Een ring van glasvezel en de gok op analoge hardware

De kern van rekenen voor kunstmatige intelligentie blijft energie-efficiëntie. Optische hardware belooft al lang snelheid en een laag verbruik, maar loopt tegen een oud obstakel aan: backpropagation van de fout uitvoeren op analoge componenten is lastig. Een studie die op 5 november 2026 in Nature Computational Science verscheen, van een groep onder leiding van universitair hoofddocent Kohei Nakajima van de Universiteit van Tokio, stelt een alternatief voor. Volgens de auteurs heeft de methode, SS-DFA (state-skipping direct feedback alignment) genoemd, geen toegang nodig tot de tussentoestanden van het fysieke systeem om de fout door te geven. Ze wordt gecombineerd met een architectuur met één enkele map, waarin veel eenheden algemene regels volgen in plaats van complexe verbindingen. Zoals promovendus Yongbo Zhang het zei: het doel was het leerproces zelf te herdenken, in plaats van steeds grotere en ingewikkeldere modellen te blijven bouwen.

Voor de fysieke demonstratie wordt een opto-elektronisch circuit gebruikt. De informatie wordt omgezet in een lichtsignaal, verwerkt langs een glasvezelring van tweehonderd meter en met een minimum aan elektronische componenten weer omgezet in een elektrisch signaal. Volgens het persbericht van de universiteit evenaarde het vereenvoudigde ontwerp in simulaties en in het optische experiment complexere neurale architecturen, en overtrof het die in sommige tests, met veel minder rekenwerk. Het persbericht noemt geen cijfers of benchmarks. De samenvatting van de preprint die in januari 2026 verscheen, onder een andere titel dan de definitieve, meldde een vermindering van ongeveer 40% aan rekenkracht, bij betere prestaties, wanneer het schema in moderne architecturen wordt ingebouwd. Het persbericht preciseert dat het om ‘relatief eenvoudige’ architecturen gaat. De gepubliceerde versie kan andere cijfers bevatten.

De werkelijke gevolgen voor energie, koeling en waterverbruik van datacenters worden in het persbericht alleen als mogelijkheid gepresenteerd en zijn in de studie niet gemeten. Bovendien heeft de techniek op dit moment duidelijke grenzen. Kohei Nakajima zelf gaf aan dat het schema nog niet is getest op de grootste modellen, met name taalmodellen en multimodale modellen, en dat er vóór praktisch gebruik meer werk nodig is aan miniaturisering, stabiliteit en productie op grote schaal.

Het idee om een signaal te laten rekenen over tweehonderd meter glasvezel heeft een onmiskenbare elegantie, maar de afstand tussen een demonstratie in het lab en wat datacenters in de praktijk nodig hebben, blijft groot. De complexiteit van het model terugbrengen is een interessante conceptuele poging, zolang we een theoretische mogelijkheid niet verwarren met een efficiëntie die al in de praktijk is gemeten. — Olya