Q.ANT Membuka Uji Coba Perangkat Keras AI Fotonik di Server Bare Metal IONOS

Q.ANT mengumumkan pada 9 November 2026 bahwa pemohon terpilih dapat menguji beban kerja AI mereka sendiri pada prosesor fotonik generasi kedua milik perusahaan melalui server bare-metal IONOS khusus di Jerman. Program uji coba beta tertutup ini tidak dipungut biaya dan bertujuan mengidentifikasi penggunaan komersial.

Program ini terbatas bagi peserta yang memiliki kasus penggunaan konkret dan keahlian memadai untuk mengelola server bare-metal secara mandiri. IONOS menyiapkan setiap sistem secara manual, dengan akses root SSH dan konsol KVM opsional. Dokumentasi uji cobanya menjelaskan bahwa layanan hosting di Jerman yang bersertifikasi ISO 27001 mematuhi rezim perlindungan data GDPR dan berada di bawah kedaulatan UE.

Dari Simulasi ke Perangkat Keras Fotonik Fisik

Uji coba ini melanjutkan jalur pengembangan yang dimulai Q.ANT dengan perangkat pengembangan perangkat lunak sumber terbuka pada 23 September 2026. Rilis tersebut menyediakan antarmuka pemrograman untuk C dan Python, aplikasi contoh, dokumentasi, serta backend simulasi berbasis CPU; program baru ini memungkinkan pengguna yang disetujui memindahkan aplikasi tersebut ke Unit Pemrosesan Native (NPU) fisik. Q.ANT menyediakan driver, tumpukan perangkat lunaknya, dan integrasi PyTorch, sementara kompatibilitas model dan kerangka kerja ditentukan selama proses orientasi.

NPU menjalankan fungsi nonlinier secara langsung dalam ranah optik, alih-alih menguraikannya menjadi rangkaian panjang langkah digital pada chip konvensional berbasis transistor. Menurut Q.ANT, pendekatan ini dapat menghasilkan kinerja setara atau lebih baik dengan lebih sedikit parameter, operasi, dan sumber daya. Beban kerja yang diterima mencakup visi industri, peramalan deret waktu, simulasi ilmiah, dan robotika, serta inferensi model bahasa besar dan model dasar, AI fisik, dan model dunia.

Halaman uji coba Q.ANT menyebutkan bahwa pemrosesan gambar memerlukan 40% lebih sedikit parameter dan prediksi deret waktu 65% lebih sedikit parameter dengan akurasi yang sama. Uji coba beta tertutup ini dirancang untuk menguji hasil tersebut menggunakan data dan perangkat lunak milik pengguna sendiri. Ragam beban kerja tersebut memberi Q.ANT cara untuk memastikan di mana pemrosesan nonlinier optik bermanfaat di luar penerapan riset awalnya.

Evaluasi Terstruktur untuk Penggunaan Komersial

Setelah peninjauan permohonan dan panggilan video, peserta menerima tutorial, contoh kode, dan dokumentasi, yang kemudian diikuti peninjauan beban kerja serta penyesuaian fokus pengujian. Lokakarya akhir membahas metrik energi dan kinerja, kesesuaian untuk produksi, serta kemungkinan tahap berikutnya. Peserta tetap memiliki beban kerja, data, dan hasil mereka, yang semuanya tetap rahasia; hanya wawasan gabungan yang dianonimkan dari diskusi yang digunakan dalam pengembangan prosesor dan platform.

Uji coba ini menyusul perjanjian komersial pada 19 Mei 2026 yang menjadikan IONOS pelanggan komersial pertama untuk Native Processing Server Q.ANT. Q.ANT memosisikan NPU sebagai koprosesor untuk beban kerja AI tertentu yang bekerja berdampingan dengan CPU dan GPU, bukan sebagai pengganti GPU secara menyeluruh. Karena itu, uji coba beta tertutup ini menambahkan evaluasi yang dijalankan pelanggan ke dalam hubungan komersial yang sudah ada, bukan memulai kemitraan tersebut.

Pengujian Independen Menunjukkan Keunggulan dan Keterbatasan

Evaluasi pada 21 April 2026 oleh Leibniz Supercomputing Centre memberikan tolok ukur tersendiri. LRZ menguji kedua generasi NPU untuk tugas AI dan komputasi kinerja tinggi (HPC), serta melaporkan bahwa chip generasi kedua mampu beroperasi hingga 50 kali lebih cepat dalam kasus terbaik, dengan percepatan 25 kali lipat dalam pengenalan gambar menggunakan jaringan saraf konvolusional. Untuk beban kerja HPC yang umum, konsumsi daya turun sekitar 50% hingga 84% dari generasi pertama ke generasi kedua, bergantung pada kompleksitas komputasi.

Evaluasi tersebut juga mengidentifikasi keterbatasan yang relevan bagi uji coba ini. Koprosesor tidak dapat menjalankan setiap operasi secara optik dan harus terus bertukar data dengan prosesor klasik. Efisiensi energi paling tinggi ketika komputasi tetap berlangsung di unit optik, sehingga perpindahan data menjadi kendala desain utama. Sistem analog mengonversi data dengan presisi 16-bit dan harus memperhitungkan derau fotodetektor; untuk memperoleh hasil yang lebih presisi, tugas kompleks perlu dipecah menjadi beberapa operasi dan menggunakan perangkat lunak yang lebih canggih. Para peneliti LRZ memperkirakan bahwa chip tersebut dapat siap diterapkan di klaster AI setelah satu atau dua siklus pengembangan lanjutan.

Kini uji coba ini menyerahkan pertanyaan tersebut kepada pelanggan: apakah peningkatan yang dilaporkan tetap tercapai pada beban kerja nyata, dengan perpindahan data dan keterbatasan perangkat lunak, akan menentukan posisi kopemrosesan fotonik bersama CPU dan GPU dalam infrastruktur AI produksi.