Q.ANT spouští pilotní provoz fotonického hardwaru pro AI na bare-metal serverech IONOS

Společnost Q.ANT oznámila 9. listopadu 2026, že vybraní žadatelé budou moci v rámci bezplatného pilotního programu v uzavřené betaverzi testovat vlastní úlohy AI na jejím fotonickém procesoru druhé generace prostřednictvím dedikovaných bare-metal serverů IONOS v Německu. Cílem programu je najít komerční využití této technologie.

Program je určen pouze účastníkům, kteří mají konkrétní případ použití a dostatečné odborné znalosti k samostatné správě bare-metal serveru. IONOS každý systém zprovozňuje ručně; k dispozici je přístup root přes SSH a volitelně také konzole KVM. V dokumentaci k pilotnímu programu se uvádí, že německý hosting s certifikací ISO 27001 splňuje požadavky režimu ochrany osobních údajů GDPR a zůstává pod jurisdikcí EU.

Od simulace k fyzickému fotonickému hardwaru

Pilotní program navazuje na vývojovou cestu, kterou společnost Q.ANT zahájila 23. září 2026 vydáním svého open-source vývojového balíčku. Toto vydání obsahovalo programovací rozhraní pro jazyky C a Python, ukázkové aplikace, dokumentaci a simulační backend využívající CPU. Nový program umožňuje schváleným uživatelům převést tyto aplikace na fyzické jednotky Native Processing Units (NPU). Q.ANT poskytuje ovladače, svůj softwarový zásobník a integraci s PyTorch; kompatibilita s modely a frameworky se stanovuje během úvodního zaškolení.

NPU provádí nelineární funkce přímo v optické oblasti, místo aby je rozkládala na dlouhé sekvence digitálních kroků na běžných čipech založených na tranzistorech. Q.ANT uvádí, že tento přístup může přinést srovnatelné nebo lepší výsledky při menším počtu parametrů a operací a s nižšími nároky na zdroje. Mezi přijímané úlohy patří průmyslové počítačové vidění, předpovídání časových řad, vědecké simulace a robotika, ale také inference velkých jazykových modelů a základních modelů, fyzická AI a modely světa.

Na stránce pilotního programu Q.ANT uvádí, že při zachování stejné přesnosti vyžaduje zpracování obrazu o 40 % méně parametrů a predikce časových řad o 65 % méně. Uzavřená betaverze má ověřit tyto výsledky na vlastních datech a softwaru uživatelů. Široká škála úloh umožní společnosti Q.ANT zjistit, kde je optické nelineární zpracování užitečné i mimo její dosavadní výzkumné nasazení.

Strukturované vyhodnocení pro komerční využití

Po posouzení žádosti a videohovoru účastníci obdrží návody, ukázky kódu a dokumentaci. Následují kontroly jejich úloh a případné úpravy zaměření testování. Závěrečný workshop se věnuje ukazatelům spotřeby energie a výkonu, vhodnosti pro produkční nasazení a případné další fázi. Účastníkům zůstává vlastnictví jejich úloh, dat i výsledků, které jsou důvěrné; do vývoje procesoru a platformy se promítají pouze souhrnné, anonymizované poznatky z diskusí.

Pilotní program navazuje na obchodní dohodu z 19. května 2026, díky níž se IONOS stal prvním komerčním zákazníkem serveru Native Processing Server společnosti Q.ANT. Q.ANT představuje NPU jako koprocesor pro konkrétní úlohy AI, který doplňuje CPU a GPU, nikoli jako jejich plošnou náhradu. Uzavřená betaverze tak rozšiřuje stávající obchodní vztah o vyhodnocení prováděné zákazníky, místo aby samotné partnerství teprve zahajovala.

Nezávislé testy ukazují přínosy i omezení

Vyhodnocení z 21. dubna 2026, které provedlo Leibnizovo superpočítačové centrum, nabízí samostatný srovnávací bod. LRZ testovalo obě generace NPU při úlohách AI a vysoce výkonného počítání (HPC) a uvedlo, že čipy druhé generace byly v nejlepším případě až 50krát rychlejší. Při rozpoznávání obrazu pomocí konvoluční neuronové sítě dosáhly 25násobného zrychlení. U typických úloh HPC klesla spotřeba energie mezi první a druhou generací přibližně o 50 až 84 %, v závislosti na výpočetní složitosti.

Vyhodnocení upozornilo také na omezení důležitá pro pilotní program. Koprocesory nedokážou provádět všechny operace opticky a musí nepřetržitě vyměňovat data s klasickými procesory. Energetická účinnost je nejvyšší, když výpočty zůstávají v optické jednotce, takže přesun dat představuje zásadní konstrukční omezení. Analogový systém převádí data s přesností 16 bitů a musí počítat se šumem fotodetektorů. Pro dosažení přesnějších výsledků je nutné složité úlohy rozdělit do více operací a použít sofistikovanější softwarové nástroje. Výzkumníci z LRZ odhadli, že čipy by mohly být připraveny k nasazení v klastrech AI po jednom nebo dvou dalších vývojových cyklech.

Pilotní program nyní svěřuje ověření těchto otázek zákazníkům: o tom, kde se fotonické koprocesory uplatní v produkční infrastruktuře AI vedle CPU a GPU, rozhodne, zda se uváděné přínosy potvrdí u reálných úloh a dat i přes omezení spojená s přesunem dat a softwarem.