1. Zusammenfassung

In einem Labor der Cornell-Universität trifft ein von einer LED ausgesendeter roter Lichtstrahl auf einen etwa einen Meter entfernten optischen Empfänger. Der Bildschirm zeigt eine Matrix aus Quadraten, die an einen QR-Code erinnert, aber es handelt sich nicht um eine einfache Webadresse. Diese Lichtsalve schreibt direkt den Speicher des Geräts um und lädt darin die Parameter eines KI-Modells. Der grundlegende Unterschied zu jedem aktuellen System besteht darin, dass es keine zwischengeschaltete analoge Umwandlung gibt: Der vom Licht erzeugte Fotostrom verändert den Zustand des Speichers direkt.

Dieser Fortschritt, der im Juli 2026 auf dem IEEE/JSAP Symposium on VLSI Technology & Circuits vorgestellt wurde, befasst sich mit einem der drängendsten Probleme der KI-Industrie: dem Engpass bei der Datenübertragung zwischen Speicher und Prozessor. Da Sprach- und Bildmodelle in ihrer Größe wachsen – mit Hunderten von Milliarden Parametern – können KI-Chips nicht alle Informationen lokal speichern. Die übliche Lösung besteht darin, die Parameter in DRAM zu speichern und sie über elektrische Verbindungen zu verschieben, ein Prozess, der enorme Mengen an Energie verbraucht und die Skalierbarkeit einschränkt. Der Vorschlag von Yifan He, Postdoktorand, und Jae-sun Seo, außerordentlicher Professor für Elektrotechnik und Informatik an der Cornell Tech, beseitigt diesen Engpass von Grund auf, indem er Licht verwendet, um den Speicher des Chips direkt zu programmieren. Die potenziellen Auswirkungen sind branchenübergreifend. Sie betreffen Rechenzentren, die Modelle wie GPT-5.6 von OpenAI, Claude Fable 5 von Anthropic oder Gemini 3.6 Flash von Google trainieren und ausführen, wo der Energieverbrauch durch Datenübertragung bereits ein kritischer Kostenfaktor ist. Sie betreffen auch eingebettete Systeme wie autonome Roboter, Fahrzeuge mit automatisierter Steuerung und Edge-Geräte, wo Platz- und Energieeffizienzbeschränkungen noch strenger sind. Für Chiphersteller, Cloud-Infrastrukturbetreiber und KI-Entwickler könnte diese Technologie in den kommenden Jahren die Spielregeln neu definieren.

2. Tiefgehende technische Analyse

Um die Innovation zu verstehen, ist es hilfreich, den traditionellen Datenfluss in einem KI-System zu analysieren. Ein Modell wie Llama 4 von Meta, mit seinem Kontext von 10 Millionen Tokens, oder DeepSeek-V4-Pro, spezialisiert auf Code, erfordert die Speicherung von Milliarden synaptischer Gewichte. Diese Gewichte werden in einem externen DRAM zum Rechenchip gespeichert. Jedes Mal, wenn der Prozessor darauf zugreifen muss – zum Beispiel während der Inferenz oder des Neutrainings –, reisen die Daten über elektrische Metallbusse. Diese Übertragung ist energie- und zeitaufwendig und wird zum wichtigsten limitierenden Faktor für die Leistungsfähigkeit im großen Maßstab.

Optische Verbindungen bieten theoretisch eine Lösung: Licht kann Daten mit höherer Geschwindigkeit und geringerem Energieverlust transportieren als Kupferkabel. Herkömmliche optische Empfänger enthalten jedoch Analog-Digital-Wandlerstufen (ADC) und Transimpedanzverstärker, die einen erheblichen Teil der Energie verbrauchen. Diese elektronischen Schaltkreise heben einen Großteil des Vorteils der optischen Übertragung auf. Hier setzt das Design von He und Seo an: Ihr Empfänger übersetzt das Licht nicht in elektronische Bits, um sie dann in den Speicher zu schreiben; der vom Licht erzeugte Fotostrom verändert direkt den Zustand einer Speicherzelle.

