Fotonski AI čipovi: šta to znači za industriju Srbije

Nvidia je poslednjih godina postala sinonim za AI infrastrukturu. Nije slučajno: današnji talas generativne veštačke inteligencije „jede” računske resurse, a GPU-ovi su postali standard za trening i inferenciju. Ali evo stava koji se sve češće pokazuje tačnim: ograničenje AI-ja više nije samo u algoritmima, već u energiji, hlađenju i protoku podataka kroz data centre.

Upravo zato je vest o kineskom fotonskom AI čipu LightGen zanimljiva i van tehnoloških krugova. Poenta nije „ko pobeđuje” u globalnoj trci čipova, već šta se menja u praksi: ako fotonski hardver zaista smanji potrošnju i ubrza obradu, cena primene AI-ja u industriji pada. A kad cena padne, AI prestaje da bude privilegija velikih i postaje alat i za proizvodne firme u Srbiji – od metaloprerađivača do prehrane.

Ovaj tekst je deo serijala „Kako veštačka inteligencija transformiše proizvodnju i industriju u Srbiji”. Fokus je jednostavan: kako globalne promene u AI hardveru utiču na automatizaciju, kontrolu kvaliteta, planiranje proizvodnje i lance snabdevanja kod nas.

Šta je fotonski AI čip (i zašto industrija treba da obraća pažnju)

Fotonski AI čip obrađuje podatke svetlošću (fotonima), a ne električnim signalima. To zvuči apstraktno, ali industrijska posledica je vrlo konkretna: manje toplote, potencijalno manja potrošnja i brža komunikacija između delova sistema.

Kod klasičnih čipova postoji realna „fizička kazna” za sve što radimo u AI-ju: više proračuna znači više energije i više zagrevanja. U data centrima, trošak hlađenja često postaje jednako važan kao trošak same opreme. Photonics obećava da taj odnos promeni.

LightGen kao signal: trka se seli na arhitekturu

Izvorni članak naglašava da LightGen navodno pokazuje odlične rezultate u zadacima poput generisanja slika, obrade videa i rada sa velikim jezičkim modelima. Čak i ako su ovi navodi trenutno ograničeni ranim demonstracijama, poruka industriji je jasna:

Sledeći skok u AI-ju može doći iz hardvera, ne iz modela.

Za proizvodne firme, to znači da je pametno pratiti ne samo „koji model je bolji”, već i na čemu će taj model raditi jeftinije i stabilnije.

Zašto je energija postala glavni „skriveni” trošak AI-ja

AI u industriji se najčešće ne ruši na tačnosti modela, nego na TCO-u (total cost of ownership). Tačnost se vremenom dotera. Troškovi struje, servera, mreže, održavanja i hlađenja – tu se projekti lome.

U Srbiji je ovo još vidljivije zbog tri praktična razloga:

1. Ograničenja u energetici i infrastrukturi: ne želi svaka fabrika (ni industrijska zona) da postane mini data centar.
2. Cena zastoja: proizvodnja ne prašta. Ako AI kontrola kvaliteta stoji jer serveri „throttle-uju” od temperature, projekat gubi smisao.
3. AI se širi na rub mreže (edge): kamere na liniji, senzori u hali, uređaji u logistici. Edge zahteva efikasnost.

Fotonski čipovi su interesantni jer direktno napadaju ovu tačku: energija po inferenciji (koliko košta da model da odgovor/predikciju) i propusnost (koliko brzo sistem „guta” podatke sa kamera i senzora).

Šta bi realno moglo da se promeni u fabrikama

Ako nova generacija AI hardvera smanji potrošnju i hlađenje, industrija dobija tri koristi koje su merljive:

• Niži trošak inspekcije kvaliteta (računar vidi 24/7; manje škarta i reklamacija)
• Više AI tačaka u pogonu (više kamera/senzora jer je infrastruktura jeftinija)
• Brži ciklus odlučivanja (prediktivno održavanje i planiranje u realnom vremenu)

Gde fotonski hardver najviše „pogađa” industrijske AI slučajeve

Najviše dobija industrija koja ima mnogo vizuelnih podataka i potrebu za brzim reakcijama. To se prepoznaje u tipičnim slučajevima upotrebe veštačke inteligencije u proizvodnji.

Kontrola kvaliteta (computer vision) na proizvodnoj liniji

Kontrola kvaliteta je često prvi AI projekat u proizvodnji, jer ROI ume da bude brz: manje škarta, manje ručnog pregleda, manje reklamacija.

