光で計算するAIチップ：フォトニックコンピューティングが切り拓くポスト・ムーアの未来

はじめに — AIの電力危機と「光」という答え

2023年のGPT-4リリース以降、AIモデルの規模は想像を絶するスピードで拡大し続けている。GPT-4の学習には20,000個以上のNVIDIA GPUが必要とされ、後継モデルの要求はさらに桁違いになると予想されている。しかし、この「スケールアップ」の陰に、深刻な壁が立ちはだかっている。電力である。

一つの大規模言語モデルを学習させるには、数千戸の家庭が消費する年間電力に匹敵するエネルギーが必要だと言われている。実際、ChatGPTを稼働させるだけでも、毎日数十万キロワット時の電力が消費されていると試算されている。OpenAIのSam Altmanが最大7兆ドル（約1,000兆円）規模の資金調達で半導体供給拡大を目指し、OpenAIとMicrosoftが「Stargate」計画として1,000億ドル（約15兆円）規模のデータセンター建設を進めている事実は、事態の深刻さを象徴している。AIの進化を支えるインフラそのものが、電力という物理的な制約に直面しているのだ。

さらに根底にあるのは、ムーアの法則の終焉という構造的な問題である。半世紀にわたり半導体産業を牽引してきた「トランジスタを小さくすれば性能が上がる」という前提が、原子スケールの物理的限界に達しつつある。現在の先端プロセスは3ナノメートルを切り込み、シリコン原子わずか数個分の寸法に迫っている。微細化による効率向上という「お得意の手法」は、もう長くは続かない。デジタルチップは計算のたびに電荷をコンデンサに蓄えたり放出したりするスイッチングを1秒間に数十億回繰り返し、そのたびにジュール熱としてエネルギーが失われる。チップを大規模に並べれば、消費電力も比例して膨れ上がる。半導体の面積で価格が決まる業界の構造上、チップを大型化して性能を稼ぐアプローチもコスト高騰を招くだけだ。

行き詰まった電子計算に、一本の光明が差している。光（フォトン）で計算するというアプローチだ。

光は電子より速く、複数の波長を同時に使えるため並列処理に優れる。そして何より、移動する際にジュール熱を生まない。この物理特性を活かし、AI処理の核心である行列演算を光の干渉現象で実行する「フォトニックコンピューティング」が、ポスト・ムーア時代の切り札として急速に現実味を帯びている。MIT発のLightmatterは企業価値44億ドルの評価を得て商用製品を展開し、中国の上海交通大学と清華大学が共同開発したLightGenは200万個の光子ニューロンを備える完全光学式チップでNVIDIA A100の100倍という性能を示した。日本のNTTが提唱するIOWN構想も、光電融合技術による次世代インフラ実現に向けて世界的な注目を集めている。

本記事では、フォトニックコンピューティングがどのような原理で動くのか、主要プレイヤーの技術アプローチはどう違うのか、そして光と電子の「分業体制」がAIインフラをどう変革するのかを、具体的な技術仕様とともに解き明かす。ムーアの法則の終わりは、計算の歴史の終わりではない。むしろ、新しい光の時代の始まりである。

フォトニックコンピューティングとは？ — 光で行列計算をする仕組み

「光で計算する」と聞くと、何かSFのような響きがあるかもしれません。しかし、その原理は驚くほどエレガントです。ここでは、フォトニックコンピューティングの仕組みを、電子計算との比較から順を追って解説します。

電子と光 — 根本的な違い

従来のプロセッサ（GPUやTPU）は、電子の流れを使って計算を行います。電子は導線の中を移動し、トランジスタのスイッチングを通じて「0」と「1」のデジタル信号を処理します。この過程で、毎秒数十億回というスイッチングが行われ、そのたびにコンデンサへの電荷の蓄積と放出が繰り返されます。これがジュール熱となり、膨大なエネルギー消費の原因になります。

一方、光（フォトン）は導線を必要としません。光路（導波路）を通って進む光は、抵抗による発熱がほぼゼロです。より重要なのは、光が波としての性質を持つことです。波長（色）、振幅、位相という物理量を情報の担い手として使えるため、電子とは根本的に異なる計算パラダイムが可能になります。

光が計算において圧倒的な3つの利点

フォトニックコンピューティングが注目を集める理由は、光が持つ3つの物理的利点にあります。

① 超高速性 — 光は真空中で秒速約30万km、シリコン導波路内でもその数分の一の速度で伝播します。電子のドリフト速度（導線内での実効的な移動速度）と比較すると、計算の実行速度は約1,000倍に達します。

