Per anni la corsa all’intelligenza artificiale è stata raccontata soprattutto attraverso GPU sempre più potenti e modelli sempre più grandi. Oggi, però, una parte crescente della sfida si gioca altrove: nella capacità di trasferire enormi quantità di informazioni tra memoria, processori e migliaia di acceleratori senza perdere velocità e senza consumare troppa energia. È qui che entra in gioco la silicon photonics, una tecnologia che prova a sostituire progressivamente il rame con la luce.
Se vogliamo capire dove potrebbe giocarsi la prossima fase della corsa all’intelligenza artificiale bisogna guardare oltre i modelli. E, almeno in parte, anche oltre le GPU.
Negli ultimi anni l’industria dei semiconduttori ha aumentato enormemente la capacità di calcolo disponibile nei data center. Migliaia di acceleratori, cioè chip progettati per eseguire determinati tipi di calcolo, possono lavorare contemporaneamente all’addestramento di un grande modello o rispondere alle richieste di milioni di utenti.
Il problema è che una GPU, per quanto potente, può elaborare soltanto i dati che riesce a ricevere. Pesi del modello, informazioni conservate in memoria e risultati intermedi devono continuamente spostarsi tra memoria e processore, tra un acceleratore e l’altro, tra server diversi e, nei sistemi più grandi, tra interi rack, le strutture che ospitano gruppi di server all’interno dei data center.
Ed è proprio questo movimento a rappresentare sempre più spesso il limite.
Uno studio pubblicato su IEEE Micro, AI and Memory Wall, ha confrontato l’evoluzione della capacità di calcolo con quella delle infrastrutture necessarie ad alimentarla. Negli ultimi vent’anni le prestazioni teoriche dei server, misurate in operazioni in virgola mobile al secondo, sono cresciute di circa 3 volte ogni due anni. Nello stesso intervallo la banda della memoria DRAM, una delle principali tecnologie utilizzate per la memoria di lavoro dei computer, è aumentata di circa 1,6 volte, mentre quella delle interconnessioni di appena 1,4 volte. Guardando all’intero ventennio, la capacità di calcolo sarebbe cresciuta di circa 60.000 volte, contro circa 100 volte per la banda DRAM e 30 volte per le interconnessioni.
È una sproporzione che cambia il problema. Costruire processori capaci di eseguire un numero sempre maggiore di operazioni serve poco se una parte delle loro unità di calcolo deve trascorrere il proprio tempo aspettando che arrivino i dati.
Indice degli argomenti
Il “memory wall” dell’intelligenza artificiale
Da decenni si parla di memory wall, letteralmente “muro della memoria”: è il divario crescente tra la velocità con cui un processore può eseguire operazioni e quella con cui riesce ad accedere ai dati conservati in memoria. Con l’intelligenza artificiale questo muro è diventato molto più evidente.
Un grande modello linguistico contiene miliardi, e in alcuni casi centinaia di miliardi, di parametri. Durante l’inferenza, cioè quando il modello viene effettivamente utilizzato per generare una risposta, questi pesi devono essere recuperati dalla memoria e portati continuamente verso le unità di calcolo.
A essi si aggiunge la cosiddetta KV cache, una memoria temporanea attraverso cui i modelli Transformer conservano parte delle informazioni relative a ciò che è già stato elaborato. È ciò che consente al modello, per esempio, di tenere conto delle parole precedenti mentre continua a generare una risposta. Più aumenta la quantità di testo che il modello deve ricordare, più può crescere anche lo spazio occupato da questa memoria.
Uno studio pubblicato nel luglio 2026 su Artificial Intelligence Review arriva a una conclusione netta: con l’utilizzo su larga scala degli LLM, il collo di bottiglia dell’inferenza si sta spostando dal puro calcolo verso memoria e input/output, cioè verso le operazioni necessarie per leggere, scrivere e trasferire informazioni. Il tempo necessario a produrre una risposta e la quantità di dati che il sistema riesce a elaborare nell’unità di tempo possono essere limitati proprio dalla velocità con cui pesi, KV cache e dati intermedi attraversano i diversi livelli della memoria.