Fotonski čipovi (ako ispune obećanja) bi ovde mogli da pomognu jer:

• obrada videa traži veliku propusnost i stabilan rad
• sistemi često rade na više kamera istovremeno
• inferencija mora biti brza (da se komad izbaci pre sledeće operacije)

Praktičan primer: linija za pakovanje hrane ili pića. Kamera proverava da li je etiketa ispravna, da li je čep zatvoren, da li je datum čitljiv. Ako se odluka donosi sporije od takta linije, sistem postaje ukras. Efikasniji hardver znači više provera bez usporavanja proizvodnje.

Prediktivno održavanje: manje stajanja, manje „gašenja požara”

Prediktivno održavanje u Srbiji često zapinje na prikupljanju i obradi podataka: vibracije, temperatura, zvuk, potrošnja struje motora. U praksi, najbolji sistemi kombinuju više signala.

Kada hardver postane efikasniji, postaje realno da se više analitike radi lokalno (edge) ili u manjem internom data centru, umesto da se sve šalje u oblak.

Stav koji se isplati: u proizvodnji, „cloud-only” arhitektura je često pogrešan izbor. Nije zbog mode, već zbog latencije, privatnosti i rizika od prekida veze.

Planiranje proizvodnje i lanci snabdevanja

AI u planiranju proizvodnje (APS), prognozi potražnje i optimizaciji zaliha uglavnom nije „težak” kao video, ali postaje zahtevan kad radite:

• više fabrika / magacina
• više scenarija (šta-ako)
• optimizaciju u kratkim intervalima (npr. na svaka 2 sata)

Efikasniji AI hardver povećava broj scenarija koje možete izračunati u vremenu koje stvarno pomaže operativi.

Realnost: fotonski čipovi su rani, ali poruka je hitna

Ne treba planirati budžet za 2026. kao da ćete sutra kupiti fotonske AI servere. LightGen je, po navodima iz članka, još u ranoj fazi. Biće vremena do masovne komercijalne dostupnosti, standardizacije i jasnih ekosistema (alatke, drajveri, integracije).

Ali postoji važniji deo: industrija u Srbiji ne treba da čeka fotoniku da bi krenula sa AI-jem. Treba uraditi suprotno: krenuti sada na dostupnom hardveru, a arhitekturu postaviti tako da sutra možete zameniti „motor” bez rušenja sistema.

Kako da se pripremite (bez bacanja novca)

Ako vodite proizvodnju, održavanje ili IT/OT, ovo su potezi koji imaju smisla već ove godine:

1. Standardizujte podatke iz pogona (tagovi, vremenske serije, istorija zastoja, kvalitet). Bez toga nijedan čip ne pomaže.
2. Uvedite MLOps za industriju: verzionisanje modela, testovi, monitoring drift-a, pravila za rollback.
3. Dizajnirajte „hardware-agnostic” AI sloj: API servis za inferenciju, kontejnerizacija gde ima smisla, jasne granice između modela i aplikacije.
4. Merite energiju po AI zadatku: ne samo tačnost. U data centru i na edge-u, watts po inferenciji postaje KPI.
5. Krenite od use case-a koji ima vlasnika i broj: npr. reklamacije, škart, OEE, MTBF/MTTR.

Ako ne možete da izračunate koliko vas košta jedan sat zastoja, nećete izračunati ni ROI AI projekta.

Šta ovo znači za konkurentnost Srbije u 2026.

Srbija je proizvodno orijentisana ekonomija, sa firmama koje rade za EU kupce i pod pritiskom rokova, kvaliteta i sertifikacija. U takvom okruženju, AI nije „lepa priča” – AI postaje način da isporučite stabilan kvalitet uz manje varijacije i manje otpada.

Fotonski čipovi poput LightGen-a (ako se pokažu u praksi) guraju još jednu promenu: AI infrastruktura može postati dostupnija i energetski racionalnija, što otvara prostor da i srednje firme u Srbiji urade ozbiljne sisteme – ne samo pilot projekte.

Ja bih ovo posmatrao kao poziv na disciplinu, ne na paniku: pratite trendove u hardveru, ali gradite temelje (podatke, procese, integracije) odmah.

Sledeći korak: od „AI vesti” do AI projekta u fabrici

Ako razmišljate o veštačkoj inteligenciji u proizvodnji, najbrži put do rezultata je da izaberete jedan proces koji „curi” novac svakog dana: škart, reklamacije, zastoji, loše planiranje, nepotrebne zalihe. Zatim postavite mini-sistem: prikupljanje podataka → model → merenje efekta → širenje.

Fotonski čipovi su zanimljivi jer obećavaju niže energetske troškove i više performansi. Ali prava prednost će pripasti firmama koje budu spremne da taj hardver sutra ubace u već postavljen sistem.

Koji deo vašeg pogona bi prvi osetio korist od brže, efikasnije AI obrade: kontrola kvaliteta na liniji, prediktivno održavanje ili planiranje proizvodnje?