Đột phá chip AI tương tự của Trung Quốc hứa hẹn tăng tốc gấp 1.000 lần và giảm mạnh mức tiêu thụ năng lượng

Bước chuyển mang tính cách mạng trong kiến trúc điện toán

Các nhà nghiên cứu Trung Quốc vừa công bố một chip điện toán tương tự mang tính đột phá, xử lý khối lượng công việc trí tuệ nhân tạo với mức năng lượng chỉ bằng một phần nhỏ so với bộ xử lý số thông thường. Thành tựu này đánh dấu cột mốc quan trọng trong nỗ lực phát triển phần cứng AI bền vững hơn. Trong nghiên cứu đăng tuần này trên tạp chí Nature Communications, các nhà khoa học Đại học Bắc Kinh chứng minh chip bộ nhớ truy cập ngẫu nhiên điện trở của họ có thể huấn luyện hệ thống đề xuất bằng các bộ dữ liệu có quy mô tương đương những bộ Netflix và Yahoo sử dụng, đạt tốc độ nhanh gấp 12 lần bộ xử lý số tiên tiến trong khi chỉ tiêu thụ một phần hai trăm năng lượng.

Đột phá này xác nhận những dự đoán lý thuyết trước đây, đồng thời đưa công nghệ vượt khỏi các phép thử toán học đơn giản để tiến tới ứng dụng thực tiễn. Tác giả chính Sun Zhong mô tả thành tựu là bước tiến mới trong việc mở rộng giới hạn của điện toán tương tự, đồng thời lưu ý chip mới xử lý được các tác vụ phức tạp mà vẫn giữ ưu thế vốn có về tốc độ và năng lượng của phương pháp này. Sự phát triển diễn ra khi các trung tâm dữ liệu trên thế giới chật vật trước nhu cầu điện tăng vọt do hoạt động huấn luyện AI thúc đẩy; một số cơ sở tiêu thụ lượng điện tương đương các thành phố nhỏ.

Nghiên cứu tiếp nối công trình được công bố lần đầu vào tháng 10, khi nhóm cho biết đã giải quyết vấn đề độ chính xác tồn tại suốt một thế kỷ và gây trở ngại cho điện toán tương tự. Khi đó, các nhà nghiên cứu cho rằng chip có thể đạt tốc độ xử lý nhanh gấp 1.000 lần những bộ xử lý số hàng đầu như bộ xử lý đồ họa Nvidia H100, đồng thời tiết kiệm năng lượng gấp 100 lần. Công bố mới nhất xác nhận mức cải thiện trong điều kiện thực tế, dù khiêm tốn hơn các dự báo lý thuyết ban đầu, đồng thời cho thấy chip có thể ứng dụng vào hệ thống đề xuất cá nhân hóa và xử lý hình ảnh.

Máy tính truyền thống xử lý thông tin dưới dạng chữ số nhị phân, gồm số 0 và 1, còn hệ thống tương tự thao tác với các tín hiệu vật lý liên tục như dòng điện. Điện toán số hoạt động như công tắc đèn thông thường chỉ có hai trạng thái bật hoặc tắt, trong khi điện toán tương tự giống công tắc điều chỉnh độ sáng, thay đổi giá trị trên một dải liên tục. Khác biệt căn bản này cho phép chip tương tự thực hiện phép tính dựa trên các đặc tính vật lý thay vì mã nhị phân, tránh việc truyền dữ liệu tiêu tốn nhiều năng lượng giữa bộ nhớ và bộ xử lý, vốn là điểm nghẽn của các bộ xử lý thông thường.

Thời điểm công nghệ này ra đời đặc biệt quan trọng khi ngành trí tuệ nhân tạo đối mặt với khủng hoảng năng lượng. Huấn luyện một mô hình ngôn ngữ lớn có thể tiêu thụ hàng megawatt-giờ điện, trong khi các trung tâm dữ liệu trên toàn cầu dùng nhiều điện hơn một số quốc gia phát triển. Bộ xử lý số truyền thống đang tiến gần các giới hạn vật lý căn bản khi nhà sản xuất thu nhỏ linh kiện bán dẫn đến quy mô nguyên tử. Vì vậy, đổi mới kiến trúc ngày càng cần thiết để duy trì tiến bộ, thay vì chỉ cải tiến quy trình chế tạo.

