KI mit Licht: Q.ANTs Sprachmodell läuft, weil ihm die echte Attention fehlt
Das Stuttgarter Start-up Q.ANT meldet, dass erstmals ein Sprachmodell „mit Licht“ gelaufen sei. Zahlen nennt es dafür nicht. Wir haben nachgesehen, was der Fotonik-Chip tatsächlich rechnet und was der Pilotbetreiber LRZ gemessen hat. Dazu stellen wir die Versprechen von Q.ANT, Lightmatter und Lumai dem gegenüber, was belegt ist.

Darum geht es
„Erstmals ein Sprachmodell mit Licht betrieben“: So hat das Stuttgarter Fotonik-Start-up Q.ANT am 17. November 2026 auf der Supercomputing-Messe SC26 in Chicago seinen neuen Chip NPU Gen 2+ vorgestellt. Die Meldung kommt zu einem günstigen Zeitpunkt. Zwei Tage später hat die Internationale Energieagentur (IEA) vorgerechnet, dass Rechenzentren bis 2030 doppelt so viel Strom verbrauchen könnten wie heute, wobei drei Viertel des Zuwachses auf KI entfallen. Laut The Guardian könnten die CO₂-Emissionen der Branche um 70 Prozent steigen. Die Aussicht, dass Licht KI sparsamer macht, kommt da gerade recht.
Liest man die Mitteilung genau, fehlt das Wichtigste. Es gibt keine Leistungsdaten, keinen Stromverbrauch des Gesamtsystems, keinen Vergleich mit einer rein elektronischen Ausführung und nicht einmal den Namen des Modells. Die französische Fachseite Pause Hardware kommt zum selben Schluss: Die Demo zeigt, dass der hybride Betrieb funktioniert, aber nicht, dass er sich lohnt. Wir haben nachgesehen, was der Chip tatsächlich übernimmt. Unsere These: Die Demo läuft nicht, weil Licht die Attention eines Sprachmodells berechnen kann. Sie läuft, weil Q.ANT diese Attention durch eine Rechenoperation ersetzt hat, die für Optik besonders gut passt.
Was der Chip in der Demo wirklich tut
Neu an der Gen 2+ ist die diskrete Fourier-Transformation (DFT). Sie zerlegt ein Signal in seine Frequenzanteile, ähnlich wie ein Prisma weißes Licht in Farben aufspaltet. Elektronische Prozessoren brauchen dafür eine Kette von Rechenschritten, Q.ANTs Chip schafft sie nach eigener Aussage in einem einzigen Durchgang des Lichts. In der Demo arbeitete die NPU als Co-Prozessor neben einer AMD-GPU, deren Modell Q.ANT nicht nennt. Laut Mitteilung ersetzten die optischen Fourier-Funktionen „eine rechenintensive Attention-Schicht“.
Die Attention ist das Herzstück heutiger Sprachmodelle. Für jedes Wort berechnet das Modell, wie stark es auf jedes andere Wort im Text achten soll, und diese Gewichtung hängt vom Inhalt ab. Eine Fourier-Transformation tut etwas anderes: Sie vermischt alle Positionen nach einem festen Muster, das sich nie ändert und nichts gelernt hat.
Neu ist diese Idee nicht. Google hat sie 2021 mit FNet veröffentlicht. Dort wurde die Self-Attention in Transformer-Encodern durch eine Fourier-Transformation ohne trainierbare Parameter ersetzt. Das Ergebnis: rund 80 Prozent schnelleres Training auf GPUs, aber nur 92 bis 97 Prozent der Genauigkeit von BERT auf dem Sprachverständnis-Test GLUE. FNet funktionierte nur für Encoder, also Modelle, die einen Text als Ganzes lesen. Chatbots erzeugen Text dagegen Wort für Wort und dürfen dabei nicht in die Zukunft schauen. Eine Folgearbeit namens FNetAR hat die Idee darauf übertragen: Ersetzt man die Hälfte der Attention-Schichten, steigt die Perplexität auf WikiText-103 von 24,2 auf 25,8. Die Perplexität misst, wie „überrascht“ ein Modell vom nächsten Wort ist, niedriger ist besser. Ein mittelgroßes, verbreitetes Sprachmodell, das Attention vollständig durch Fourier-Mischung ersetzt, ist uns nicht bekannt. FFT-Verfahren tauchen höchstens in Nischenarchitekturen auf, etwa in der Hyena-Familie, auf der das Biologie-Modell Evo 2 aufbaut. Auch dort bleiben aber einige echte Attention-Schichten erhalten.
