[ BACK TO ALL ARTICLES ]
Technology & AI

AI yang Belajar dengan Cahaya: Riset Tokyo–NTT dan Jalan Menuju Hardware AI yang Lebih Hemat

Nadhif Fauzil Adhim
Nadhif Fauzil Adhim
8 November 2026
12 VIEWS
AI yang Belajar dengan Cahaya: Riset Tokyo–NTT dan Jalan Menuju Hardware AI yang Lebih Hemat

AI yang Belajar dengan Cahaya: Riset Tokyo–NTT dan Jalan Menuju Hardware AI yang Lebih Hemat

AI modern berjalan di atas listrik — dan listrik yang sangat banyak. Setiap kali model besar dilatih atau dipakai, jutaan transistor bekerja, menghasilkan panas, dan menelan energi. Karena itu, para peneliti sudah lama melirik alternatif yang radikal: bagaimana kalau komputasi AI dilakukan dengan cahaya, bukan listrik?

Pada 5 November 2026, tim dari University of Tokyo bersama para peneliti NTT mempublikasikan jawaban baru atas pertanyaan itu di jurnal Nature Computational Science. Mereka mengembangkan kerangka kerja yang membuat AI berbasis fisika — sistem yang memanfaatkan perilaku alami suatu medium fisik untuk memproses informasi — jauh lebih efisien untuk dilatih dan dijalankan, lalu membuktikannya pada perangkat keras optik sungguhan.

Dua ide yang membuat cahaya bisa "belajar"

Penelitian yang dipimpin oleh Associate Professor Kohei Nakajima dari Laboratory for Intelligent Systems and Informatics, University of Tokyo, ini menggabungkan dua ide.

Pertama, metode pelatihan baru bernama state-skipping direct feedback alignment (SS-DFA). Selama ini, melatih neural network biasanya memakai backpropagation — metode yang mengharuskan sistem menyimpan banyak hasil perantara selama pelatihan. Itu mahal, apalagi di perangkat keras fisik seperti sistem optik, di mana pengukuran dan penyimpanan hasil perantara menjadi rumit. SS-DFA menawarkan cara pelatihan yang lebih ringan dan cocok untuk perangkat keras berbasis fisika.

Kedua, arsitektur yang lebih sederhana bernama single-map architecture. Alih-alih jaringan dengan koneksi internal yang sangat kompleks, arsitektur ini memakai dinamika satu dimensi yang sederhana, di mana banyak unit mengikuti aturan umum yang sama. Hasilnya: struktur yang lebih mudah dibangun di perangkat keras fisik, tanpa mengorbankan kemampuan.

Kedua ide ini diuji dalam simulasi komputer dan eksperimen fisik, memakai platform komputasi optoelektronik yang mengubah informasi menjadi sinyal cahaya, memprosesnya saat melewati loop serat optik sepanjang 200 meter, lalu mengubahnya kembali menjadi sinyal listrik untuk dianalisis.

Hasilnya: performa sebanding, komputasi lebih sedikit

Dalam pengujian, kerangka kerja ini mencapai performa yang sebanding — dan dalam beberapa pengujian lebih baik — dibandingkan neural network konvensional yang kompleks, sambil membutuhkan parameter latih yang lebih sedikit dan komputasi yang jauh lebih sedikit.

Yang paling menarik: ketika pendekatan ini diintegrasikan ke dalam arsitektur neural network modern, tim melaporkan peningkatan performa disertai pengurangan kebutuhan komputasi sekitar 40 persen. Angka itu adalah hasil yang dilaporkan penulis sendiri, dan penting untuk dicatat bahwa abstrak makalah tidak merinci arsitektur atau dataset persis yang ada di balik angka tersebut — jadi angka ini sebaiknya dibaca sebagai hasil awal yang menjanjikan, bukan perbandingan langsung dengan biaya pelatihan GPU.

Yang membuat riset ini menonjol adalah buktinya: bukan hanya simulasi, melainkan demonstrasi perangkat keras yang benar-benar berjalan dari ujung ke ujung — sinyal masuk, transformasi terjadi lewat cahaya, jawaban keluar. Banyak cerita komputasi optik sebelumnya berhenti di tahap simulasi.

Batasan yang perlu dijujurkan

Meski menjanjikan, para peneliti sendiri bersikap terbuka soal batasan riset ini:

  • Belum diuji pada model terbesar saat ini. Pendekatan ini diuji pada neural network yang relatif dasar. Model bahasa besar (LLM) dan sistem multimodal modern belum dicoba.
  • Penghematan energi masih harapan, bukan hasil terukur. Cahaya memang cepat dan bisa membawa banyak sinyal sekaligus, tapi klaim efisiensi energi dari sistem ini masih berupa potensi — bukan sesuatu yang sudah dibuktikan dalam skala produksi.
  • Jalan menuju produk masih panjang. Membuat sistem seperti ini lebih kecil, lebih stabil, dan bisa diproduksi massal adalah pekerjaan besar yang masih ada di depan.

Dengan kata lain, ini bukan pengumuman bahwa GPU akan segera digantikan. Ini adalah langkah penelitian yang memindahkan klaim "AI dengan cahaya" dari teori ke demonstrasi perangkat keras.

Mengapa ini penting untuk masa depan AI?

Konteksnya adalah krisis energi AI. Laporan Energy and AI dari International Energy Agency (IEA) menggambarkan permintaan listrik data center yang menanjak tajam seiring adopsi AI. Industri merespons dengan segala cara: chip yang lebih efisien, data center di lokasi energi murah, sampai desain yang membuang data visual yang tidak relevan sebelum diproses.

Komputasi optik masuk ke perburuan efisiensi itu dengan fisika di pihaknya: cahaya bergerak sangat cepat dan bisa memproses banyak sinyal secara paralel. Tantangannya selama ini bukan fisika, melainkan kecocokan — metode AI konvensional sulit diimplementasikan pada sistem optik tanpa pengukuran, kontrol, dan penyimpanan data yang besar. Riset Tokyo–NTT ini menyerang tepat di titik itu: menyederhanakan cara belajar dan struktur jaringannya agar cocok dengan perangkat keras cahaya.

Nakajima sendiri menggambarkan kerangka ini sebagai sesuatu yang modular — bisa disisipkan sebagai blok komputasi ke dalam jaringan yang sudah ada. Itulah rute yang ia bayangkan menuju skala yang relevan secara komersial: bukan membangun ulang AI dari nol dengan cahaya, melainkan menyisipkan komputasi cahaya ke arsitektur yang sudah dikenal.

Penutup

AI yang belajar dengan cahaya masih jauh dari laptop atau data center Anda. Tapi riset ini menunjukkan sesuatu yang nyata: ada jalur lain selain "transistor yang lebih banyak dan listrik yang lebih besar". Kalau pendekatan seperti SS-DFA dan single-map architecture bisa diskalakan — dan itu masih kata "kalau" yang besar — maka masa depan hardware AI mungkin tidak hanya lebih cepat, tapi juga lebih hemat. Untuk industri yang tagihan listriknya terus membengkak, itu adalah janji yang layak diikuti.

SHARE THIS LOG