Tuy nhiên, hệ thống tương tự từ lâu gặp khó khăn về độ chính xác. Máy tính số cho kết quả chính xác thông qua các thuật toán từng bước, còn thiết bị tương tự dễ bị nhiễu tín hiệu, khiến chúng không phù hợp với các ứng dụng hiện đại phức tạp. Hạn chế này khiến công nghệ tương tự bị xem như điều kỳ lạ trong lịch sử suốt nhiều thập kỷ, dù có nguồn gốc từ thời cổ đại, trong đó có cơ cấu Antikythera, một thiết bị tính toán thiên văn của Hy Lạp có niên đại 2.000 năm, dùng các bánh răng ăn khớp để dự đoán vị trí thiên thể.

Vượt qua rào cản độ chính xác

Nhóm Đại học Bắc Kinh giải quyết hạn chế này bằng kiến trúc hai mạch sáng tạo, kết hợp tốc độ của điện toán tương tự với độ chính xác của hệ thống số. Chip sử dụng các ô nhớ truy cập ngẫu nhiên điện trở, lưu trữ dữ liệu bằng cách điều chỉnh điện trở giữa các điện cực. Bằng cách bố trí các ô này thành hai mạch riêng biệt, các nhà nghiên cứu tạo ra một hệ thống cho kết quả xấp xỉ nhanh, sau đó tinh chỉnh qua nhiều vòng xử lý để đạt độ chính xác tương đương phép tính số dấu phẩy động 32 bit.

Độ chính xác từ lâu là nút thắt trung tâm của điện toán tương tự. Làm thế nào để đạt được cả độ chính xác cao lẫn khả năng mở rộng trong điện toán tương tự, qua đó tận dụng những ưu thế vốn có của nó cho các tác vụ điện toán hiện đại, là vấn đề đã gây trở ngại cho cộng đồng khoa học toàn cầu suốt một thế kỷ.

Sun Zhong, giảng viên trợ lý tại trường, cho biết phương pháp này cải thiện độ chính xác của điện toán tương tự truyền thống lên năm bậc độ lớn, tức khoảng 100.000 lần. Mạch thứ nhất tạo ra kết quả với tỷ lệ sai số khoảng 1%, nhưng sau ba vòng tinh chỉnh qua mạch thứ hai, sai số giảm xuống mức tương đương các bộ xử lý số tiêu chuẩn. Nhóm nghiên cứu chứng minh khả năng này bằng cách giải các bài toán nghịch đảo ma trận, với ma trận giá trị thực kích thước 16 x 16 và độ chính xác số dấu phẩy cố định 24 bit.

Công nghệ bộ nhớ truy cập ngẫu nhiên điện trở, cốt lõi của đột phá này, khác biệt đáng kể so với phương pháp điện toán dựa trên transistor truyền thống. Các ô nhớ RRAM hoạt động như memristor, linh kiện điện có khả năng ghi nhớ lượng dòng điện từng chạy qua bằng cách thay đổi điện trở bên trong. Đặc tính này cho phép chip lưu trữ và xử lý thông tin đồng thời tại cùng một vị trí vật lý, xóa bỏ sự tách biệt giữa bộ nhớ và bộ xử lý vốn buộc máy tính thông thường tiêu tốn năng lượng để truyền dữ liệu qua lại trên các đường truyền.

Phép toán ma trận là nền tảng toán học của trí tuệ nhân tạo, học máy và truyền thông không dây hiện đại. Khi huấn luyện mạng nơ-ron hoặc xử lý tín hiệu cho mạng 6G, máy tính phải giải các phương trình gồm những lưới số khổng lồ. Bộ xử lý số thực hiện tuần tự các tác vụ này, chia phép tính thành chuỗi dài thao tác nhị phân. Chip tương tự xử lý các ma trận song song, tính toán trực tiếp trong các mảng bộ nhớ mà không cần chuyển tín hiệu thành mã nhị phân.

Tầm quan trọng lịch sử của việc giải quyết vấn đề độ chính xác không thể bị xem nhẹ. Điện toán tương tự có trước công nghệ số; một ví dụ ban đầu là máy tích phân dùng nước của Liên Xô năm 1936, sử dụng dòng chất lỏng chảy qua các ống để giải phương trình toán học. Dù có những sáng tạo như vậy, các vấn đề về nhiễu và khả năng mở rộng đã khiến hệ thống tương tự lỗi thời khi công nghệ số phát triển. Chip mới khơi lại các ý tưởng này bằng công nghệ bộ nhớ điện trở hiện đại, có thể mở đường cho những kiến trúc bị bỏ lại từ nhiều thập kỷ trước.

