Els models d'IA actuals funcionen amb xips electrònics que consumeixen molta energia, i per això fa anys que diversos grups investiguen si es podrien fer càlculs amb altres sistemes físics, com la llum. El problema és l'entrenament: el mètode habitual, la retropropagació, necessita conèixer i desar tots els estats intermedis del sistema per corregir-ne els errors pas a pas, i en un sistema físic real aquests estats són difícils o impossibles de mesurar.
Un equip de la Universitat de Tòquio, amb investigadors de l'empresa japonesa NTT, ha publicat a la revista *Nature Computational Science* un mètode per esquivar-ho. Té dues peces. La primera és una manera d'entrenar, que anomenen SS-DFA, que fa servir sobretot l'error final i informació general del sistema, sense haver d'accedir a la majoria d'estats intermedis. La segona és una arquitectura més senzilla, en què moltes unitats segueixen unes mateixes regles generals en lloc de dependre d'una xarxa de connexions internes molt complexa. Ho han provat en simulacions i en un sistema òptic real que converteix la informació en llum, la fa passar per un bucle de 200 metres de fibra òptica i la torna a convertir en senyal elèctric amb pocs components electrònics.
Segons els autors, el disseny simplificat iguala, i en algunes proves supera, arquitectures de xarxes neuronals més complexes amb molt menys càlcul, i redueix les mesures, l'emmagatzematge de dades i la computació necessaris per entrenar. «Volíem repensar el procés d'aprenentatge perquè els sistemes físics puguin calcular de manera molt més natural», explica l'estudiant de doctorat Yongbo Zhang. El resultat va en la línia de treballs anteriors del grup del professor Kohei Nakajima, que havia mostrat que dins de les xarxes neuronals profundes sorgeixen patrons d'activitat complexos que ara han reproduït amb llum.
Els límits són clars i els reconeixen els mateixos investigadors. «Encara no ho hem provat amb els models d'IA més grans d'avui», diu Nakajima: el mètode s'ha aplicat a arquitectures relativament bàsiques, no a models de llenguatge. Per fer-lo servir en un mòbil, una càmera o un cotxe autònom caldria miniaturitzar-lo i integrar-lo en un xip, i encara queda feina en estabilitat i fabricació a gran escala. Els possibles estalvis d'energia als centres de dades són, de moment, una projecció, no un resultat mesurat.