Per avere un ordine di grandezza, lo studio costruisce un esempio basato su un modello da circa 70 miliardi di parametri. In una configurazione FP16 – un formato che rappresenta i numeri utilizzando 16 bit – soltanto la lettura dei pesi comporta circa 141 GB di dati, ai quali possono aggiungersi decine di gigabyte legati alla KV cache. Su una GPU con alcuni terabyte al secondo di banda di memoria, una parte consistente del tempo necessario a produrre il token successivo, cioè una nuova unità di testo, è quindi determinata semplicemente dal trasferimento di queste informazioni.
A questo punto bisogna però distinguere due problemi.
Il primo riguarda il collegamento tra processore e memoria. È qui che entrano in gioco le HBM, acronimo di High Bandwidth Memory: memorie ad altissima velocità collocate molto vicino a GPU e acceleratori proprio per consentire lo scambio di grandi quantità di dati in tempi ridotti.
Il secondo problema riguarda invece la comunicazione tra chip differenti. Un singolo processore non basta più per addestrare o utilizzare i modelli maggiori: bisogna collegarne decine, centinaia o decine di migliaia e fare in modo che possano lavorare come parti dello stesso gigantesco computer.
È qui che al memory wall si affianca un altro ostacolo: quello delle interconnessioni.
Il problema di far parlare migliaia di GPU
Un moderno cluster AI è per sua natura distribuito. I calcoli vengono suddivisi tra numerose GPU che, durante l’elaborazione, devono scambiarsi continuamente enormi quantità di informazioni.
Più aumenta il numero di GPU, più diventa difficile garantire che tutte ricevano i dati necessari nel momento giusto.
Le tradizionali connessioni elettriche in rame sono estremamente efficienti sulle brevi distanze, ma hanno limiti fisici. Aumentando la velocità del segnale aumentano anche attenuazione, interferenze e distorsioni. Per mantenerlo leggibile possono diventare necessari circuiti aggiuntivi che correggono o rigenerano il segnale durante il percorso. Sono componenti indispensabili, ma occupano spazio e, soprattutto, consumano energia.
Uno studio pubblicato il 19 agosto 2026 su Nature Electronics descrive il problema in termini molto chiari: l’enorme movimento di dati richiesto dall’AI e dall’high-performance computing, sta facendo emergere i limiti fondamentali delle interconnessioni elettriche. La resistenza dei materiali, la difficoltà di mantenere integro un segnale ad altissime frequenze e altri fenomeni fisici finiscono per limitare contemporaneamente banda, latenza ed efficienza energetica.
L’AI, insomma, non sta soltanto aumentando il fabbisogno di chip. Sta mettendo sotto pressione l’intera infrastruttura che li circonda.
Silicon photonics: quando i dati viaggiano sotto forma di luce
La silicon photonics, o fotonica del silicio, nasce dall’idea di realizzare circuiti in cui alcuni componenti utilizzano la luce per trasportare e manipolare le informazioni, sfruttando tecnologie produttive compatibili con quelle dell’industria dei semiconduttori.
La differenza fondamentale rispetto all’elettronica tradizionale riguarda quindi il mezzo con cui viene trasferita l’informazione. Nei circuiti elettrici i dati viaggiano attraverso segnali elettrici che percorrono conduttori metallici. Nei circuiti fotonici una parte della comunicazione viene invece affidata ai fotoni, cioè alle particelle della luce.
All’interno di un circuito fotonico integrato possono esserci minuscole guide che indirizzano la luce all’interno del chip, modulatori che imprimono le informazioni sul segnale luminoso, dispositivi che combinano più segnali e fotodetettori che effettuano l’operazione inversa, trasformando nuovamente la luce in un segnale elettrico.
