Q.ANT เปิดโครงการนำร่องทดสอบฮาร์ดแวร์ AI โฟโตนิกบนเซิร์ฟเวอร์ Bare Metal ของ IONOS

เมื่อวันที่ 9 พฤศจิกายน 2026 Q.ANT ประกาศว่า ผู้สมัครที่ได้รับคัดเลือกจะได้ทดสอบเวิร์กโหลด AI ของตนเองบนโปรเซสเซอร์โฟโตนิกเจเนอเรชันที่สองของบริษัท ผ่านเซิร์ฟเวอร์ IONOS แบบ Bare Metal โดยเฉพาะในเยอรมนี ภายใต้โครงการนำร่องแบบปิดเบต้าที่ไม่มีค่าใช้จ่าย ซึ่งมีเป้าหมายเพื่อค้นหาการใช้งานเชิงพาณิชย์

โครงการนี้จำกัดเฉพาะผู้เข้าร่วมที่มีกรณีการใช้งานชัดเจนและมีความเชี่ยวชาญเพียงพอที่จะดูแลเซิร์ฟเวอร์ Bare Metal ได้ด้วยตนเอง IONOS จัดเตรียมระบบแต่ละเครื่องด้วยตนเอง โดยให้สิทธิ์ root ผ่าน SSH และมีคอนโซล KVM ให้เลือกใช้ เอกสารโครงการนำร่องระบุว่าบริการโฮสติ้งในเยอรมนีที่ได้รับการรับรองมาตรฐาน ISO 27001 ปฏิบัติตามข้อกำหนดการคุ้มครองข้อมูล GDPR และอยู่ภายใต้อธิปไตยของสหภาพยุโรป

จากการจำลองสู่ฮาร์ดแวร์โฟโตนิกจริง

โครงการนำร่องนี้ต่อยอดเส้นทางการพัฒนาที่ Q.ANT เริ่มต้นด้วยชุดพัฒนาซอฟต์แวร์โอเพนซอร์สเมื่อวันที่ 23 กันยายน 2026 รุ่นดังกล่าวมาพร้อมอินเทอร์เฟซสำหรับเขียนโปรแกรมด้วย C และ Python แอปพลิเคชันตัวอย่าง เอกสารประกอบ และระบบจำลองที่ทำงานบน CPU ส่วนโครงการใหม่นี้เปิดโอกาสให้ผู้ใช้ที่ได้รับอนุมัตินำแอปพลิเคชันเหล่านั้นไปใช้งานบนหน่วยประมวลผลแบบเนทีฟ (NPU) จริง Q.ANT จัดหาไดรเวอร์ ชุดซอฟต์แวร์ของบริษัท และการเชื่อมต่อกับ PyTorch โดยจะพิจารณาความเข้ากันได้กับโมเดลและเฟรมเวิร์กระหว่างขั้นตอนเริ่มต้นใช้งาน

NPU ประมวลผลฟังก์ชันไม่เชิงเส้นในโดเมนเชิงแสงโดยตรง แทนที่จะแยกการประมวลผลออกเป็นลำดับขั้นตอนดิจิทัลยาวเหยียดบนชิปแบบดั้งเดิมที่ใช้ทรานซิสเตอร์ Q.ANT ระบุว่าวิธีนี้อาจให้ผลลัพธ์เทียบเท่าหรือดีกว่า โดยใช้พารามิเตอร์ การดำเนินการ และทรัพยากรน้อยลง เวิร์กโหลดที่รับเข้าร่วมครอบคลุมทั้งงานด้านการมองเห็นในอุตสาหกรรม การพยากรณ์อนุกรมเวลา การจำลองทางวิทยาศาสตร์ และหุ่นยนต์ ตลอดจนการอนุมานด้วยโมเดลภาษาขนาดใหญ่และโมเดลพื้นฐาน, AI เชิงกายภาพ และโมเดลโลก

หน้าโครงการนำร่องของ Q.ANT ระบุว่าการประมวลผลภาพใช้พารามิเตอร์น้อยลง 40% และการพยากรณ์อนุกรมเวลาใช้พารามิเตอร์น้อยลง 65% เมื่อรักษาความแม่นยำไว้เท่าเดิม โดยโครงการปิดเบต้าจะทดสอบผลลัพธ์เหล่านี้กับข้อมูลและซอฟต์แวร์ของผู้ใช้เอง เวิร์กโหลดที่หลากหลายเช่นนี้เปิดโอกาสให้ Q.ANT ระบุได้ว่าการประมวลผลไม่เชิงเส้นเชิงแสงมีประโยชน์ในด้านใดบ้าง นอกเหนือจากการนำไปใช้ในการวิจัยระยะแรก

