2026年6月23日——商用光子计算先驱Q.ANT今日在其光子硬件上首次演示了复杂的、与生产相关的AI工作负载。

在汉堡举行的2026年国际高性能计算大会（ISC High Performance）上，Q.ANT成功在其第二代原生处理单元（NPU）上演示了扩散模型和递归神经网络。这证明了Q.ANT的光子架构能够支持现代AI在生成式图像合成和时序序列预测方面的全部能力。

ISC的演示建立在已有的生态系统进展之上。今年早些时候，独立开发者Daisytuner直接从PyTorch将一个物体检测模型编译并部署到了Q.ANT的光子处理器上。这标志着来自标准机器学习框架的AI模型首次被成功编译到光子硬件上。

这些进展表明，Q.ANT的NPS已从基础算法发展到真正的商业应用。在光子电路层面，这些高性能计算任务使用Q.ANT硬件进行等效矩阵运算时，其能效目标是经典处理器的30倍。

Q.ANT创始人兼CEO Michael Förtsch博士表示：“Q.ANT的光子架构改变了AI基础设施的能耗计算法则。当你用光而非晶体管进行计算时，你就在源头减少了能源消耗。所有关于AI未来的严肃讨论都承认，能源是行业必须突破的瓶颈。我们近期对生成式AI的演示表明，光子硬件能够承载最苛刻的现代AI工作负载的数学计算量。”

光子硬件上的生成式AI

为了展示其在生成式AI方面的能力，Q.ANT硬件运行了一个扩散模型以执行图像到图像的合成——这是一类以迭代、并行矩阵运算为特征的生成式AI工作负载。这个图像到图像的应用突显了光子学在现代AI中计算最密集的神经网络架构之一的可行性，并标志着此类复杂度的扩散模型首次在光子硬件上运行。

扩散模型通过深度神经网络在密集矩阵运算中的多次前向传播来生成图像。通过使用光而非晶体管执行主要的计算层，Q.ANT的光子处理器已超越基础算法，进入处理现代AI应用核心的线性算术运算。

慕尼黑路德维希-马克西米利安大学（LMU）计算机视觉与学习小组负责人、稳定扩散模型研发的首席研究员Björn Ommer教授博士表示：“扩散模型是现代生成式AI中广泛使用且计算要求很高的方法。它们依赖重复的大规模运算来逐步生成连贯的输出。如果光子硬件能够高效可靠地执行此类工作负载，将是一个令人兴奋的迹象，表明替代计算基底可能在生成式AI的未来扮演重要角色。”

使用xLSTM进行时序预测

为证明其硬件在结构上截然不同的架构中的可扩展性，Q.ANT还执行了由NXAI开发的TiRex时序预测模型。NXAI是奥地利前沿AI实验室，致力于将扩展长短期记忆（xLSTM）架构商业化用于企业应用。

NXAI应用研究主管Lukas Fischer表示：“我们从一开始就在推动TiRex在性能和功耗之间取得平衡。看到它在Q.ANT的光子硬件上运行令人惊叹，并开启了新的篇章。光子系统上的xLSTM架构可能重新定义节能AI的含义。”

与基于Transformer的模型不同，xLSTM是一种递归神经网络，旨在识别序列数据中的模式并预测长时间范围内的未来值。NXAI的商业TiRex模型，使用经过生产调优的权重，瞄准了金融市场分析、供应链优化、天气预报和交通流模拟等领域。

通过xLSTM和扩散模型的演示，Q.ANT现在展示了其硬件能够处理现代AI中最苛刻的类别。运行这两个模型表明，Q.ANT硬件是为满足广泛的AI用例而构建的。

构建光子计算生态系统

ISC的演示是Q.ANT一系列第三方集成、商业合作和机构部署中的最新成果。

5月，Q.ANT宣布通过与其德国云服务提供商IONOS合作，收到了其硬件的首批商业订单。4月，Q.ANT的合作伙伴Daisytuner披露了其为实时物体检测应用开发的一个使用标准AI工具链的编译器。莱布尼茨超级计算中心慕尼黑和于利希超级计算中心等欧洲突破性HPC设施的核心机构正在生产环境中运行Q.ANT硬件。

围绕Q.ANT平台形成的这个生态系统反映了机构界对光子计算作为下一代计算基础设施的信心。