In der Praxis sendet das System Lichtsalven aus, die Matrizen ähnlich wie QR-Codes bilden, jedoch mit einer viel höheren Informationsdichte. Jedes Lichtmuster repräsentiert eine Reihe von Parametern des KI-Modells. Der mit Standard-CMOS-Technologie gefertigte Empfänger integriert Fotodetektoren und Speicherzellen auf demselben Substrat. Wenn das Licht auftrifft, verändert der erzeugte Strom die Leitfähigkeit oder Spannung der Zellen und schreibt so die Gewichtswerte ohne Zwischenumwandlung. Dies eliminiert ADCs und Verstärker, wodurch die Energie pro übertragenem Bit drastisch reduziert wird.

Einer der wichtigsten Aspekte ist, dass der Empfänger den Speicher aktualisieren kann, während der Rest des Systems weiterläuft. Das bedeutet, dass ein autonomer Roboter, der sich in einer neuen Situation befindet, „im laufenden Betrieb" die Parameter eines neu kalibrierten Modells empfangen könnte, ohne seinen Betrieb anhalten oder die Energie verbrauchen zu müssen, die ein herkömmlicher elektrischer Download erfordern würde. Dies eröffnet die Möglichkeit für KI-Systeme, die sich in Echtzeit an wechselnde Umgebungen anpassen, ohne Unterbrechungen. Der Vorschlag befasst sich auch mit dem Problem der Skalierbarkeit. Mit dem Wachstum der Modelle wird die Anzahl der Parameter, die vom DRAM zum Prozessor übertragen werden müssen, zu einem Trichter. Mit direkten optischen Verbindungen zum Speicher könnten mehrere Empfänger parallel arbeiten und gleichzeitig verschiedene Teile des Modells laden. Dies würde es beispielsweise ermöglichen, dass ein Rechenzentrum Inferenzen von Modellen wie Claude Opus 5 oder Qwen 3.7-Max mit einem Bruchteil des aktuellen Energieverbrauchs ausführt. Aus technologischer Reifesicht haben die Forscher das Konzept in einem Laborprototypen demonstriert. Noch zu lösen sind die Integration in Produktionsmaßstab, die Standardisierung der Lichtmuster (gleichbedeutend mit einem „optischen Gewichtsprotokoll") und die Kompatibilität mit aktuellen Fertigungsprozessen. Die Tatsache, dass der Empfänger Standard-CMOS-Technologie verwendet, ist jedoch ein sehr günstiger Faktor für seine eventuelle Kommerzialisierung.

3. Auswirkungen auf Industrie und Markt

Der erste Sektor, der betroffen sein wird, sind die Hyperscale-Rechenzentren. Unternehmen wie Google, Microsoft, Meta, Amazon und die aufstrebenden chinesischen Firmen (DeepSeek, Qwen, Kimi-K 3) investieren Milliarden in Infrastruktur, um immer größere Modelle auszuführen. Schätzungen zufolge entfallen zwischen 30 % und 40 % des gesamten Energieverbrauchs eines KI-Servers auf die Datenbewegung zwischen DRAM und Prozessor. Wenn die direkte optische Übertragung in den Speicher diese Zahl halbieren kann – und die Schätzungen der Forscher selbst deuten darauf hin, dass sie sogar noch niedriger sein könnte –, wären die Einsparungen bei Betriebskosten und CO2-Emissionen massiv.

Für Chiphersteller wie NVIDIA, AMD, Intel und die neuen chinesischen Akteure (wie diejenigen, die den MiMo-V2-Pro-Chip von Xiaomi produzieren) stellt die Technologie sowohl eine Bedrohung als auch eine Chance dar. Die aktuellen Designs von GPUs und KI-Beschleunigern sind auf schnelle elektrische Verbindungen (wie NVLink oder PCIe) angewiesen. Wenn ein in den Chip-Die selbst integrierter optischer Empfänger es ermöglichen würde, Parameter direkt in den lokalen Speicher zu laden, würde der Bedarf an diesen komplexen und teuren Bussen sinken. Andererseits könnten Unternehmen, die diese Technologie als erste übernehmen, einen erheblichen Wettbewerbsvorteil in Bezug auf Energieeffizienz erzielen. Im Bereich Robotik und autonome Systeme – von Autos mit automatisierter Steuerung bis hin zu Lieferdrohnen – ist die Fähigkeit, KI-Modelle ohne Unterbrechungen und mit geringem Stromverbrauch zu aktualisieren, revolutionär. Heute muss ein autonomes Fahrzeug regelmäßig neue Karten oder Wahrnehmungsparameter herunterladen, ein Prozess, der Batterie und Rechenzeit verbraucht. Mit direktem optischem Speicher könnten diese Aktualisierungen durch Lichtsalven fast augenblicklich erfolgen, während das Fahrzeug weiterfährt. Auch der Edge-Computing-Markt würde profitieren. Geräte wie Industriesensoren, Wearables oder intelligente Haushaltsassistenten arbeiten mit sehr knappen Energiebudgets. Ein leichtes Modell – wie Gemma 4 von Google, ein Modell mit 12 Milliarden Parametern, das für Edge Computing entwickelt wurde – durch ein optisches Signal neu trainieren oder aktualisieren zu können, würde die Notwendigkeit von drahtlosen Verbindungen mit hoher Leistung oder den physischen Austausch des Speichermoduls überflüssig machen. Es gibt jedoch Hürden. Die Industrie ist stark um elektrische Verbindungen und Speicherprotokolle wie DDR, HDM oder GDDR standardisiert. Die Migration zu einem optischen Schema wird Vereinbarungen zwischen Chipherstellern, Systemdesignern und Rechenzentrumsbetreibern erfordern. Es ist wahrscheinlich, dass die ersten Einsätze in sehr spezifischen Nischen stattfinden, wie Supercomputing oder proprietären Rechenzentren großer Technologieunternehmen, bevor sie sich verallgemeinern.