② 波長多重による並列処理 — 異なる波長の光は、同じ導波路を互いに干渉することなく同時に通過できます。これは、1本の光ファイバーで複数の「色」のデータを同時に流せることを意味します。チップ面積や消費電力を増やすことなく、計算密度を飛躍的に高められるのです。

③ 低消費電力 — 電子の移動に伴うジュール熱が発生しないため、同じ計算を実行するのに必要なエネルギーは劇的に少なくなります。ワットあたり数百TOPS（Trillion Operations Per Second）というエネルギー効率は、従来GPUの桁違いの向上です。

アナログ計算としての光 — 行列演算を「物理現象」で処理

ここが最も興味深いポイントです。光計算はアナログ計算であり、デジタル計算ではありません。つまり、0と1の離散的なスイッチングではなく、光の物理的な振る舞いそのものが計算結果になります。

ディープラーニングの核心は行列積（線形代数）です。ニューラルネットワークの各層で行われる処理は、本質的に「入力ベクトル × 重み行列」の計算です。驚くべきことに、光の干渉という物理現象は、この行列積を瞬時に、かつ光速で実行します。

デジタルチップが行列の各要素を1つずつ順番に掛け算して足し算するのに対し、光計算では光が干渉計を通過した瞬間に、行列演算の結果が出力として現れます。「計算している」のではなく、「光が自然にそう振る舞う」のです。

マッハ・ツェンダー干渉計（MZI） — 光の干渉で積和演算を実行

フォトニックコンピューティングの中核となるのがマッハ・ツェンダー干渉計（MZI: Mach-Zehnder Interferometer）です。MZIは、光を2つの経路に分割し、それぞれの光路長を微調整した後に再び合流させることで、光の干渉パターンを作り出します。

この「光路長の調整」が、ニューラルネットワークの重みパラメータに対応します。光路長を変えることで光の位相が変化し、合流時の干渉（強め合い・弱め合い）の度合いが変わります。この干渉の強弱が、まさに「掛け算」の結果を表しているのです。

複数のMZIを格子状（メッシュ）に配置すると、光が次々と干渉を繰り返しながら全体として1つの行列積を構成します。MITのShenらが2017年にNatureで発表したこのアーキテクチャは、現在の光ニューラルネットワークの理論的基盤となっています。

以下のフローチャートで、光計算の処理フロー全体を可視化しましょう。

flowchart LR
    A["入力データ\n（数値ベクトル）"] --> B["光変換\n（レーザー・モジュレータ）"]
    B --> C["MZI干渉計アレイ\n（行列積の実行）"]
    C --> D["光検出\n（フォトディテクタ）"]
    D --> E["出力\n（計算結果）"]

    B -->|"光路長で重みを表現"| C
    C -->|"干渉パターン＝積和演算結果"| D

    style A fill:#e1f5fe,stroke:#0288d1,stroke-width:2px
    style B fill:#fff3e0,stroke:#f57c00,stroke-width:2px
    style C fill:#fce4ec,stroke:#c62828,stroke-width:2px
    style D fill:#f3e5f5,stroke:#7b1fa2,stroke-width:2px
    style E fill:#e8f5e9,stroke:#388e3c,stroke-width:2px

処理の流れを順番に追ってみましょう。

1. 入力データ：AIモデルへの入力（画像のピクセル値やテキストの埋め込みベクトルなど）を数値ベクトルとして用意します
2. 光変換：レーザーと光モジュレータを使い、数値を光の強度（または位相）に変換します
3. MZI干渉計アレイ：光がMZIメッシュを通過する過程で、学習済みの重み行列との積が光の干渉として瞬時に計算されます
4. 光検出：フォトディテクタが出力光の強度を測定し、アナログ信号に変換します
5. 出力：得られた結果が次の層への入力として渡されます（非線形演算などは電子チップが担当）

ディープラーニングと光の干渉 — 絶妙の相性

なぜフォトニックコンピューティングがAIにこれほど適しているのか。答えは、ディープラーニングが行う計算の大部分が、光の干渉が最も得意とする行列積だからです。

現代のAIモデル — Transformer、CNN、拡散モデルを問わず — その計算の70〜90%以上は線形演算（行列積）です。残りの非線形演算（活性化関数など）は、電子チップが担当すればよい。これが、「光が得意なことは光に、電子が得意なことは電子に」というハイブリッド・アーキテクチャの設計思想につながります。

