Fotonski AI čipovi: šta znače za industriju u Srbiji

AI u proizvodnji u Srbiji trenutno najčešće zapinje na tri vrlo prizemne stvari: trošak računanja, kašnjenje (latencija) i struja/hladjenje. Zvuči dosadno, ali je presudno. Kad treba da se pregleda 100% proizvoda kamerama na traci, da se u realnom vremenu ispravi proces (temperatura, pritisak, brzina) ili da se predvidi kvar na mašini pre zastoja – brzina i potrošnja hardvera postaju „usko grlo“ mnogo pre nego što vam ponestane AI ideja.

Upravo zato je vest o kineskom fotonskom AI čipu LightGen zanimljiva i za našu temu serijala „Kako veštačka inteligencija transformiše proizvodnju i industriju u Srbiji“. Poenta nije u tome da li će sutra „pobediti Nvidia-u“. Poenta je da hardver za veštačku inteligenciju ulazi u novu fazu, gde se obrada sve više pomera ka energetски efikasnijim i bržim arhitekturama – i to direktno menja ekonomiku industrijskih AI projekata.

Najpraktičniji zaključak za fabrike: kad cena i potrošnja računanja padnu, AI prelazi iz „pilot projekta“ u „standardni deo procesa“.

Šta je fotonski AI čip (i zašto je to važno)

Fotonski AI čip je hardver koji deo računanja obavlja koristeći svetlost (fotone) umesto isključivo električnih impulsa. To nije marketinška igra reči; cilj je da se smanje klasični problemi elektronskih čipova: zagrevanje, gubici energije i ograničenja protoka podataka.

U originalnoj vesti, LightGen se opisuje kao fotonski AI čip koji pokazuje dobre rezultate u zadacima poput generisanja slika, video-obrade i rada sa velikim jezičkim modelima. Čak i ako su rani rezultati delimično laboratorijski, smer je jasan: AI više nije samo „softver + GPU“, već ceo ekosistem novih arhitektura.

Zašto industrija oseća hardver pre svih

U proizvodnji se AI ne koristi da bi „napravio lep tekst“, već da bi:

• zaustavio škart pre pakovanja,
• smanjio zastoje,
• stabilizovao kvalitet,
• skratio planiranje i preplaniranje,
• smanjio energiju i otpad.

To zahteva obradu na ivici (edge) ili u lokalnom data-centru sa jasnim SLA-ovima. Kada GPU farme postanu preskupe (struja + hlađenje + dostupnost čipova), kompanije odustanu ili svedu AI na „jednu kameru i jedan model“. Fotonski pristup obećava da taj račun može da se promeni.

Gde fotonsko računanje direktno pogađa fabrike u Srbiji

Ako fotonski AI čipovi ispune obećanja, tri industrijska slučaja upotrebe u Srbiji postaju mnogo dostupnija – i skalabilnija.

1) Vizuelna kontrola kvaliteta na 100% proizvodnje

Odgovor prvo: Fotonski AI hardver ima smisla tamo gde imate ogroman protok slika/video i morate da reagujete odmah.

U praksi, najveći problem kod vizuelne inspekcije nije „da li model radi“, već:

• koliko kamera možete da priuštite da obrađujete u realnom vremenu,
• kolika je latencija od kamere do odluke (npr. izbacivanje komada),
• da li sistem radi stabilno 24/7 bez termalnih problema.

U fabrikama u Srbiji to viđam kao tipičan kompromis: ili se snimci šalju u centralni server (latencija + mreža), ili se radi edge sa ograničenim kapacitetom pa se pokrije samo deo linije.

Fotonsko računanje, ako donese nižu potrošnju po obrađenom frejmu i manji termalni budžet, znači:

• više kamera po jednoj stanici,
• veća rezolucija bez „seckanja“,
• stabilniji rad u teškim uslovima (prašina/temperatura) uz manje hlađenja.

2) Prediktivno održavanje koje stvarno radi (ne samo dashboard)

Odgovor prvo: Niža cena računanja omogućava da se modeli pokreću češće, na više izvora podataka i bliže mašini – što povećava tačnost i korisnost.

Prediktivno održavanje često propadne jer se podaci (vibracije, struja motora, temperatura ležaja, zvuk) uzorkuju previše retko, ili se modeli izvršavaju jednom dnevno „na serveru“.

Ako imate hardver koji je energetski efikasniji, možete:

• raditi analitiku u minutima, ne u satima,
• pokrivati više kritičnih tačaka (više senzora i kanala),
• zadržati podatke lokalno (manje troškova i rizika).

Realna slika koristi: jedna izbegnuta havarija na ključnom pogonu često vredi više od cele AI inicijative u prvoj godini. Zato je industrijski AI pre svega finansijska disciplina, a tek onda tehnologija.

3) Optimizacija energije i procesa (posebno zimi)

Januar 2026. je dobar trenutak da ovo izgovorimo naglas: industrijska energija i dalje je tema broj 1 u budžetima.

Odgovor prvo: Efikasniji AI hardver smanjuje trošak računanja i otvara prostor da AI koristite za optimizaciju energije, bez straha da AI sam pravi „račun za struju“.