4. Expertenperspektiven und strategische Analyse

„Die Leute entwerfen alle möglichen verschiedenen KI-Chips", sagte Jae-sun Seo während der Präsentation auf dem Symposium. „Diese Prozessoren haben oft keinen Platz für alle Parameter, aus denen KI-Modelle bestehen, daher werden die zusätzlichen Daten im DRAM gespeichert. Die elektrischen Verbindungen, die verwendet werden, um diese Daten zwischen DRAM und Prozessor zu bewegen, verursachen Kosten- und Effizienzprobleme, wenn die Systeme skaliert werden. Das ist einer der Hauptengpässe." Das Zitat von Professor Seo fasst das Problem, das sein Team angeht, klar zusammen.

Branchenanalysten sind sich einig, dass die Lösung von Cornell Tech einen kritischen Punkt angreift, den kein früherer Vorschlag so sauber gelöst hatte. Frühere Versuche, Optik für KI-Interconnects zu verwenden, konzentrierten sich auf optische Verbindungen für die Kommunikation zwischen Chips, erforderten jedoch weiterhin eine elektronische Umwandlung an den Enden. Der Direktschreibempfänger in den Speicher vermeidet diese Umwandlung, was einen konzeptionellen Sprung darstellt. Aus strategischer Sicht sollten Unternehmen mehrere Handlungsstränge in Betracht ziehen. Erstens sollten Originalgerätehersteller und Chipdesigner Kooperationen mit Forschungsgruppen wie der von Cornell Tech beginnen, um die Machbarkeit der Integration dieser Empfänger in zukünftige Generationen von Beschleunigern zu bewerten. Zweitens sollten Rechenzentrumsbetreiber Haushaltsmittel für F&E für Prototypen der direkten optischen Speicheranbindung einplanen, mit Blick auf eine mögliche Implementierung in den nächsten 3 bis 5 Jahren. Drittens sollten Startups in den Bereichen Robotik und autonome Fahrzeuge diese Entwicklungen genau verfolgen, da sie möglicherweise die ersten sind, die die Technologie in kommerziellen Produkten mit hohem Mehrwert einsetzen. Auch der geopolitische Kontext ist zu berücksichtigen. China investiert über seine KI-Unternehmen wie DeepSeek, Qwen und GLM-5.2.2.2 stark in alternative Hardware, um die Exportbeschränkungen für fortschrittliche Chips zu umgehen. Eine Technologie wie diese, die nicht auf extrem feine Lithografien angewiesen ist (sie kann in Standard-CMOS implementiert werden), könnte für das chinesische Ökosystem besonders attraktiv sein. Es wäre nicht überraschend, wenn wir in den kommenden Monaten ähnliche Ankündigungen von chinesischen Universitäten oder Unternehmen sehen würden. Schließlich weist der technische Konsens darauf hin, dass die Hauptherausforderung die Schreibgeschwindigkeit sein wird. Die Lichtblitze müssen schnell genug sein, um die Bandbreite der aktuellen elektrischen Verbindungen (Hunderte von GB/s) zu erreichen oder zu übertreffen. Der demonstrierte Prototyp arbeitet mit Laborgeschwindigkeiten, aber die Skalierung auf Gigahertz-Frequenzen erfordert eine Optimierung sowohl der Fotodetektoren als auch der Speicherzellen. Es ist ein technisches Problem, kein fundamentales physikalisches, und daher mit den richtigen Ressourcen lösbar.