光計算は「汎用プロセッサの代替」ではありません。しかし、AI推論という特定のユースケースにおいては、シリコンの物理的限界を突破する最も有力なアプローチなのです。

主要プレイヤー比較 — Lightmatter・LightGen・NTT IOWN

フォトニックコンピューティング分野は2026年、大きく3つの潮流に分かれて激動期を迎えています。米国の商用化最前線、中国の基礎研究の飛躍、そして日本のインフラ構想――それぞれのアプローチを詳しく見ていきましょう。

Lightmatter（米国・MIT発）：商用化の先行者

MITからスピンアウトしたLightmatterは、シリコンフォトニクスAIチップの商用化で世界をリードしています。2024年10月にシリーズDで4億ドルを調達し、企業価値は44億ドルに達しました。GlobalFoundriesとの量産提携も発表しており、量産体制の構築を急いでいます。

同社の強みは3つの製品で構成される統合プラットフォームにあります。Enviseは光AI推論アクセラレータで、16チップ搭載の4Uサーバー「Envise 4S」が既に商用化されています。Passageはウエファースケールの光インターコネクトで、最大48個のコンピュートダイを搭載可能し、競合の8〜10倍のデータ転送速度を実現します。そしてIdiomというソフトウェアスタックが、既存のAIモデルを変更なしで実行できる環境を提供します。

技術面では「光が得意な線形演算を光で、電子が得意な非線形演算を電子で」というハイブリッド方式を採用。独自の「Adaptive Block Floating Point 16」により、アナログチップでありながら32ビットデジタルに近い精度を実現し、実用性の壁を突破しました。

LightGen（中国・上海交大×清華大）：完全光学式の飛躍

上海交通大学と清華大学の共同研究チームが開発したLightGenは、フォトニックコンピューティングの究極の目標である「完全光学式（オール・フォトニック）」アプローチを採用しています。200万個の光子ニューロンを備え、NVIDIA A100 GPU比で100倍の処理速度を達成しました。

Lightmatterが光と電子のハイブリッドで実用性を優先するのに対し、LightGenは可能な限り電子変換を排除する路線をとっています。理論上の性能上限はハイブリッド方式を凌駕しますが、安定した論理演算の実現や製造プロセスの確立など、実用化に向けた課題も残されています。それでも、基礎研究の段階でこの性能指標を示したことは、完全光学式アーキテクチャの潜在的な優位性を強く示唆しています。

NTT IOWN（日本）：光電融合でインフラを変える

NTTが推進するIOWN（Innovative Optical and Wireless Network）構想は、計算と通信の両方を光で統合する次世代インフラビジョンです。特定のチップ製品ではなく、データセンター全体から通信網までを光電融合技術で再構築するという、よりマクロな視点でのアプローチが特徴です。

日本の光技術は素材・デバイスレベルでも世界をリードしており、IOWN構想を通じてその強みが発揮されています。国内では石狩データセンターコンソーシアムのような、再生可能エネルギーとIOWN光技術を組み合わせた国産AIインフラの構築にもつながっています。

その他の注目プレイヤー

Salience Labs（英国・オックスフォード大学発）は、高周波数の光変調を活用したコンパクトなフォトニックAIチップを開発中です。Photonic Inc.（カナダ）は、シリコンスピンキュービットと光フォトニックインターコネクトを融合する独自の技術で、量子計算と光通信の架け橋を目指しています。

主要プレイヤー比較表

この比較から見えてくるのは、フォトニックコンピューティングが単一の正解を持たないということです。Lightmatterの実用性重視のハイブリッド方式が短期の商用化をリードする一方、LightGenの完全光学式は長期的な性能上限の可能性を示しています。そしてNTT IOWNは、チップレベルの革新をデータセンター全体のインフラ変革へとつなげる日本独自の立ち位置を確立しています。

ハイブリッド・アーキテクチャの革新 — 光と電子の「分業体制」

「光で計算する」と聞くと、すべての処理を光で行う「完全光学式コンピューター」を想像するかもしれない。しかし、2026年に商用化が進むフォトニックAIチップの主流アプローチは、光と電子を組み合わせたハイブリッド・アーキテクチャだ。なぜ「完全に光」ではなく「ハイブリッド」なのか？ その答えは、光と電子それぞれの「得意・不得意」にある。