Procesna optimizacija (npr. podešavanje parametara peći, kompresora, rashladnih sistema, ili potrošnje pare) zahteva iteracije i stalno učenje na novim podacima. Kad je računanje skupo, timovi ograniče broj modela i frekvenciju retreninga.

Ako fotonski čipovi budu doneli značajno bolji odnos performanse/watt, sledeći korak je logičan: više lokalnih modela, više automatizovanih odluka, više fine kontrole.

Šta LightGen (i slične najave) govore o globalnom trendu

Vest o LightGen čipu je zanimljiva i zbog geopolitičkog sloja: Kina godinama pokušava da smanji zavisnost od zapadnih poluprovodnika. Ali za srpsku industriju važnija je druga poruka:

AI trka se seli na hardver, a hardver utiče na konkurentnost proizvodnje.

Nvidia je danas dominantna u GPU svetu, ali industrija se sve više štiti od rizika:

• dostupnost čipova,
• cena i total cost of ownership,
• energetski plafoni data-centara,
• ograničenja izvoza i lanci snabdevanja.

Fotonski čipovi su jedan od odgovora na taj pritisak. Drugi su specijalizovani akceleratori, kompresija modela, kvantizacija, i drugačije memorijske arhitekture. Zajedničko im je: AI postaje jeftiniji za izvršavanje – a to je ono što fabrike odmah osećaju.

Kako da se Srbija pripremi: praktičan plan za 90 dana

Ne možete da kupite fotonski AI čip sutra i „rešite AI“. Možete, međutim, da pripremite organizaciju da odmah profitira čim nova generacija hardvera postane dostupna (i da već danas izvučete maksimum iz postojećeg).

1) Izračunajte TCO za AI slučajeve upotrebe, ne samo tačnost modela

Ako tim priča samo o procentu tačnosti, projekat će se završiti u PowerPoint-u.

Minimalna TCO lista za industrijski AI:

• trošak računanja (server/edge + amortizacija),
• struja i hlađenje,
• mreža i skladištenje podataka,
• održavanje modela (MLOps),
• cena greške (false reject / false accept).

2) Dizajnirajte sisteme „hardware-agnostic“

Birajte arhitekturu koja može da radi na različitim akceleratorima (GPU danas, specijalizovani akcelerator sutra). To obično znači:

• jasne API granice između prikupljanja podataka i inferencije,
• kontejnerizacija (npr. Docker) gde ima smisla,
• standardizovani formati modela i pipeline-a.

Poenta je da promenu hardvera tretirate kao zamenu komponente, ne kao novi projekat.

3) Spremite podatke kao da će sutra biti skuplji (jer hoće)

Najskuplji deo industrijskog AI-a nije trening. Najskuplji je pouzdan tok podataka.

Uradite tri stvari:

1. Mapirajte izvore: PLC/SCADA, kamere, laboratorija kvaliteta, MES/ERP, održavanje.
2. Uvedite osnovnu evidenciju kvaliteta podataka (missing, drift, vremenska sinhronizacija).
3. Definišite šta se čuva 30 dana, 12 meseci i 5 godina (zbog sljedivosti i učenja).

4) Krenite od jedne linije, ali planirajte skaliranje

AI projekti u proizvodnji u Srbiji najčešće uspeju kad imaju:

• jasan KPI (škart %, OEE, downtime),
• vlasnika procesa (ne samo IT),
• kratke iteracije (2–4 nedelje),
• plan „šta posle pilota“.

Nova generacija hardvera će pomoći tek onima koji mogu brzo da je uklope u već postavljen sistem.

Pitanja koja ljudi realno postavljaju (i direktni odgovori)

Da li to znači da GPU prestaju da budu važni?

Ne. GPU će još godinama biti standard, posebno za trening velikih modela. Ali inferencija u industriji (što se izvršava svaki dan na liniji) je prostor gde nove arhitekture najbrže osvajaju teren.

Da li fotonski čipovi odmah rešavaju problem potrošnje data-centara?

Ne odmah, jer komercijalizacija i integracija traju. Ali smer je ubedljiv: AI industrija mora da spusti potrošnju po zadatku, inače rast staje na energetskim ograničenjima.

Šta je pametan potez za fabriku u Srbiji u 2026?

Uložite u podatke, MLOps i izbor 2–3 procesa sa jasnim ROI-jem. Hardver će se menjati; organizacija koja zna da meri efekat i održava modele – pobeđuje.

Šta dalje: AI u proizvodnji se širi, a hardver mu menja cenu

Fotonski čipovi poput LightGen nisu „još jedna tech vest“. Oni su signal da ulazimo u period gde će industrijski AI postajati jeftiniji za skaliranje, posebno u zadacima masovne inferencije: vizuelna kontrola, optimizacija procesa i prediktivno održavanje.

Ako vodite proizvodnju u Srbiji, dobra vest je da ne morate da čekate fotonski hardver da biste krenuli. Ali treba da planirate kao da dolazi: arhitektura, podaci i KPI-jevi moraju biti spremni.

Ako želite, mogu da pomognem da se vaša trenutna AI inicijativa (ili ideja) prevede u konkretan plan: izbor slučaja upotrebe, procena ROI-ja, minimalna tehnička arhitektura i roadmap za pilot od 8–12 nedelja. Pitanje je jednostavno: koji proces u vašoj fabrici danas najviše košta kad „krene po zlu“?