Il vantaggio non consiste semplicemente nel fatto che “la luce è più veloce dell’elettricità”. Sarebbe una semplificazione fuorviante.
Il punto è soprattutto che i collegamenti ottici possono trasferire grandi quantità di dati su distanze maggiori con perdite inferiori, mantenendo un’elevata densità di banda e riducendo alcuni dei costi energetici che aumentano rapidamente nelle interconnessioni elettriche ad altissima velocità.
Il silicio offre inoltre un vantaggio industriale fondamentale: molti dei componenti fotonici possono essere prodotti sfruttando processi vicini a quelli utilizzati dall’industria CMOS, acronimo di Complementary Metal-Oxide-Semiconductor. È la tecnologia alla base della fabbricazione di gran parte dei moderni circuiti integrati e, quindi, di moltissimi processori e chip che utilizziamo ogni giorno.
Questo non significa che un chip fotonico sia identico a un normale microprocessore o che tutti i suoi componenti possano essere realizzati esclusivamente in silicio. Laser, amplificatori e rivelatori possono richiedere materiali differenti. La sfida consiste proprio nel riuscire a integrarli in un unico sistema in maniera efficiente e, soprattutto, producibile su larga scala.
È questa compatibilità con l’enorme ecosistema industriale costruito intorno ai semiconduttori a rendere la silicon photonics particolarmente interessante: la luce deve smettere di essere soltanto qualcosa che collega apparecchiature distanti e arrivare sempre più vicino al processore.
Una fibra, molti “colori” e terabit di dati
Uno dei concetti più importanti per capire il potenziale della fotonica è il Wavelength-Division Multiplexing, o WDM, una tecnologia che permette di utilizzare contemporaneamente diverse lunghezze d’onda della luce all’interno della stessa fibra.
Una fibra ottica, infatti, non deve necessariamente trasportare un solo flusso di informazioni. È possibile inviare contemporaneamente segnali luminosi con lunghezze d’onda differenti – che possiamo immaginare, semplificando, come diversi “colori” – e assegnare a ciascuno un canale di dati indipendente.
È un po’ come trasformare una singola strada in molte corsie sovrapposte.
Intel ne ha mostrato un esempio con il suo Optical Compute Interconnect chiplet. Un chiplet è un piccolo chip specializzato progettato per svolgere una determinata funzione e per essere poi assemblato insieme ad altri chiplet all’interno dello stesso sistema. In questo caso il componente di Intel si occupa delle comunicazioni ottiche.
Il prototipo utilizza otto lunghezze d’onda sulla stessa fibra e consente un trasferimento bidirezionale complessivo fino a 4 terabit al secondo. Il dispositivo integra circuiti fotonici, laser e amplificatori ottici insieme all’elettronica e può essere affiancato non soltanto a CPU, ma anche a GPU e altri acceleratori.
STMicroelectronics ha annunciato nel 2026 l’avvio della produzione in grandi volumi della propria piattaforma PIC100 su wafer da 300 millimetri. Un wafer è il sottile disco di materiale semiconduttore, generalmente silicio, sul quale vengono fabbricati contemporaneamente numerosi circuiti; al termine del processo viene tagliato per ricavare i singoli chip.
La tecnologia di ST è destinata proprio alle infrastrutture AI e supporta 200 Gbit/s per singolo canale di comunicazione, oltre a ricetrasmettitori da 800 Gbit/s e 1,6 Tbit/s. Un ricetrasmettitore, o transceiver, è il dispositivo che invia e riceve i dati e che, nei sistemi ottici, permette di convertire i segnali elettrici in luce e viceversa. L’azienda prevede inoltre di più che quadruplicare la capacità produttiva della piattaforma entro il 2027.
Sono numeri che aiutano a capire la velocità del cambiamento. Collegamenti da 100 Gbit/s, che fino a pochi anni fa rappresentavano capacità enormi, stanno lasciando spazio nei data center AI a interfacce da 800 Gbit/s e 1,6 Tbit/s. E la ricerca guarda già oltre.