光と電子、それぞれの役割分担

ディープラーニングの計算を分解すると、大きく分けて線形演算（足し算・掛け算の繰り返し＝行列積）と非線形演算（活性化関数など）の2種類がある。光が圧倒的な威力を発揮するのは前者、電子が不可欠なのは後者だ。

graph TB
    subgraph 光が担当["💡 光（フォトニックエンジン）"]
        A1["行列演算<br/>（線形代数）"]
        A2["高速データ転送"]
        A3["波長多重による並列処理"]
        A4["低消費電力での大規模計算"]
    end

    subgraph 電子が担当["⚡ 電子（デジタルチップ）"]
        B1["非線形演算<br/>（活性化関数など）"]
        B2["条件分岐・論理演算"]
        B3["メモリ機能・データ保持"]
        B4["精密な数値制御"]
    end

    subgraph 協調動作["🔄 ハイブリッド統合"]
        C1["入力データ → 光変換"]
        C2["光による行列積演算（光速）"]
        C3["光検出 → 電子へ"]
        C4["非線形演算・制御（電子）"]
        C5["結果出力"]

        C1 --> C2 --> C3 --> C4 --> C5
    end

    光が担当 --> 協調動作
    電子が担当 --> 協調動作

両者の役割分担を整理すると以下のようになる。

Lightmatterの設計思想はシンプルだ。「光には光の得意なことを、電子には電子の得意なことをやらせる」。行列積のような単純な繰り返し計算は光で光速で処理し、活性化関数のような複雑な非線形処理やデータの一時保持は電子チップに任せる。これがハイブリッド・アーキテクチャの中核である。

精度の壁を突破した「Adaptive Block Floating Point 16」

光コンピューティングが直面した最大の課題は精度だった。光はアナログ計算を行うため、微細なノイズが演算結果に影響を与える。ディープラーニングのモデルは通常32ビット浮動小数点（FP32）で訓練されており、アナログ計算の精度不足は致命的な問題に思えた。

Lightmatterはこの壁を「Adaptive Block Floating Point 16（ABFP-16）」という独自の数値表現で突破した。これは、数値をブロック単位で管理し、各ブロックのスケールを動的に調整することで、アナログ計算の弱点である精度のばらつきを抑制する仕組みだ。結果として、アナログチップでありながら32ビットデジタルチップに匹敵する精度を実現している。

既存モデルを「そのまま」動かせる実用性

精度問題の解決が意味するのは、単に「正確に計算できる」ということだけではない。もっと重要な実用上のメリットがある。既存のAIモデルを変更なしでそのまま実行できるということだ。

Lightmatterのソフトウェアスタック「Idiom」は、PyTorchやTensorFlowで訓練されたモデルをそのままフォトニックチップで実行できる。モデルの再学習も、特殊な変換も不要だ。DeepMindのAtariゲームAIや小型のGPTモデルが、変更なしで光チップ上で動作することが実証されている。

これは企業にとって決定的な意味を持つ。これまで何億円もかけて訓練したモデル資産を捨てることなく、ハードウェアだけを置き換えられるのだ。

コンピューティングの「再定義」：汎用から特化へ

ハイブリッド・アーキテクチャは、コンピューティングの根本的な考え方を変えつつある。従来のCPUやGPUは「何でもできる汎用プロセッサ」を目指してきた。しかし、フォトニックAIチップは違う。「AIの計算に最適化された特化型アーキテクチャ」である。

これは自動車産業で例えれば、汎用エンジンからF1マシンのエンジンへの転換に似ている。F1エンジンは一般道路では使えないが、サーキットでは圧倒的な性能を発揮する。同様に、フォトニックチップはAIの行列演算という「サーキット」において、従来のGPUを桁違いで凌駕する。

将来のコンピューティング・インフラは、タスクごとに最適な計算方式を選ぶ「異種混成（heterogeneous）アーキテクチャ」へと進化していく。AIの線形演算は光、論理制御は電子、長期記憶はDRAM、通信は光インターコネクト——それぞれの得意分野を組み合わせた「分業体制」こそが、ポスト・ムーア時代の計算パラダイムとなる。

