A luz pode executar operações de IA, mas a decisão de investir exige medir integração, qualidade e custo por resultado aceite.
Computação ótica pode fazer uma operação consumir menos energia e, ainda assim, não reduzir a fatura da empresa. Entre o cálculo e o resultado que chega ao cliente há dados para converter, sistemas para integrar e pessoas para manter tudo a funcionar. É nesse intervalo que uma descoberta promissora precisa de provar o seu valor.
Para quem desenvolve produtos de inteligência artificial ou gere uma PME, a pergunta útil é bastante concreta: quanto custa entregar um resultado com a qualidade exigida? A resposta permite avaliar uma alternativa às GPU, os processadores gráficos usados para acelerar cálculos de IA, sem apostar o orçamento numa promessa tecnológica.
O ganho depende da tarefa
A computação ótica usa a propagação da luz para realizar operações. No encontro internacional da Y Combinator, Ilker Oguz apresenta, a partir de 22:23, uma experiência de geração de imagens com luz. O mecanismo assenta na difusão: partir de ruído visual e retirar esse ruído progressivamente até formar uma imagem.
O estudo de Oguz e dos seus colaboradores, publicado na NeurIPS, descreve camadas óticas que mantêm os mesmos parâmetros ao longo de diferentes etapas desse processo. A configuração física foi concebida em conjunto com o método de geração. Esta ligação entre tarefa e equipamento é essencial para interpretar o resultado.
Daqui retiro uma consequência empresarial: uma tarefa repetida e estável merece uma avaliação diferente de um serviço que muda constantemente. Antes de procurar um processador alternativo, convém perceber quais são as operações que a empresa realmente repete. O ponto de partida pode ser um registo de utilização, acompanhado por alguém que conheça as exigências dos clientes.
A energia do cálculo é apenas uma parcela
Na intervenção iniciada aos 19:27, Oguz identifica obstáculos à adoção da computação ótica: converter informação digital em sinais óticos e voltar a convertê-la tem custos energéticos, tal como manter os dispositivos calibrados. Mais adiante, esclarece que a vantagem energética apresentada pressupõe camadas passivas com parâmetros fixos; o protótipo experimental usava equipamento reprogramável.
Para um comprador, esta ressalva muda a conversa. Uma comparação comercial deve incluir a entrada dos dados, o processamento, a leitura do resultado e a entrega à aplicação. Se o fornecedor apresenta apenas o consumo de um componente, ainda falta conhecer o consumo do serviço completo.
Há também trabalho humano a contabilizar: adaptar a aplicação, corrigir falhas, atualizar o sistema e formar a equipa. Proponho uma medida simples para orientar a decisão: custo por resultado aceite. É o custo total do ensaio dividido pelos resultados que cumprem critérios de qualidade definidos antecipadamente.
Quem contrata IA a terceiros deve fazer perguntas semelhantes sobre preços e condições de utilização. A discussão sobre publicidade no ChatGPT abre outra pergunta relevante: como se financia a plataforma da qual o negócio depende? Essa análise comercial deve acompanhar a avaliação técnica do fornecedor.
Um ensaio que reproduza o trabalho da empresa
Imagine uma pequena empresa portuguesa que cria imagens para catálogos de comércio eletrónico. É um exemplo hipotético: a equipa recebe a proposta de testar um sistema com menor consumo energético. Para avaliar a proposta, precisa de saber se as imagens respeitam as características dos produtos, se chegam a tempo e quantas exigem intervenção humana.
O teste deve usar os mesmos pedidos na solução atual e na alternativa. Inclua exemplos fáceis, pedidos difíceis e situações em que o volume aumenta. Guarde também os resultados rejeitados: excluí-los da comparação esconderia precisamente o trabalho que alguém terá de refazer.
- Qualidade: defina o que torna uma imagem utilizável antes de conhecer a solução que a produziu.
- Prazo: meça o tempo entre o pedido e a entrega, incluindo filas e novas tentativas.
- Custo completo: some serviço, integração, manutenção e revisão humana.
- Continuidade: confirme como regressar ao sistema anterior se o ensaio falhar.
Uma avaliação às cegas, em que a equipa desconhece a origem de cada imagem, pode ajudar a conter o entusiasmo pela novidade. Se a alternativa consumir menos energia mas exigir mais correções, será necessário perceber se existe poupança no conjunto. O ensaio pode revelar uma aplicação limitada que já compensa, mesmo quando a substituição de todo o serviço não se justifica.
Financiar a experiência com limites claros
Uma empresa jovem precisa de reservar recursos para descobrir o que funciona. Antes do ensaio, fixe um orçamento máximo, um prazo e as condições para avançar ou parar. Essa disciplina aproxima-se da prudência explorada em O Investidor Inteligente, de Benjamin Graham: deixar espaço para que as expectativas possam estar erradas.
Em Portugal, quem acompanha o PRR e o financiamento das empresas deve separar a análise de um eventual apoio da avaliação económica do projeto. Mesmo que exista financiamento adequado, é preciso identificar quem suportará a operação depois do ensaio. O orçamento deve incluir a manutenção e a capacidade de substituir o fornecedor.
Peça ainda uma demonstração com dados representativos e uma descrição clara do que está disponível para teste. Um resultado científico e uma proposta comercial respondem a perguntas diferentes. A passagem entre ambos exige provas que a própria empresa consiga avaliar.
A lição: investir em resultados verificáveis
Computação ótica merece curiosidade e experiências bem delimitadas. Para uma empresa, o avanço torna-se útil quando melhora uma tarefa concreta, mantém a qualidade e deixa uma conta que se consegue explicar. É essa prova que permite decidir quanto investir.
O primeiro passo está ao alcance de uma equipa pequena: escolher uma operação repetida, medir o custo atual e escrever os critérios de aceitação. Com essa base, uma conversa sobre novos processadores ganha um objetivo claro. A empresa passa a saber que melhoria procura e como reconhecer quando ela aconteceu.
Vídeo: Y Combinator, 2 de outubro de 2026. Intervenção de Ilker Oguz sobre computação ótica a partir de 15:06.
Entre o cálculo e o resultado que chega ao cliente há dados para converter, sistemas para integrar e pessoas para manter tudo a funcionar.
O ensaio pode revelar uma aplicação limitada que já compensa, mesmo quando a substituição de todo o serviço não se justifica.

Fontes
- Y Combinator: alternativas às GPU e computação com luz — Publicado em 2 de outubro de 2026. Intervenção de Ilker Oguz: computação ótica a partir de 15:06; obstáculos de integração a partir de 19:27; geração de imagens por difusão a partir de 22:23.
- Modelos de difusão óticos para geração de imagens — Estudo de Ilker Oguz e colaboradores, publicado na NeurIPS 2024. Descreve a geração de imagens através da propagação de luz e de camadas óticas com parâmetros fixos entre etapas.
- Transcrição da conversa da Y Combinator sobre alternativas às GPU — Transcrição automática consultada como apoio para as passagens sobre conversão de sinais, calibração e pressupostos da comparação energética. As referências temporais remetem para a gravação original.
Innohub TV
Watch this content also on Innohub TV
We picked clips from Innohub TV that continue the same topic.