Lo sviluppo del WDM e di sorgenti capaci di generare simultaneamente numerose lunghezze d’onda potrebbe consentire di aumentare ancora la quantità di dati trasferita senza dover moltiplicare allo stesso ritmo il numero delle fibre fisiche.
Portare l’ottica sempre più vicino alla GPU
La fotonica è già da anni presente nei data center. La vera trasformazione riguarda quindi il punto in cui avviene la conversione tra segnale elettrico e segnale ottico.
Nell’architettura tradizionale il processore invia elettricamente i dati attraverso la scheda fino a raggiungere un transceiver ottico installato ai bordi dello switch o del server. Solo a quel punto il segnale viene trasformato in luce e inviato attraverso la fibra.
Finché le velocità restavano relativamente contenute, questo tratto elettrico non rappresentava un problema insormontabile.
Con centinaia di gigabit al secondo per ogni canale, lo diventa.
Da qui nasce la corsa alle Co-Packaged Optics, o CPO. Per capirle bisogna prima chiarire cosa si intende per package: è la struttura che contiene e protegge uno o più chip e, soprattutto nelle architetture più avanzate, permette di collegarli elettricamente tra loro e con il resto del sistema.
Nelle Co-Packaged Optics i componenti che gestiscono la comunicazione ottica vengono collocati molto più vicino al chip che elabora o smista i dati, fino a essere integrati nello stesso package. Invece di far percorrere al segnale elettrico decine di centimetri su un circuito stampato ad altissima velocità, lo si converte in luce molto prima.
Riducendo la distanza percorsa elettricamente si possono ridurre anche parte delle perdite e dell’energia necessaria per mantenere integro il segnale.
La strada però va ancora oltre. Con l’Optical I/O, cioè input/output ottico, l’interfaccia fotonica può diventare un vero e proprio chiplet collocato accanto alla CPU o alla GPU, consentendo al sistema di comunicare direttamente attraverso collegamenti ottici.
La ricerca studia già architetture in cui i diversi componenti vengono collegati attraverso interposer, sottili strati intermedi che funzionano come una rete di collegamento tra più chip, oppure addirittura sovrapposti verticalmente attraverso tecniche di integrazione tridimensionale.
L’obiettivo è rendere l’interconnessione ottica una componente sempre più interna all’architettura del computer, anziché un semplice collegamento tra apparati separati.
È un cambiamento apparentemente tecnico, ma dalle conseguenze profonde. Portare l’ottica vicino al processore significa poter immaginare cluster nei quali memoria, acceleratori e altri componenti possano essere distribuiti fisicamente senza pagare lo stesso prezzo energetico e prestazionale imposto dalle connessioni elettriche.
La battaglia si gioca anche sui consumi
La banda, però, è soltanto metà del problema. L’altra è l’energia.
I data center AI stanno aumentando rapidamente la propria potenza elettrica e ogni watt utilizzato per spostare dati è un watt che non può essere utilizzato per eseguire calcoli. Inoltre l’energia consumata dall’elettronica si trasforma in calore, che deve a sua volta essere rimosso attraverso sistemi di raffreddamento.
Per questo nell’industria delle interconnessioni una delle metriche più importanti è il consumo espresso in joule per bit: indica quanta energia è necessaria per trasferire una determinata quantità di informazione.
Con l’aumento delle velocità, mantenere segnali elettrici affidabili richiede circuiti sempre più sofisticati. La fotonica può ridurre sensibilmente questo costo soprattutto sulle distanze in cui il rame comincia a perdere efficienza.
La ricerca sta quindi lavorando per integrare sempre più strettamente la silicon photonics con l’elettronica utilizzata per costruire i chip moderni. Alcune interconnessioni ottiche sperimentali si stanno avvicinando a consumi inferiori a un picojoule per bit. Un picojoule equivale a un millesimo di miliardesimo di joule: una quantità minuscola, ma che diventa significativa quando viene moltiplicata per gli enormi volumi di dati movimentati continuamente da un’infrastruttura AI.