インターコネクト革命 — チップ間通信のボトルネックを光で解く

AIモデルの学習において、最大のボトルネックは計算そのものではないかもしれません。実は、GPU間のデータ転送なのです。

GPT-4の学習に20,000個以上のGPUが使われたことを考えれば、その規模感が見えてきます。数千〜数万のGPUが協調して動くとき、各GPUは他のGPUの計算結果を待ちながらデータをやり取りします。この「チップ間通信」の遅延が、AI学習の全体スループットを決定づける最大の要因になっています。

従来のインターコネクトが抱える根本的な問題

現在のデータセンターでは、GPU間の通信はこういう経路をたどります。

1. GPU内部の電気信号を、チップ外の銅配線へ出力
2. 銅配線から基板、さらにネットワークスイッチへ（すべて電気信号）
3. ラック間通信では電気信号を光ファイバー用の光信号に変換
4. 受信側で光信号をまた電気信号に戻す
5. 最終的にGPUが処理

この「電気 → 光 → 電気」の変換が、毎回レイテンシと電力オーバーヘッドを生み出します。しかも、階層型のスイッチング・ファブリック（InfiniBandやイーサネット・スイッチの多段接続）は、スケールアウトするほどレイテンシが累積し、トポロジーも複雑化します。

graph TB
    subgraph 従来["従来の階層型スイッチング"]
        GPU1[GPU 1] --> Sw1[スイッチ Layer 1]
        GPU2[GPU 2] --> Sw1
        Sw1 --> E/O1[電気→光 変換]
        E/O1 --> Fiber1[光ファイバー]
        Fiber1 --> O/E1[光→電気 変換]
        O/E1 --> Sw2[スイッチ Layer 2]
        Sw2 --> E/O2[電気→光 変換]
        E/O2 --> Fiber2[光ファイバー]
        Fiber2 --> O/E2[光→電気 変換]
        O/E2 --> Sw3[スイッチ Layer 3]
        Sw3 --> GPU3[GPU N-1]
        Sw3 --> GPU4[GPU N]
    end

    style E/O1 fill:#ff6b6b,color:#fff
    style O/E1 fill:#ff6b6b,color:#fff
    style E/O2 fill:#ff6b6b,color:#fff
    style O/E2 fill:#ff6b6b,color:#fff
    style Sw1 fill:#ffa94d,color:#fff
    style Sw2 fill:#ffa94d,color:#fff
    style Sw3 fill:#ffa94d,color:#fff

上図の赤い箇所（信号変換）とオレンジの箇所（スイッチング）が、それぞれレイテンシと電力消費を積み重ねる犯人です。GPUの数が増えれば増えるほど、この階層は深くなり、ボトルネックは悪化します。

Lightmatter Passage: 光の「直通通路」が変換を消し去る

Lightmatterが開発したPassageは、この問題に根本から切り込みます。

Passageはウエファースケールの光インターコネクト・インターポーザです。最大48個のコンピュートダイ（チップ）を同一のシリコン・インターポーザ上に搭載し、チップ間を直接光リンクで接続します。電気→光→電気の変換ステップをスキップし、光の経路がそのままチップ間の「直通通路」として機能します。

graph TB
    subgraph Passage["Lightmatter Passage: フラットな光接続"]
        PGPU1[ダイ 1] <-.->|光リンク| PGPU2[ダイ 2]
        PGPU2 <-.->|光リンク| PGPU3[ダイ 3]
        PGPU3 <-.->|光リンク| PGPU4[ダイ 4]
        PGPU1 <-.->|光リンク| PGPU3
        PGPU2 <-.->|光リンク| PGPU4
        PGPU1 <-.->|光リンク| PGPU4
        PGPU3 <-.->|光リンク| PGPU5[ダイ 5]
        PGPU5 <-.->|光リンク| PGPU6[ダイ N]
    end

    style PGPU1 fill:#4dabf7,color:#fff
    style PGPU2 fill:#4dabf7,color:#fff
    style PGPU3 fill:#4dabf7,color:#fff
    style PGPU4 fill:#4dabf7,color:#fff
    style PGPU5 fill:#4dabf7,color:#fff
    style PGPU6 fill:#4dabf7,color:#fff

Passageがもたらす主なメリットは以下の通りです。

• 帯域幅: 従来の電気インターコネクト比較で約100倍の帯域幅を確保
• レイテンシ: 変換ステップと多段スイッチングが不要になり、劇的に低遅延
• スケーラビリティ: ウェハースケール・インターポーザ上で最大48ダイをフラットに接続。さらに複数Passageを光リンクで束ねることで、階層スイッチなしに大規模システムを構築可能
• 省電力: 電気配線のジュール熱損失と信号変換のオーバーヘッドを削減