Unsere Einschätzung: Hier liegt der Kern der Sache. Laut einer aktuellen Übersichtsarbeit der University of Texas passt Fotonik am besten zu Matrizen, die sich selten ändern, etwa trainierten Gewichten, die für viele Eingaben gleich bleiben. Echte Attention ist das Gegenteil: Beide Faktoren der Rechnung entstehen erst zur Laufzeit neu, bei jedem Token. Das belastet genau die Umwandlung und Umprogrammierung, bei der Optik schwach ist. Eine DFT ist dagegen eine feste Matrix, also der Idealfall für einen Lichtchip. Die Demo zeigt deshalb vor allem, dass man ein Sprachmodell so umbauen kann, dass es zum Chip passt. Wie viel Qualität dieser Umbau kostet, sagt Q.ANT nicht.
Was die Pilotbetreiber gemessen haben
Die belastbarsten Zahlen stammen vom Leibniz-Rechenzentrum (LRZ) in Garching, das Q.ANT-Chips seit 2025 betreibt. Ein technischer Bericht vom 11. November 2026 von fünf Autoren um Josef Weidendorfer bestätigt deutliche Fortschritte von Generation 1 zu Generation 2. Der entscheidende Satz steht allerdings im Abstract: Analoges Rauschen begrenze die effektive Genauigkeit auf etwa 6 bis 7 Bit. Q.ANT hatte 2025 laut The Quantum Insider noch „16-Bit-Gleitkomma-Präzision mit 99,7 Prozent Genauigkeit für alle Rechenoperationen“ beworben. Auch das LRZ nennt in einem Bericht vom April 16 Bit, allerdings für die Umwandlung zwischen digitalen und analogen Daten. Wie fein die Wandler arbeiten und wie genau das Ergebnis am Ende ist, sind also zwei verschiedene Fragen.
Als Bremsen nennt der Bericht die Umwandlung zwischen digital und analog, den Datentransport, die elektronische Verarbeitung und schwache Compiler-Unterstützung. Weitere Zahlen aus dem April-Bericht:
- Gen 2 schafft 500 Millionen Operationen pro Sekunde je optischem Kanal, bei acht Kanälen also rund 4 Milliarden pro Sekunde. Der Takt liegt bei 2 GHz.
- Server und Karte zusammen ziehen 350 bis 420 Watt, die Karte allein 25 bis 100 Watt.
- Getestet wurden Matrixrechnungen, Bilderkennung und kleine neuronale Netze wie MNIST. Große Sprachmodelle waren nicht dabei.
- Nicht alles läuft optisch. Die Karten brauchen eigene Elektronik und tauschen ständig Daten mit klassischen Prozessoren aus.
Zum Vergleich: Lightmatters Prozessor aus dem Nature-Paper kommt laut Physics World auf 65,5 Billionen Operationen pro Sekunde bei 78 Watt. Gerechnet sind das rund 16.000-mal mehr als die 4 Milliarden der Gen 2. Wie die beiden Firmen eine „Operation“ zählen, ist nicht einheitlich festgelegt. Die Größenordnung macht aber klar, dass Q.ANTs Hardware noch im Forschungsmaßstab arbeitet.
Herstellerangabe gegen Beleg
| Anbieter | Versprechen | Was belegt ist |
|---|---|---|
| Q.ANT | „bis zu 30x weniger Energie, 50x mehr Leistung“ (Launch Gen 2, Nov. 2025) | LRZ: über 50x schneller bei Matrixmultiplikation und 6x weniger Kartenenergie, jeweils gegenüber Q.ANTs eigener Gen 1, nicht gegenüber GPUs |
| Q.ANT | 16-Bit-Gleitkomma, 99,7 % Genauigkeit | LRZ-Bericht: effektiv etwa 6–7 Bit wegen analogem Rauschen |
| Q.ANT | Sprachmodell mit Licht (Gen 2+) | keine Zahlen zu Tempo, Strom oder Qualität, Modell unbekannt |
| Lightmatter | ResNet und BERT „nahe FP32-Genauigkeit“ ohne Nachtraining | Nature-Paper (2025); laut heise bemängelt der Physiker Mario Chemnitz, das System werde nicht vollständig offengelegt |
| Lumai | „bis zu 90 % weniger Energie“ | keine unabhängige Messung; die britische Förderagentur ARIA will die Technik erst testen |
Eine Korrektur in eigener Sache: Im Lightmatter-Blog wird gern der Satz von „nur 2x“ Effizienzgewinn zitiert. Er bezieht sich dort aber auf Prozessoren aus Kohlenstoff-Nanoröhren, nicht auf Fotonik. Für Fotonik formuliert Lightmatter etwas anderes und mindestens ebenso Ernüchterndes: Der Energiebedarf wachse „exponentiell“ mit der geforderten Genauigkeit. Und bisher habe kein photonischer Chip die für praktische KI-Anwendungen nötige Präzision erreicht.