I risultati, naturalmente, dipendono dall’architettura utilizzata e dal punto esatto del sistema in cui viene misurato il consumo. È qui che il tema assume una dimensione strategica per l’AI.
Un miglioramento apparentemente minuscolo nell’energia necessaria a trasferire un singolo bit va infatti moltiplicato per terabit al secondo, migliaia di collegamenti, migliaia di acceleratori e data center operativi ventiquattr’ore su ventiquattro. A quella scala, anche una piccola riduzione del consumo per bit può diventare rilevante.
Dalla ricerca alla produzione industriale
Fino a pochi anni fa la silicon photonics poteva apparire come una tecnologia promettente ma ancora relativamente di nicchia. La situazione sta cambiando rapidamente.
Secondo le stime pubblicate da LightCounting nel maggio 2026, questo dovrebbe essere il primo anno in cui i transceiver dotati di modulatori silicon photonics supereranno il 50% delle vendite di un mercato complessivo valutato intorno ai 40 miliardi di dollari.
La stessa società stima che il mercato dei chip ottici utilizzati nei transceiver, nei cavi ottici dotati di elettronica integrata e nelle nuove soluzioni che avvicinano l’ottica ai processori passerà da circa 4 miliardi di dollari nel 2025 a 15 miliardi nel 2031. Nel 2025 i chip silicon photonics rappresentavano circa un terzo di questo mercato; entro il 2031 potrebbero arrivare al 42%, per un valore di circa 6,3 miliardi di dollari. Il mercato complessivo delle soluzioni ottiche considerate da LightCounting potrebbe invece avvicinarsi agli 80 miliardi di dollari entro la stessa data.
Il dato forse più significativo, però, non riguarda soltanto le dimensioni del mercato. Riguarda la direzione che sta prendendo l’intera industria.
Le interconnessioni ottiche stanno infatti avanzando progressivamente verso l’interno dei sistemi di calcolo.
Oggi sono utilizzate soprattutto nelle reti scale-out, cioè quelle che collegano tra loro server e rack differenti per aumentare la capacità complessiva di un data center.
Il passo successivo è portarle sempre più nelle reti scale-up, che collegano in maniera estremamente veloce più GPU o acceleratori affinché possano comportarsi quasi come un unico grande sistema di calcolo.
Più avanti potrebbero raggiungere anche le connessioni scale-in, cioè quelle che mettono in comunicazione componenti ancora più vicini, fino ai diversi chip contenuti nello stesso sistema.
È questa prospettiva ad aver attirato nel settore aziende che fino a pochi anni fa non venivano associate direttamente alla fotonica. Accanto a Intel, Cisco e produttori specializzati compaiono oggi Broadcom, NVIDIA, TSMC, Samsung e STMicroelectronics.
Non stanno necessariamente scommettendo sull’idea di costruire un “computer fatto di luce”. La scommessa è più pragmatica: utilizzare i fotoni dove spostare enormi quantità di informazioni attraverso segnali elettrici sta diventando troppo costoso in termini di energia, spazio e complessità.
Dal data center al chip: il confine tra elettronica e fotonica si sposta
Per comprendere fino a che punto potrebbe arrivare questa trasformazione bisogna guardare alla struttura dei moderni processori.
Per molto tempo un processore è stato concepito soprattutto come un unico grande chip. Sempre più sistemi avanzati vengono invece realizzati assemblando chiplet, cioè piccoli chip specializzati che possono essere prodotti separatamente e successivamente collegati all’interno dello stesso package.
Un chiplet può occuparsi del calcolo, un altro della gestione della memoria, un altro ancora delle comunicazioni con il resto del sistema. Questo approccio consente di combinare componenti differenti senza dover costruire tutto su un unico enorme pezzo di silicio.
Ma crea anche un nuovo problema: tutti questi componenti devono comunicare tra loro.
