha assemblato chip Loihi 2 per realizzare 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 che l’architettura funziona anche su scala più ampia, non soltanto su un singolo die.

Il chip NorthPole di IBM, descritto su Science nel 2023, segue un approccio complementare: anziché usare neuroni a impulsi, impiega una matrice 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: nei benchmark standard di riconoscimento delle immagini, NorthPole ha raggiunto un’efficienza energetica da 22 a 25 volte superiore a quella di GPU comparabili.

Il processore Akida di BrainChip è destinato alle applicazioni edge: dispositivi che devono eseguire l’inferenza IA localmente, senza connettività 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 ha lanciato una scheda di valutazione PCIe AKD1500 il 17 settembre 2026, che permette di usare 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 IA edge, dove i consumi energetici si misurano in milliwatt anziché in kilowatt, è quello in cui gli approcci neuromorfici hanno il loro 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 entrambi i paradigmi: interconnessioni fotoniche trasportano i dati tra elementi di elaborazione neuromorfici, creando chip che si ispirano al cervello nell’architettura e usano la luce per comunicare.

Q.ANT NPU 2, menzionato sopra, è uno dei primi esempi commerciali di questo approccio ibrido. Gruppi di ricerca del MIT, dell’ETH Zurich e di diversi laboratori nazionali stanno lavorando a versioni più radicali: processori neuromorfici interamente ottici, in cui sia la memorizzazione dei pesi sinaptici sia il calcolo delle attivazioni neurali avvengono mediante 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 nell’ordine dei terahertz, migliaia di volte più rapide delle frequenze nell’ordine dei gigahertz dell’elettronica convenzionale. Il consumo energetico per operazione sarebbe una piccola frazione di quello dell’equivalente elettronico. Se si riuscissero a risolvere le sfide ingegneristiche, un chip neuromorfico-fotonico maturo potrebbe offrire la potenza di calcolo di un attuale cluster di GPU in un dispositivo grande quanto 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 che non riguardano i componenti elettronici. E i modelli di programmazione dei chip neuromorfici sono fondamentalmente diversi dai framework standard di deep learning — PyTorch e TensorFlow — su cui l’industria dell’IA si è standardizzata: questo crea 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 — dalle restrizioni statunitensi all’esportazione 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 per le telecomunicazioni ottiche, diffuse in tutto il mondo. Questo potrebbe ridurre il peso strategico che Taiwan Semiconductor Manufacturing Company esercita oggi sulla filiera della capacità di calcolo per l’IA.

La Cina, a cui le restrizioni statunitensi all’esportazione hanno in gran parte precluso l’accesso all’hardware avanzato di NVIDIA, ha investito molto nella ricerca sul calcolo fotonico e neuromorfico come possibile via per aggirare tali restrizioni. Diverse università cinesi e aziende sostenute dallo Stato sono tra i leader nella 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 capacità che potrebbero dare all’Europa una posizione competitiva nell’hardware per l’IA di prossima generazione.

Cosa cambia per le capacità dell’IA

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

Nel breve periodo — i prossimi tre-cinque anni — l’impatto più significativo sarà probabilmente ai margini della rete. I processori neuromorfici rendono già possibili applicazioni di IA irrealizzabili con l’hardware convenzionale quando l’energia disponibile è limitata: il rilevamento continuo di parole chiave che funziona per mesi con una batteria a bottone, il rilevamento in tempo reale di anomalie nei sensori industriali, i dispositivi di monitoraggio medico che eseguono localmente complesse operazioni di riconoscimento di schemi senza trasmettere dati sensibili al cloud. Non sono capacità di IA d’avanguardia destinate a fare notizia, ma ampliano in modo significativo gli ambiti in cui l’IA può operare.

Nel medio periodo — da cinque a 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 usare un’IA continua e personalizzata, senza l’attuale dipendenza da costose infrastrutture cloud centralizzate.

Nel più 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 semplici 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 scarsi che caratterizza il cervello non è casuale: riflette miliardi di anni di ottimizzazione sotto vincoli metabolici. Sistemi di calcolo che rispecchiano più da vicino quell’architettura potrebbero aprire la strada a capacità irraggiungibili per l’architettura transformer, ottimizzata per il silicio.

Le tempistiche e i rischi

Secondo la posizione prudente, condivisa da molti ingegneri hardware del settore, 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 dedicati 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 già affermati.

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 prodotto 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 previsti. A giudicare dai chip effettivamente consegnati, per ora è la posizione prudente a prevalere.

Secondo la visione più ottimista, sostenuta dalle aziende e dai gruppi di ricerca attivamente impegnati 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: con l’ulteriore espansione dell’IA, i costi energetici dell’hardware convenzionale diventeranno insostenibili, e le prime alternative capaci di offrire prestazioni comparabili con una frazione del consumo energetico attireranno enormi investimenti e saranno adottate su vasta scala.

Entrambe le posizioni sono difendibili. È chiaro, però, che la corsa al calcolo post-silicio non è più una lontana prospettiva accademica. I prodotti commerciali vengono già consegnati, affluiscono capitali di rischio e i governi trattano queste tecnologie come infrastrutture strategiche. La domanda non è se la transizione avverrà, ma quanto rapidamente e chi la guiderà.

I prossimi cinquant’anni dell’informatica

Il transistor ha regalato all’umanità cinque decenni di progressi esponenziali nella capacità di calcolo. L’era dell’IA basata sul silicio è una realtà straordinaria, ma non è la fine della storia. Potrebbe non esserne nemmeno la metà.

I chip fotonici aprono la prospettiva di elaborare dati alla velocità della luce, consumando una frazione dell’energia richiesta dagli attuali chip al silicio. I chip neuromorfici aprono la prospettiva di un’elaborazione che funzioni come l’intelligenza biologica: con attività sparse, attivata 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 necessari, ma dalla possibilità di inserirlo in un dispositivo indossabile, installarlo in un sensore remoto o farlo funzionare con l’energia disponibile per un piccolo elettrodomestico.

Le sfide ingegneristiche sono reali e i tempi incerti. Ma i principi fisici sono solidi, gli investimenti affluiscono e la necessità è pressante. La corsa al calcolo post-silicio è ormai entrata nel vivo e il suo esito determinerà quale tipo di IA sarà possibile nella seconda metà di questo secolo.