LightmatterはPassage製品の2026年提供開始を予定しており、将来的には100万GPU規模の並行実行が可能になるとしています。これは、現在の最大規模クラスター（数万GPU）を1〜2桁上回るスケールです。

NVIDIA NVLink-C2Cとの対比

NVIDIAもインターコネクトの重要性を認識しており、NVLink-C2C（Chip-to-Chip）技術で対抗しています。NVLink-C2Cはチップレット間を高速な電気インターコネクトで接続する技術で、Grace Hopperスーパーチップなどで採用されています。

NVIDIAの強みは実績とエコシステムです。CUDAをはじめとするソフトウェアスタックと、Grace Hopper/Blackwell等の製品群で、現在世界のAI学習インフラを支配しています。一方、Lightmatter Passageは物理層での圧倒的な優位性（光の帯域幅・低消費電力）を武器に、ポスト・ムーア時代のインターコネクト標準を狙っています。

重要なのは、これは「NVIDIA vs Lightmatter」という零和ゲームではないということです。NVIDIA自身もシリコンフォトニクスの研究に投資しており、将来的には光インターコネクトを自社プラットフォームに取り込む可能性があります。むしろ、インターコネクトの主戦場が「電気から光」へ移行するというパラダイムシフトそのものが、2026年の最大の見どころです。

AIモデルの規模が拡大し続ける限り、チップ間通信のボトルネックは深刻化します。光インターコネクトは、このボトルネックを物理的に解消する——それが「フォトニック・コンピューティング」がAIインフラにもたらす、もう一つの革命なのです。

光計算が変えるAIインフラの未来 — エッジAIからデータセンターまで

フォトニックコンピューティングの真価は、単一チップの性能向上にとどまりません。この技術がAIインフラ全体をどう再構築するのか——データセンター、エッジデバイス、そして分散推論の3つのレイヤーから展望します。

データセンター革命：電力の壁を「光」で突破する

現在のAIデータセンターは、消費電力という致命的な制約に直面しています。GPT-4クラスのモデル学習には20,000個以上のGPUが必要とされ、巨大なデータセンターの消費電力は一つの発電所に匹敵します。OpenAIとMicrosoftが計画する「Stargate」データセンターは、1,000億ドル（約15兆円）の投資規模ながら、電力確保が最大の障壁とされています。

光計算は、この電力問題に対して根本的な解決策を提示します。Lightmatterのフォトニックエンジンは、ワットあたり数百TOPS（Trillion Operations Per Second）というエネルギー効率を実現しており、従来GPU比で劇的な消費電力削減が可能です。行列演算を光の干渉で物理的に処理するため、電子の移動に伴うジュール熱が発生しません。これにより、冷却インフラの負荷も大幅に軽減されます。

さらに、学習時間の短縮効果も無視できません。LightGenが示した「A100比100倍高速」という指標は、大規模モデルの学習サイクルを数週間から数日へと圧縮する可能性を示唆しています。イテレーション速度が上がれば、モデル開発そのものの加速度的な高速化が期待できます。

エッジAIへの波及：小型・低電力が可能にする「現場のAI」

光計算の恩恵はデータセンターにとどまりません。最大の波及効果の一つは、エッジAIの進化です。

現在、大規模言語モデル（LLM）の推論をエッジデバイスで実行するには、消費電力と発熱が大きな障壁です。スマートフォンやIoTデバイスのバッテリーでは、実用的な規模のモデルを動かすことが困難です。しかし、光計算チップは本質的に低消費電力であり、かつ波長多重を利用した高密度な並列処理が可能です。これは、小型フォームファクターのまま大規模推論を実行できることを意味します。

この方向性は、RISC-Vが切り拓く半導体の新時代で述べたオープンアーキテクチャの潮流と重なります。命令セットの自由度を活かしたカスタム設計と、光計算の省電力性が組み合わされば、特定のAIワークロードに最適化されたエッジチップが現実のものになります。RISC-Vの柔軟な拡張性とフォトニックエンジンの組み合わせは、エッジAIハードウェアの新たな設計パラダイムを切り拓くでしょう。