การประเมินอย่างเป็นระบบเพื่อการใช้งานเชิงพาณิชย์

หลังจากตรวจสอบใบสมัครและพูดคุยผ่านวิดีโอคอลแล้ว ผู้เข้าร่วมจะได้รับบทเรียน ตัวอย่างโค้ด และเอกสารประกอบ จากนั้นจะมีการทบทวนเวิร์กโหลดและปรับจุดเน้นของการทดสอบ เวิร์กช็อปขั้นสุดท้ายจะพิจารณาตัวชี้วัดด้านพลังงานและประสิทธิภาพ ความเหมาะสมต่อการใช้งานจริง และความเป็นไปได้ของขั้นตอนถัดไป ผู้เข้าร่วมยังคงเป็นเจ้าของเวิร์กโหลด ข้อมูล และผลลัพธ์ของตนเอง ซึ่งจะเก็บเป็นความลับ โดยจะนำข้อมูลเชิงลึกจากการหารือที่ผ่านการรวบรวมและทำให้ไม่สามารถระบุตัวบุคคลได้ไปใช้พัฒนาโปรเซสเซอร์และแพลตฟอร์มเท่านั้น

โครงการนำร่องนี้เกิดขึ้นต่อจากข้อตกลงเชิงพาณิชย์เมื่อวันที่ 19 พฤษภาคม 2026 ซึ่งทำให้ IONOS เป็นลูกค้าเชิงพาณิชย์รายแรกของ Q.ANT สำหรับ Native Processing Server บริษัทวางตำแหน่ง NPU ให้เป็นโปรเซสเซอร์ร่วมสำหรับเวิร์กโหลด AI บางประเภทที่ทำงานเคียงข้าง CPU และ GPU ไม่ใช่สิ่งที่จะมาแทน GPU ทั้งหมด ดังนั้น โครงการปิดเบต้าจึงเพิ่มการประเมินที่ลูกค้าเป็นผู้ดำเนินการเข้ามาในความสัมพันธ์เชิงพาณิชย์ที่มีอยู่แล้ว แทนที่จะเป็นจุดเริ่มต้นของความร่วมมือ

การทดสอบอิสระเผยทั้งข้อได้เปรียบและข้อจำกัด

การประเมินเมื่อวันที่ 21 เมษายน 2026โดยศูนย์ซูเปอร์คอมพิวเตอร์ไลบ์นิซเป็นข้อมูลอ้างอิงอีกแหล่งหนึ่ง ศูนย์ LRZ ทดสอบ NPU ทั้งสองเจเนอเรชันกับงาน AI และงานประมวลผลสมรรถนะสูง (HPC) และรายงานว่าชิปเจเนอเรชันที่สองทำงานได้เร็วขึ้นสูงสุด 50 เท่าในกรณีที่ดีที่สุด โดยการรู้จำภาพด้วยโครงข่ายประสาทเทียมแบบคอนโวลูชันทำได้เร็วขึ้น 25 เท่า สำหรับเวิร์กโหลด HPC ทั่วไป การใช้พลังงานลดลงประมาณ 50% ถึง 84% เมื่อเทียบจากเจเนอเรชันแรกกับเจเนอเรชันที่สอง โดยขึ้นอยู่กับความซับซ้อนในการคำนวณ

การประเมินยังระบุข้อจำกัดที่เกี่ยวข้องกับโครงการนำร่องด้วย โปรเซสเซอร์ร่วมเหล่านี้ไม่สามารถดำเนินการทุกอย่างในรูปแบบเชิงแสงได้ และต้องแลกเปลี่ยนข้อมูลกับโปรเซสเซอร์แบบดั้งเดิมอย่างต่อเนื่อง ประสิทธิภาพด้านพลังงานจะสูงที่สุดเมื่อการคำนวณยังคงอยู่บนหน่วยเชิงแสง ทำให้การเคลื่อนย้ายข้อมูลเป็นข้อจำกัดสำคัญในการออกแบบ ระบบแอนะล็อกแปลงข้อมูลด้วยความละเอียด 16 บิต และต้องคำนึงถึงสัญญาณรบกวนจากตัวตรวจจับแสง หากต้องการผลลัพธ์ที่แม่นยำขึ้น จะต้องแบ่งงานที่ซับซ้อนออกเป็นการดำเนินการหลายขั้นตอนและใช้เครื่องมือซอฟต์แวร์ที่ซับซ้อนยิ่งขึ้น นักวิจัยของ LRZ ประเมินว่าชิปเหล่านี้อาจพร้อมสำหรับการติดตั้งใช้งานในคลัสเตอร์ AI หลังผ่านวงจรการพัฒนาเพิ่มเติมอีกหนึ่งหรือสองรอบ

ขณะนี้โครงการนำร่องเปิดโอกาสให้ลูกค้าเป็นผู้หาคำตอบว่า ข้อได้เปรียบที่รายงานไว้จะยังคงเกิดขึ้นกับเวิร์กโหลดจริง การเคลื่อนย้ายข้อมูล และข้อจำกัดด้านซอฟต์แวร์หรือไม่ ผลลัพธ์นี้จะเป็นตัวกำหนดว่าการประมวลผลร่วมด้วยโฟโตนิกจะเหมาะกับการใช้งานตรงจุดใดในโครงสร้างพื้นฐาน AI สำหรับการผลิต เมื่อทำงานเคียงข้าง CPU และ GPU