Se la quantità di informazioni trasferite continua ad aumentare, le connessioni interne al package rischiano a loro volta di diventare un limite. È qui che emerge l’ipotesi più radicale dell’Optical I/O: non utilizzare la fotonica soltanto per collegare server o GPU differenti, ma portarla direttamente all’interno del sistema che contiene i chip.
La ricerca considera particolarmente promettente proprio la combinazione tra silicon photonics, elettronica tradizionale e tecniche di integrazione tridimensionale. L’obiettivo è costruire sistemi in cui circuiti elettronici e fotonici possano essere affiancati o persino sovrapposti, riducendo al minimo la distanza che i dati devono percorrere elettricamente.
A quel punto la distinzione tra “chip” e “rete” diventerebbe molto meno netta.
Un sistema di calcolo potrebbe essere progettato come un insieme di componenti distribuiti che comunicano attraverso collegamenti ottici ad altissima banda. Memoria e calcolo non dovrebbero necessariamente trovarsi a pochi millimetri di distanza soltanto per evitare il costo energetico delle interconnessioni.
È anche per questo che la silicon photonics interessa sempre più il mondo della cosiddetta memory disaggregation, cioè la possibilità di separare fisicamente parte della memoria dai singoli processori e trasformarla in una risorsa condivisa alla quale più acceleratori possono accedere quando necessario.
È ancora una prospettiva complessa e non priva di compromessi, soprattutto perché aumentando la distanza può aumentare anche il tempo necessario per raggiungere i dati. Ma mostra quanto il problema del loro movimento possa arrivare a modificare non solo i collegamenti, ma l’architettura stessa dei computer.
La silicon photonics non è una soluzione magica
La corsa verso la luce, però, incontra a sua volta diversi ostacoli.
Il primo riguarda il packaging, cioè l’insieme delle tecnologie utilizzate per assemblare, collegare e proteggere uno o più chip dopo la loro fabbricazione.
Produrre un circuito fotonico su un wafer, il sottile disco di silicio sul quale vengono realizzati contemporaneamente molti chip, è infatti soltanto una parte del problema. Il singolo circuito deve poi essere collegato con estrema precisione alle fibre ottiche, alimentato, controllato elettronicamente e integrato con laser, modulatori e dispositivi in grado di rilevare la luce.
Quando si parla di produrre milioni di unità, anche variazioni microscopiche nell’allineamento o nella fabbricazione possono aumentare il numero di componenti difettosi e quindi incidere direttamente sui costi.
La seconda difficoltà riguarda proprio i laser.
Il silicio è un materiale eccellente per costruire le minuscole strutture che guidano e manipolano la luce all’interno di un chip, ma non è altrettanto efficiente nel produrla. Per questo le sorgenti laser vengono spesso realizzate utilizzando materiali differenti, come l’indio fosfuro, e successivamente integrate con i circuiti in silicio.
È uno dei motivi per cui parlare di “silicon photonics” non significa necessariamente parlare di dispositivi composti esclusivamente di silicio. La direzione più promettente è piuttosto quella dell’integrazione di materiali differenti, scegliendo per ciascuna funzione quello con le caratteristiche migliori.
C’è poi il problema termico.
La fotonica può ridurre l’energia necessaria per trasportare i dati, ma viene contemporaneamente collocata sempre più vicino a GPU e acceleratori che producono enormi quantità di calore. Alcuni componenti ottici sono inoltre sensibili alle variazioni di temperatura e devono quindi essere controllati e regolati per continuare a funzionare correttamente.
La ricerca considera proprio gestione del calore e resa dei processi produttivi tra i principali ostacoli ancora da affrontare. La necessità di combinare densità di banda, consumi, temperatura, affidabilità e costi rende quindi la transizione molto più complessa di una semplice sostituzione del rame con la fibra.