分散推論との相性：光インターコネクトが繋ぐ「仮想スーパーチップ」

光計算のもう一つの重要な側面は、光インターコネクトによる分散推論の飛躍的向上です。

AIモデルの規模が単一チップの容量を超える中、モデルを複数のGPUに分割して実行する「分散推論」が標準化しつつあります。しかし、従来の電気信号ベースの接続では、チップ間通信のレイテンシと帯域幅が大きなボトルネックになります。電気信号を光に変換し、また電気に戻すオーバーヘッドが性能を食いつぶしているのです。

LightmatterのPassage光インターコネクトは、この変換オーバーヘッドを排除し、チップ間を直接光リンクで接続します。通常の100倍の帯域幅により、地理的に分散したGPU群をあたかも一つの巨大なチップのように協調動作させることが可能になります。2026年には100万GPU規模の並行実行も視野に入っており、分散推論アーキテクチャの設計思想そのものを変革する可能性を秘めています。

また、メモリ供給の制約という現実的な課題に対しても、光インターコネクトは新しいアプローチを提供します。DRAM高騰の波が示すように、メモリの物理的・経済的制約がAIインフラの成長を阻んでいる中、光インターコネクトによる高速なデータ共有は、メモリ容量の制約をネットワーク帯域で補う設計を可能にします。

日本のAIインフラ戦略における位置づけ

日本はフォトニックコンピューティングの文脈で独自の強みを持っています。NTTのIOWN（Innovative Optical and Wireless Network）構想は、光電融合技術による次世代インフラの実現を掲げ、世界的に注目を集めています。

IOWNが目指すのは、処理だけでなく通信・端末まで含めた全体の光電融合です。日本の素材・デバイス技術の蓄積——特にシリコンフォトニクスの材料開発や精密な光デバイス製造——は、光計算チップの量産化において重要な役割を果たす可能性があります。石狩データセンターコンソーシアムのような再エネ×光技術の実証プロジェクトも、日本独自のAIインフラモデルを形作りつつあります。

今後3〜5年の技術ロードマップ

短期的には、光インターコネクトの商用化が最も現実的な変化をもたらします。LightmatterのPassageは2026年に提供開始予定であり、ハイパースケーラーによる早期導入が期待されます。これは既存のGPUアーキテクチャを前提とした増分的な改善ですが、データセンターの通信帯域を根本から引き上げる効果があります。

中期的には、光AIアクセラレータの本格採用が進むでしょう。Enviseに代表されるハイブリッド型フォトニックチップが、特定の推論ワークロードでGPUを補完・代替し始めます。特に行列演算が支配的な大規模Transformerモデルの推論において、光計算の優位性が明確になるフェーズです。

長期的には、完全光学式アーキテクチャの実用化という野心的な目標が見えてきます。LightGenの「200万個の光子ニューロン」という仕様は、完全光学式がまだ研究段階とはいえ、技術的な到達点を示しています。3〜5年のスパンでは、論理演算の処理方式、パッケージングコストの低減、歩留まりの改善という課題を一つずつ解決しながら、光と電子の最適な協調形态が模索されていくでしょう。

重要なのは、光計算が既存の電子式コンピューティングを完全に置き換えるのではないという点です。むしろ、計算タスクの性質に応じて光と電子を使い分ける——真のハイブリッド・コンピューティング時代の到来を告げています。AIインフラの設計者は今、「どの計算を光に任せるか」という問いに向き合い始める必要があります。

よくある質問（FAQ）

Q: フォトニックコンピューティングとは？

フォトニックコンピューティング（光計算）とは、電子の代わりに光（フォトン）を情報の担い手として用いて計算を行う技術です。特にAI処理の中核である行列演算（線形代数）を、マッハ・ツェンダー干渉計（MZI）などの光干渉素子を用いて光速で実行します。光は電子と異なりジュール熱が発生しにくく、異なる波長を同時に使えるため、超高速かつ低消費電力での並列処理が可能です。簡単に言えば、「電気で計算する時代から、光で計算する時代への転換」がフォトニックコンピューティングの本質です。

Q: 従来のGPUとどう違う？

最大の違いは計算の物理的メカニズムにあります。GPUは電子のスイッチング（オン・オフ）でデジタル計算を行いますが、フォトニックチップは光の干渉パターンそのものが計算結果になります。これにより、同じ行列積を従来のGPUより最大1,000倍高速に処理できます。ただし、光は論理演算や条件分岐が苦手なため、現在の実用製品の多くは「光で行列演算、電子で論理演算」というハイブリッド方式を採用しています。つまりGPUを完全に置き換えるのではなく、得意分野を分担する関係と言えます。