Bei Lumai fällt eine Ungereimtheit auf. „Bis zu 90 Prozent weniger Strom“ entspricht einem Faktor 10. Diesen Faktor nennt Lumai im eigenen Blog aber ausdrücklich als „Energie pro Inferenz“ gegenüber Silizium, ohne Testaufbau oder Vergleichsgerät. Immerhin rechnet Lumai mit INT4 und INT8, also offen mit niedriger Genauigkeit, und zielt auf eine Aufgabe, die gut zur Optik passt: den Prefill. So heißt die Phase, in der das Modell die ganze Eingabe auf einmal liest und dabei vor allem große Matrixmultiplikationen ausführt.
Der eigentliche Engpass: die Übersetzung zwischen Licht und Strom
Licht rechnet schnell, kann aber nichts speichern. Jede Zahl muss in ein Lichtsignal übersetzt und danach wieder digitalisiert werden. Das übernehmen Digital-Analog- und Analog-Digital-Wandler (DAC und ADC). Laut der Übersichtsarbeit stellt in ihren Simulationen genau diese elektro-optische Umwandlung den größten Teil des Energieverbrauchs, noch vor Laser und Datentransport. Der Aufwand der Wandler wächst exponentiell mit der Bitzahl, die Autoren sprechen von einer „Präzisionsmauer“.
Lumais Produktchef erklärt laut HPCwire, warum größere Matrizen helfen: Die Umwandlungskosten wachsen mit der Breite eines Vektors, die Rechenleistung dagegen mit deren Quadrat. Optik lohnt sich also bei großen, festen Matrixoperationen, die lange auf dem Chip bleiben. Das LRZ kommt zum selben Ergebnis: Am effizientesten ist es, möglichst lange optisch zu rechnen. Bei der Demo von Q.ANT wandern die Daten zwischen NPU und GPU hin und her, mindestens an der Stelle der ersetzten Schicht. Was das an Energie kostet, ist völlig offen.
Fotonik kommt derzeit vor allem in der Vernetzung an, nicht beim Rechnen. Lightmatter stellt inzwischen seine optischen Verbindungen der Passage-Reihe in den Vordergrund. Ein arXiv-Paper vom September 2026 simuliert, dass optische Verbindungen zwischen GPUs den Prefill großer Mixture-of-Experts-Modelle um den Faktor 2,1 bis 5,8 beschleunigen könnten. Mixture-of-Experts-Modelle aktivieren pro Wort nur einen Teil ihrer Unterprogramme. In diesem Ansatz transportiert das Licht Daten, gerechnet wird weiter elektronisch und digital.
Was man selbst ausprobieren kann
Q.ANT hat im September 2026 ein Open-Source-SDK auf GitHub veröffentlicht (Apache-2.0, Python und C/C++). Mit einem CPU-Backend läuft es ohne Spezialhardware auch unter Windows und macOS. Die Unterstützung für Gen 2+ und Fourier-Funktionen soll folgen. Echte Hardware gibt es im kostenlosen Pilot mit IONOS, aber nur für ausgewählte Bewerber mit konkretem Anwendungsfall. Bereitgestellt wird dort die zweite Generation, also nicht der neue Fourier-Chip. Kommerzielle Systeme mit Gen 2 und Gen 2+ kündigt Q.ANT für die zweite Hälfte 2027 an.
Einordnung
Q.ANT ist eines der wenigen europäischen Unternehmen, das photonische Rechenchips wirklich ausliefert und von unabhängigen Rechenzentren prüfen lässt. Das ist mehr, als viele Konkurrenten vorweisen können. Der LRZ-Bericht ist ehrlich und ermutigend, beschreibt aber eine Technik für Aufgaben, die mit wenig Genauigkeit auskommen: Bilderkennung, Vorverarbeitung, kleine Netze.