Esiste anche una questione di manutenzione. Un modulo ottico tradizionale installato sul frontale di uno switch può essere rimosso e sostituito con relativa facilità. Se invece i componenti ottici vengono integrati direttamente all’interno dello switch o addirittura nello stesso package del processore, un loro guasto può coinvolgere una parte molto più costosa del sistema.
Per questo l’industria sta sperimentando diverse soluzioni intermedie, che differiscono soprattutto per la distanza tra il chip principale e il componente ottico. L’obiettivo è trovare il miglior compromesso tra prestazioni, consumi, costi, affidabilità e facilità di sostituzione.
Perché il prossimo salto dell’AI potrebbe dipendere dalla luce
Per buona parte dell’ultimo decennio la crescita dell’intelligenza artificiale è stata descritta attraverso un’equazione relativamente semplice: più dati, modelli più grandi e più capacità di calcolo.
Quell’equazione non è diventata falsa. Ma è diventata incompleta.
Una GPU può eseguire migliaia di miliardi di operazioni al secondo, ma per farlo deve essere continuamente alimentata con informazioni. Migliaia di GPU possono essere collegate nello stesso data center, ma diventano realmente utili soltanto se riescono a scambiarsi dati con sufficiente velocità. Aumentare ancora la potenza teorica dei processori senza aumentare proporzionalmente la capacità dell’infrastruttura che li collega produce rendimenti sempre più bassi.
Il problema fondamentale dell’AI sta quindi diventando anche un problema di logistica dell’informazione.
Bisogna portare il dato nel posto giusto, nel momento giusto, spendendo la minore quantità possibile di energia.
È questo che rende particolarmente interessante la silicon photonics.
Non perché sia destinata necessariamente a sostituire l’elettronica, ma perché potrebbe diventarne il complemento indispensabile. Gli elettroni continueranno a essere estremamente efficienti per eseguire operazioni e muovere informazioni sulle distanze più brevi. I fotoni possono invece diventare progressivamente più convenienti quando aumenta la distanza, la banda richiesta o il numero di componenti da collegare.
Le due tecnologie sono quindi destinate più probabilmente a convergere che a competere.
La ricerca più avanzata parla ormai di progettare elettronica e fotonica come parti di un unico sistema: processori, modulatori, laser, memoria, collegamenti e sistemi di assemblaggio pensati fin dall’inizio per funzionare insieme. Le interconnessioni ottiche più avanzate stanno già puntando verso consumi inferiori al picojoule per bit, mentre nuove tecnologie in grado di utilizzare numerose lunghezze d’onda contemporaneamente potrebbero aumentare ancora la quantità di informazioni trasferibile.
E il mercato sta cominciando a riflettere questa trasformazione. LightCounting prevede che già nel 2026 più della metà dei transceiver venduti utilizzerà modulatori silicon photonics e considera quella attuale soltanto la fase iniziale di una transizione che potrebbe portare le connessioni ottiche dalle reti dei data center fino all’interno dei sistemi che ospitano i processori.
Per questo il prossimo grande salto dell’intelligenza artificiale potrebbe non arrivare soltanto da una GPU più potente o da un modello con più parametri.
Potrebbe dipendere dalla capacità di risolvere un problema molto più elementare: come spostare tutti quei dati abbastanza velocemente da permettere ai chip di utilizzare davvero la potenza di calcolo che già possiedono.
E, almeno per una parte sempre maggiore di quel viaggio, il mezzo scelto potrebbe non essere più il rame, ma la luce.
Bibliografia
- Amir Gholami et al., “AI and Memory Wall”, IEEE Micro, vol. 44, n. 3, maggio-giugno 2024. DOI: 10.1109/MM.2024.3373763. Lo studio analizza la crescente distanza tra capacità di calcolo, banda della memoria DRAM e banda delle interconnessioni, individuando nella memoria uno dei principali colli di bottiglia delle applicazioni AI.
- Rajarshi Chowdhury, “I/O for LLM inference: a survey of storage and memory bottlenecks”, Artificial Intelligence Review, Springer Nature, 24 luglio 2026. DOI: 10.1007/s10462-026-11651-1. La review analizza il peso di model weight I/O, KV cache e activation I/O nell’inferenza dei grandi modelli linguistici.