Q: いつ実用化される？

実用化は予想より近く進んでいます。Lightmatterはすでに光AI推論アクセラレータ「Envise」を商用化し、2026年には光インターコネクト「Passage」の提供開始を予定しています。中国のLightGenは完全光学式AIチップでNVIDIA A100比100倍の性能を実証しました。また、NTTのIOWN構想も段階的に成果を出しており、2025年〜2030年がフォトニックコンピューティングの本格的商用化フェーズと見られています。

Q: 日本の企業は関わっている？

はい、日本は光技術の世界的なリーダーとして重要な役割を果たしています。NTTのIOWN（Innovative Optical and Wireless Network）構想は、光電融合技術による次世代インフラの実現を掲げ、グローバルな標準化を牽引しています。また、石狩データセンターコンソーシアムでは、再エネとIOWN光技術を組み合わせた持続可能なAIインフラ構築が進められています。シリコンフォトニクスの材料・デバイス技術においても、日本企業は世界トップクラスの競争力を持っています。

Q: 光コンピューティングの課題は？

技術的な強みを持つ一方で、いくつかの課題も存在します。第一に、光デバイスのパッケージングコストと製造の複雑性です。半導体チップに光ファイバーを高精度に接合する工程は歩留まりの課題があります。第二に、アナログ計算であるため精度の確保が難しく、Lightmatterは「Adaptive Block Floating Point 16」という独自の数値形式でこれを克服しました。第三に、論理演算やメモリ機能を持たないため、完全光学式では汎用計算が困難です。これらの課題に対しては、光と電子のハイブリッド方式で段階的に解決していくアプローチが主流となっています。

まとめ — ポスト・ムーア時代を「光」で生きる

フォトニックコンピューティングは、単なる技術進化の延长線上にあるのではなく、計算のパラダイムそのものを変える転換点です。本記事の重要ポイントを3つにまとめます。

1. 光計算はAI推論の電力問題に対する根本的な解決策

AIモデルの規模拡大に伴い、従来のGPUアーキテクチャでは消費電力と発熱が限界に達しつつあります。フォトニックチップは光の物理特性を利用するため、ジュール熱の発生を抑えつつ、行列演算を光速で実行できます。これは「より速く、より省電力に」という摩訶不思議なトレードオフを両立するアプローチです。

2. ハイブリッド・アーキテクチャが実用化の鍵

完全に光で全てを計算するのではなく、光が得意な行列演算と電子が得意な論理演算を分担させる設計思想が、商用化を加速させています。Lightmatterの「Adaptive Block Floating Point 16」が示したように、既存のAIモデルをそのまま実行できる実用性こそが、普及の前提条件となります。これはオープンなアーキテクチャで新時代を切り拓くRISC-Vの思想とも共通する、「多様な技術の協調」という流れの一部です。

3. 2026年は光インターコネクト商用化の節目

LightmatterのPassage製品が2026年に提供開始予定であることは、大きな意味を持ちます。チップ間通信のボトルネックを光で解消すれば、100万GPU規模の並行実行も現実味を帯びてきます。これは、DRAM高騰や供給制約といった半導体サプライチェーンの制約に対する一つの回答にもなります。

読者への次のアクション提案

• Lightmatter・NTT IOWNの動向を注視する: 光インターコネクトと光推論チップの商用化スケジュールを把握し、自社のAIインフラ戦略への影響を評価しましょう。
• エッジAIでの光チップ応用を探る: 低消費電力・小型化という特性は、エッジデバイスでの大規模推論に新たな可能性をもたらします。
• 自身のAIインフラ戦略に光計算を組み込む: ハイブリッド・アーキテクチャの選択肢として、フォトニックコンピューティングを中長期的なロードマップに位置づけることをお勧めします。

ポスト・ムーアの時代は、より多様な技術が協調する時代でもあります。光という物理現象を計算に使い始めた人類は、電子の壁を越えて、次の計算パラダイムへと踏み出しています。その波に乗るか、見送るか——選択の時はすでに来ています。

関連記事

• 光で計算するAIチップ：フォトニックプロセッサが切り拓くポスト・ムーア時代のコンピューティング
• ニューロモルフィックチップが変えるエッジAIの未来：脳型シリコンの産業化