Metapowierzchnia, która widzi światłem – nowy układ bije krzemowe sieci neuronowe

Co by było, gdyby komputer widzący nie potrzebował energii na przetwarzanie obrazu, a światło samo wykonywało obliczenia? Wizja ta przestaje być fantazją dzięki nowemu układowi fotoniczno-elektronicznemu, który opisano 17 czerwca 2026 roku na łamach Nature. To połączenie metapowierzchni optycznej o 41 milionach parametrów z ultralekkim cyfrowym backendem radzi sobie z zadaniami wizyjnymi lepiej niż modele krzemowe o dziesięciokrotnie większej liczbie parametrów.

Światło zamiast krzemu – nowa era przetwarzania obrazu

→ Czytaj też: Największy otwarty model AI ma 2,8 biliona parametrów. Chiny rzucają wyzwanie USA

Tradycyjne sieci neuronowe, nawet te najwydajniejsze, pochłaniają ogromne ilości energii i wymagają potężnych serwerów, by w czasie rzeczywistym rozpoznawać obiekty czy analizować wideo. Próbą obejścia tego problemu są optyczne sieci neuronowe (ONN), które wykorzystują światło – z natury równoległe i szybkie. Dotychczas jednak skala i ogólność takich układów pozostawała ograniczona. Brakowało im precyzji algebry cyfrowej, a fizyczne systemy analogowe nie radziły sobie ze złożonymi zadaniami wizyjnymi. W erze dużych modeli językowych, potrzebujących farm serwerowych, pomysł przeniesienia obliczeń wizyjnych na krawędź – do kamery, drona czy telefonu – jest szczególnie kuszący.

Nowa praca, opublikowana w Nature, łamie te bariery. Zamiast próbować odwzorowywać krzemowe operacje algebraiczne, naukowcy bezpośrednio osadzili w strukturze metapowierzchni optycznej fundamentalne zasady widzenia komputerowego: rozpoznawanie oparte na podobieństwie, percepcję kierowaną uwagą oraz fuzję szczegółu z kontekstem. Tak powstał fotoniczno-elektroniczny silnik zdolny do ogólnego przetwarzania wizji na urządzeniach krawędziowych.

Metapowierzchnia, która widzi jak człowiek

→ Czytaj też: AI rozszyfrowała śpiew ptaków. Co mówią nam od lat?

Metapowierzchnia to cienka, nanostrukturalna płytka, która precyzyjnie manipuluje światłem – załamuje je, rozprasza i skupia w zaplanowany sposób. W opisanym systemie pełni rolę gigantycznej, 41-milionowej macierzy parametrów uczącej się bezpośrednio na fotonach. Co kluczowe, nie tylko wykonuje ona obliczenia splotowe, ale realizuje również mechanizmy uwagi i integracji cech – podobne do tych, które zrewolucjonizowały cyfrowe modele transformerowe w ostatnich latach. Dzięki temu układ naśladuje sposób, w jaki ludzki wzrok wybiera istotne fragmenty sceny i łączy szczegóły z ogólnym kontekstem.

Cyfrowy backend to jedynie 87 tysięcy parametrów – mniej więcej tyle, ile ma najprostszy model klasyfikujący obrazy. Mimo to cały układ przewyższa wiele cyfrowych sieci o dziesiątkach milionów parametrów w zadaniach takich jak wykrywanie obiektów, segmentacja semantyczna, rekonstrukcja trójwymiarowa czy rozumienie sekwencji wideo. Innymi słowy: ciężar obliczeń przeniesiono z elektroniki na fizykę światła, a elektronika jedynie dopełnia detale.

Od rozpoznawania obiektów do rekonstrukcji 3D – testy na żywym wideo

Badacze sprawdzili swój układ w czterech różnych domenach wizji komputerowej. W detekcji obiektów na statycznych obrazach osiągał on wysoką dokładność, rywalizując z dużo większymi sieciami konwolucyjnymi. Co bardziej imponujące, system radził sobie z dynamicznym wideo – śledził obiekty i rozumiał sceny w czasie rzeczywistym, czego tradycyjne układy optyczne nie potrafiły. Ta zdolność otwiera drogę do inteligentnych kamer monitoringu, które natychmiast wykrywają zagrożenia bez wysyłania danych do chmury.

W rekonstrukcji 3D na podstawie pojedynczych ujęć oraz w wielozadaniowej segmentacji zdjęć złożonych scen naturalnych prototyp działał stabilnie i szybko. Autorzy podkreślają, że nie chodziło o pobicie rekordów na wyśrubowanych benchmarkach, lecz o pokazanie, że to samo urządzenie może jednocześnie wykonywać wiele różnych zadań percepcyjnych – coś, co do tej pory było zarezerwowane dla dużych klastrów GPU.

Prototyp w świetle dziennym – w stronę praktycznego edge AI

Zespół zbudował fizyczny, przenośny prototyp i przetestował go w warunkach naturalnego oświetlenia. To ważny krok: dotychczasowe eksperymenty z optycznymi sieciami neuronowymi często ograniczały się do laboratoryjnych układów laserowych. Nowy system działał zaś w zmiennym świetle, przy typowym ruchu ulicznym i we wnętrzach – czyli tam, gdzie miałby być stosowany w kamerach inteligentnych, dronach czy pojazdach autonomicznych. Oznacza to koniec zależności od idealnych warunków laboratoryjnych i początek realnych wdrożeń.

Kod i modele udostępniono publicznie na GitHubie oraz Zenodo, co ma przyspieszyć rozwój kolejnych generacji hybrydowych układów fotoniczno-elektronicznych. Jeśli tendencja się utrzyma, za kilka lat w smartfonach, okularach AR i czujnikach przemysłowych obraz będzie analizowany nie przez krzemowy procesor, ale przez mikrometrową płytkę manipulującą światłem – z minimalnym opóźnieniem i niemal zerowym poborem energii.

Pokazanie, że metapowierzchnia może realizować tak złożone zadania jak rekonstrukcja 3D czy rozumienie wideo, otwiera drzwi do prawdziwie autonomicznych urządzeń peryferyjnych. Być może to właśnie światło, a nie elektrony, napędzi kolejną rewolucję w sztucznej inteligencji.