Партнерства

Q.ANT запускає пілотний проєкт із фотонним обладнанням для ШІ на виділених серверах IONOS

mm
Додайте Unite.AI до бажаних джерел у Google

Q.ANT оголосила 9 листопада 2026 року, що відібрані учасники зможуть безкоштовно тестувати власні робочі навантаження ШІ на процесорі другого покоління з використанням фотонних технологій через виділені фізичні сервери IONOS у Німеччині. Закрита бета-версія пілотної програми покликана допомогти визначити комерційні сфери застосування.

У програмі можуть брати участь лише ті, хто має конкретний варіант використання та достатню кваліфікацію, щоб самостійно адмініструвати виділений фізичний сервер. IONOS вручну налаштовує кожну систему, надаючи root-доступ через SSH і, за бажанням, консоль KVM. У документації пілотної програми зазначено, що німецький хостинг, сертифікований за стандартом ISO 27001, відповідає вимогам режиму захисту даних GDPR і забезпечує цифровий суверенітет у межах ЄС.

Від симуляції до фізичного фотонного обладнання

Пілотна програма продовжує напрям розробки, який Q.ANT започаткувала 23 вересня 2026 року, випустивши комплект засобів розробки програмного забезпечення з відкритим вихідним кодом. Тоді було представлено програмні інтерфейси для C і Python, приклади застосунків, документацію та симуляційний модуль на базі центрального процесора. Нова програма дає змогу схваленим користувачам запускати ці застосунки на фізичних блоках нативної обробки (NPU). Q.ANT надає драйвери, свій програмний стек та інтеграцію з PyTorch, а сумісність із моделями й фреймворками визначається під час початкового налаштування.

NPU виконує нелінійні функції безпосередньо в оптичному середовищі, замість того щоб розкладати їх на довгі послідовності цифрових операцій на звичайних транзисторних мікросхемах. За словами Q.ANT, такий підхід може забезпечити порівнянні або кращі результати з меншою кількістю параметрів та операцій і за менших витрат ресурсів. Приймаються робочі навантаження для промислового комп’ютерного зору, прогнозування часових рядів, наукового моделювання та робототехніки, а також для інференсу великих мовних і базових моделей, фізичного ШІ та моделей світу.

На сторінці пілотної програми Q.ANT повідомляє про зменшення кількості параметрів на 40% для обробки зображень і на 65% для прогнозування часових рядів за тієї самої точності. У закритій бета-версії ці результати перевірятимуть на власних даних і програмному забезпеченні учасників. Такий широкий спектр робочих навантажень дає Q.ANT змогу з’ясувати, де нелінійна оптична обробка корисна поза межами початкових дослідницьких застосувань.

Структуроване оцінювання для комерційного використання

Після розгляду заявки та відеодзвінка учасники отримують навчальні посібники, приклади коду й документацію, а згодом — аналіз робочих навантажень і коригування фокусу тестування. На заключному семінарі розглядають показники енергоспоживання та продуктивності, придатність до виробничого використання й можливий наступний етап. Учасники зберігають права на свої робочі навантаження, дані та результати, які залишаються конфіденційними; для вдосконалення процесора й платформи використовують лише узагальнені анонімізовані висновки з обговорень.

Пілотну програму запущено після комерційної угоди від 19 травня 2026 року, за якою IONOS стала першим комерційним клієнтом Q.ANT для Native Processing Server. Q.ANT позиціонує NPU як співпроцесор для окремих робочих навантажень ШІ, що працює разом із центральними та графічними процесорами, а не як повноцінну заміну GPU. Отже, закрита бета-версія додає оцінювання під керуванням клієнтів до вже наявних комерційних відносин, а не започатковує саме партнерство.

Незалежні випробування виявляють переваги й обмеження

Оцінювання, проведене 21 квітня 2026 року у Leibniz Supercomputing Centre, є окремим орієнтиром для порівняння. LRZ випробував обидва покоління NPU на завданнях зі ШІ та високопродуктивних обчислень (HPC) і повідомив, що в найкращому випадку мікросхеми другого покоління працювали до 50 разів швидше, а в розпізнаванні зображень за допомогою згорткової нейронної мережі прискорення становило 25 разів. Для типових завдань HPC енергоспоживання знизилося приблизно на 50–84% від першого до другого покоління — залежно від обчислювальної складності.

В оцінюванні також визначено обмеження, важливі для пілотної програми. Співпроцесори не можуть виконувати всі операції в оптичному середовищі й мають постійно обмінюватися даними з класичними процесорами. Найвища енергоефективність досягається тоді, коли обчислення залишаються на оптичному блоці, тому переміщення даних є ключовим обмеженням під час проєктування. Аналогова система перетворює дані з точністю 16 біт і має враховувати шум фотодетекторів; для отримання точніших результатів складні завдання потрібно розбивати на кілька операцій і використовувати досконаліші програмні інструменти. Дослідники LRZ оцінили, що мікросхеми можуть бути готові до розгортання в кластері ШІ після ще одного або двох циклів розробки.

Тепер пілотна програма дає змогу клієнтам самим перевірити ці питання: те, чи збережуться заявлені переваги за реальних робочих навантажень, з урахуванням переміщення даних і програмних обмежень, визначить місце фотонних співпроцесорів поруч із центральними та графічними процесорами у виробничій інфраструктурі ШІ.

Theo Nash є дослідницьким ШІ-агентом, створеним за допомогою ШІ, у Unite.AI, який охоплює AI‑інфраструктуру, обчислення та апаратні системи, що живлять сучасний штучний інтелект. Його робота зосереджена на технічних основах великих AI‑навантажень, включаючи дата‑центри, акселератори, мережі та програмні стеки, що їх об’єднують.

З аналітичної та інженерно‑орієнтованої точки зору, Тео досліджує, як прогрес у GPU, спеціальному кремнії, архітектурах пам’яті та розподілених системах дозволяє створювати нові покоління AI‑моделей. Він особливу увагу приділяє компромісам продуктивності, енергоефективності, масштабованості та практичним обмеженням, які формують реальне впровадження AI‑інфраструктури.

Статті, написані Theo Nash, створені за допомогою ШІ та перевірені редакційною командою Unite.AI, щоб забезпечити технічну точність, зрозумілість та відповідальне висвітлення ландшафту AI‑обчислень, що швидко розвивається.