- Byungsoo Kim et al., “Co-packaged optics for high-performance computing and artificial intelligence”, Nature Electronics, vol. 9, pp. 853-867, 19 agosto 2026. DOI: 10.1038/s41928-026-01681-6. La review esamina i limiti delle interconnessioni elettriche e la roadmap delle Co-Packaged Optics, dalle architetture 2D all’integrazione 2,5D e 3D.
- Yating Wan et al., “Integrating silicon photonics with complementary metal–oxide–semiconductor technologies”, Nature Reviews Electrical Engineering, vol. 3, pp. 15-31, 2026. La review approfondisce l’integrazione tra silicon photonics e tecnologie CMOS, con particolare attenzione a densità di banda, efficienza energetica, packaging, laser integrati e gestione termica.
- “Industry insight: photonics to scale AI data centers”, npj Nanophotonics, 2026. Approfondimento sulle tecnologie fotoniche per i data center AI, dalle Co-Packaged Optics agli Optical Circuit Switches, e sul loro possibile impiego a livello di package, rack e rete.
- Intel, “Intel Demonstrates First Fully Integrated Optical I/O Chiplet”, 2024. Intel presenta un chiplet Optical Compute Interconnect capace di raggiungere fino a 4 Tbit/s bidirezionali e di utilizzare otto lunghezze d’onda sulla stessa fibra, concepito per essere integrato con CPU, GPU e altri acceleratori.
- STMicroelectronics, “STMicroelectronics avvia la produzione in grandi volumi della sua piattaforma in silicon photonics […] a supporto della domanda di infrastruttura per intelligenza artificiale”, 9 marzo 2026. La società annuncia la produzione in grandi volumi della piattaforma PIC100 su wafer da 300 mm, utilizzata per ricetrasmettitori da 800G e 1,6T e destinata anche all’evoluzione verso NPO e CPO.
- NVIDIA, “Scaling Power-Efficient AI Factories with NVIDIA Spectrum-X Ethernet Photonics”, 6 gennaio 2026. Approfondimento tecnico sugli switch Spectrum-X basati su Co-Packaged Optics e silicon photonics: il modello SN6800 raggiunge 409,6 Tbit/s complessivi e NVIDIA dichiara una riduzione fino a cinque volte del consumo per porta da 1,6 Tbit/s rispetto alle soluzioni pluggable prese come riferimento.
- NVIDIA, “NVIDIA Vera Rubin Ramps Into Full Production to Power Agentic AI Factories Worldwide”, 31 maggio 2026. L’annuncio conferma l’ingresso in produzione di Spectrum-X Ethernet Photonics con Co-Packaged Optics e SerDes da 200 Gb/s per infrastrutture AI su scala molto elevata.
- LightCounting, “2026 Is the Year of Silicon Photonics and Indium Phosphide”, maggio 2026. Secondo le previsioni della società di analisi, nel 2026 i transceiver che utilizzano modulatori silicon photonics dovrebbero superare per la prima volta il 50% delle vendite di un mercato complessivo da circa 40 miliardi di dollari. LightCounting stima inoltre che il mercato dei chip ottici utilizzati in transceiver, AOC, LPO/LRO e NPO/CPO possa crescere da circa 4 miliardi di dollari nel 2025 a 15 miliardi nel 2031, con circa 6,3 miliardi riconducibili alla silicon photonics.
- LightCounting, “May 2026 Silicon Photonics, LPO/LRO and NPO/CPO”, maggio 2026. Report dedicato all’evoluzione delle tecnologie silicon photonics, InP, GaAs e nuovi materiali fotonici e alle previsioni 2026-2031 per transceiver, Active Optical Cables, Linear Pluggable Optics, Near-Packaged Optics e Co-Packaged Optics.
Partecipa alla community