Unsere Einschätzung: Die Sprachmodell-Demo ist vor allem eine Software-Wette. Q.ANT setzt darauf, dass Entwickler ihre Modelle um Rechenschritte herum neu bauen, die Licht von Natur aus beherrscht. Softwarechef Utz Bacher sagt es selbst: Fotonik gebe Entwicklern die Chance, „die Mathematik hinter ihren Anwendungen neu zu denken“. Das kann aufgehen, schließlich gibt es Hybridmodelle mit wenigen Attention-Schichten. Die Belastungsprobe der letzten fünf Jahre hat FNet aber nicht bestanden: Die großen Sprachmodelle setzen weiter auf echte Attention. Ob Q.ANTs Ansatz trägt, entscheiden drei Zahlen, die bisher fehlen: die Qualität des umgebauten Modells, die Watt pro Token für das ganze System samt GPU und Wandlern und die Geschwindigkeit im Vergleich zur selben Rechnung auf der GPU allein. Bis diese Zahlen vorliegen, beweist der Satz „ein Sprachmodell mit Licht“ nur, dass sich ein Modell so umbauen lässt, dass es auf dem Chip läuft. Strom spart das nach heutigem Stand nicht nachweislich.
Quellen
- Pause Hardware: Q.ANT NPU photonique et LLM pausehardware.com
- The Quantum Insider: Q.ANT Demonstrates Hybrid Photonic-GPU System for Language Models thequantuminsider.com
- Pressemitteilung NPU Gen 2+ (Manila Times / GlobeNewswire) manilatimes.net
- Jon Peddie Research: Q.ANT brings Fourier transforms into light jonpeddie.com
- Q.ANT Website qant.com
- LRZ-Technikbericht: A System-Level Evaluation of Q.ANT Native Processing Units (Zenodo) zenodo.org
- LRZ: Photonic Computers in Real-World Test lrz.de
- Photonics Online: Q.ANT deploys Gen 2 at LRZ photonicsonline.com
- Photonics Online: Q.ANT unveils second-generation photonic processor photonicsonline.com
- The Quantum Insider: Q.ANT at ISC 2025 (16-Bit-Angabe) thequantuminsider.com
- GitHub: Q-ANT-GmbH/qant_native_computing_toolkit github.com
- IONOS Newsroom: IONOS and Q.ANT launch photonic computing pilot ionos.com
- arXiv: FNet – Mixing Tokens with Fourier Transforms arxiv.org
- arXiv: FNetAR arxiv.org
- arXiv: Convolutional Multi-Hybrid Language Models at Scale (StripedHyena 2 / Evo 2) arxiv.org
- arXiv: Harnessing Photonics for Machine Intelligence arxiv.org
- arXiv: Scaling Inference Prefill with High-Radix Photonic Interconnects arxiv.org
- Lightmatter Blog: A New Kind of Computer lightmatter.co
- Physics World: Photonic chips perform as well as electronic counterparts physicsworld.com
- heise: Erste Lichtprozessoren betreiben KI effizient heise.de
- Lumai Blog: Your inference stack is optimized on one side lumai.ai
- The Guardian: Datacentres to create 70% more carbon emissions by 2030 theguardian.com
- Irish Examiner: AI datacentres set to drive 70% rise in carbon emissions irishexaminer.com
Frag den KI-Assistenten
Fragen zu diesem Artikel, zur Installation oder zu Hintergründen? Unser Assistent kennt diese Seite und läuft auf unserem eigenen Rechner, nicht in einer fremden Cloud.
Der Assistent ist eine KI (Gemma 4) und kann sich irren – wichtige Angaben bitte in der Quelle prüfen. Fragen werden nur zum Beantworten genutzt und nach einer Stunde gelöscht. Bitte keine persönlichen Daten eingeben.
Kommentare
Was meinst du dazu? Schon ausprobiert? Schreib es hier, ohne Anmeldung.
Kommentare sind öffentlich. Links sind nicht erlaubt, beleidigende Beiträge löschen wir. Deinen eigenen Kommentar kannst du in diesem Browser jederzeit wieder löschen. Mehr dazu in der Datenschutzerklärung.