5. Fahrplan und Vorhersagen

Kurzfristig (2026-2027) werden wir eine Intensivierung der Forschung auf diesem Gebiet erleben. Die Gruppe von Seo und He wird wahrscheinlich detailliertere Ergebnisse zur erreichten Bandbreite, Fehlerrate und Haltbarkeit der Speicherzellen unter wiederholtem optischen Beschreiben veröffentlichen. Es ist auch absehbar, dass andere Labore – sowohl akademische als auch unternehmenseigene, darunter die von Google, IBM und den chinesischen Giganten – in das Rennen einsteigen, um das Konzept zu optimieren.

Mittelfristig (2028-2029) könnten die ersten vor-kommerziellen Prototypen erscheinen, die in Testchips integriert sind. Diese werden wahrscheinlich zunächst für Supercomputing- und Rechenzentrumsanwendungen bestimmt sein, wo die Energieeinsparung die Investition in neue Infrastrukturen rechtfertigt. Auch Kühlsysteme würden profitieren, da die Reduzierung der durch elektrische Verbindungen erzeugten Wärme höhere Rechendichten ermöglichen würde. Gegen 2030 könnte die Technologie, wenn sie ausgereift ist, zu einem De-facto-Standard für die Parameterübertragung in großen KI-Modellen werden. Bis dahin könnten neuromorphe Prozessoren und In-Memory-Computing-Architekturen optische Empfänger auf natürliche Weise als Peripherie für Gewichtseingaben integrieren. Autonome Roboter, Fahrzeuge und Edge-Geräte wären die ersten kommerziellen Nutznießer, gefolgt von Hyperscale-Rechenzentren. Es besteht die Möglichkeit, dass eine bidirektionale Variante entsteht: nicht nur Parameter in den Speicher schreiben, sondern auch den Speicherzustand mittels Licht auslesen, was eine echte vollständige optische Schnittstelle ermöglicht. Dies würde die Kommunikation zwischen Chips weiter beschleunigen und neue Architekturen für verteiltes Rechnen eröffnen.

6. Fazit: Strategische Imperative

Die von den Forschern von Cornell Tech vorgestellte Technologie ist keine inkrementelle Verbesserung; sie ist ein Paradigmenwechsel in der Art und Weise, wie KI-Systeme auf ihre Parameter zugreifen. Durch die Eliminierung der analogen Zwischenumwandlung und die Möglichkeit, dass Licht direkt in den Speicher schreibt, wird die Wurzel des Energieproblems angegriffen, das die Skalierbarkeit aktueller Modelle begrenzt. In einer Zeit, in der die Grenzmodelle – GPT-5.6 Sol, Claude Opus 5, Gemini 3.6 Flash, DeepSeek-V4-Pro – enorme Energiemengen verbrauchen, hat jeder Fortschritt, der die Kosten des Datenverschiebens senkt, direkte Auswirkungen auf die wirtschaftliche und ökologische Tragfähigkeit der KI.

Für die Akteure im Ökosystem sind die sofortigen Maßnahmen klar: Die F&E-Abteilungen in der Hardware sollten Kontakt mit dem Team von Cornell Tech aufnehmen und beginnen, die Integration optischer Empfänger in ihre Roadmaps zu bewerten. Die Betreiber von Rechenzentren sollten die Ergebnisse zu Zuverlässigkeit und Leistung genau beobachten. Und die Entwickler von Robotik- und Edge-Anwendungen sollten sich auf eine Zukunft vorbereiten, in der Modellupdates weder Kabel noch hohen Stromverbrauch erfordern, sondern einfache Lichtblitze. Der Speicherengpass war jahrelang die Achillesferse der künstlichen Intelligenz. Wenn sich diese optische Technologie durchsetzt, könnte dieser Engpass der Vergangenheit angehören. Die Frage ist nicht mehr, ob Licht das Kupfer bei den kritischen KI-Verbindungen ersetzen wird, sondern wann und wer den ersten Schritt zu seiner Kommerzialisierung im großen Maßstab unternimmt.