Từ lý thuyết toán học đến ứng dụng thực tế

Trong khi thông báo ban đầu tập trung vào khả năng lý thuyết, công bố mới nhất xác nhận hiệu năng trên các tác vụ AI thực tế phản ánh nhu cầu của ngành. Chip xử lý thành công hệ thống đề xuất cá nhân hóa bằng các bộ dữ liệu có quy mô tương đương dữ liệu Netflix và Yahoo sử dụng, cho thấy năng lực vượt xa các phép thử toán học đơn giản. Trong thử nghiệm nén ảnh, hệ thống tái tạo dữ liệu hình ảnh với chất lượng gần như tương đương điện toán số chính xác đầy đủ, đồng thời giảm một nửa dung lượng lưu trữ cần thiết.

Các ứng dụng này phản ánh khối lượng công việc sử dụng nhiều dữ liệu đang gây sức ép lên nguồn lực của các trung tâm dữ liệu trên toàn cầu. Thuật toán đề xuất vận hành các dịch vụ phát trực tuyến, nền tảng mạng xã hội và trang thương mại điện tử, xử lý hàng tỷ lượt tương tác của người dùng để tạo gợi ý cá nhân hóa. Nén ảnh là nền tảng của mọi thứ, từ phát video trực tuyến đến chẩn đoán hình ảnh y khoa; giảm dung lượng tệp mà không làm giảm chất lượng giúp tiết kiệm băng thông và chi phí lưu trữ. Khả năng xử lý các tác vụ này với mức tiêu thụ năng lượng tối thiểu cho thấy chip có thể làm thay đổi cách những dịch vụ đó vận hành.

Điều này đưa giới hạn của điện toán tương tự tiến thêm một bước.

Ngoài ứng dụng tiêu dùng, chip còn cho thấy khả năng trong thử nghiệm truyền thông không dây, phát hiện tín hiệu ở các hệ thống đa đầu vào đa đầu ra quy mô lớn. Công nghệ này có ý nghĩa then chốt với mạng 6G trong tương lai, khi các trạm gốc phải xử lý đồng thời những mảng ăng-ten khổng lồ. Trong các tác vụ truyền thông này, thiết bị đạt hiệu năng ngang bộ xử lý số nhưng chỉ dùng khoảng một phần trăm năng lượng, cho thấy tiềm năng ứng dụng trong môi trường bị giới hạn nguồn điện, nơi thời lượng pin hoặc năng lực làm mát hạn chế phần cứng truyền thống.

Mạng không dây 6G trong tương lai sẽ đòi hỏi các trạm gốc quản lý đồng thời hàng trăm phần tử ăng-ten, xử lý lượng lớn dữ liệu tín hiệu theo thời gian thực để duy trì kết nối với thiết bị di động. Nhu cầu tính toán của các hệ thống này vượt khả năng của bộ xử lý tín hiệu số hiện nay, đặc biệt về giới hạn độ trễ và ngân sách năng lượng tại các tháp viễn thông ở vùng xa. Khả năng phát hiện tín hiệu truyền thông không dây với hiệu năng ngang bộ xử lý số nhưng tiêu thụ ít năng lượng khiến chip tương tự đặc biệt phù hợp với các ứng dụng viễn thông này.

Mức tiết kiệm năng lượng càng đáng kể khi xét đến quy mô hạ tầng AI hiện đại. Huấn luyện các mô hình ngôn ngữ lớn cần nhiều tuần xử lý trên hàng nghìn card đồ họa cao cấp, tiêu thụ hàng megawatt-giờ điện. Giảm mức tiêu thụ năng lượng xuống 1/100 mà vẫn duy trì hoặc cải thiện tốc độ xử lý có thể giảm mạnh cả chi phí vận hành lẫn tác động môi trường, góp phần giải quyết những lo ngại ngày càng tăng về dấu chân carbon của hoạt động phát triển trí tuệ nhân tạo.

Bối cảnh ngành bán dẫn toàn cầu

Đột phá xuất hiện vào thời điểm then chốt của bối cảnh công nghệ toàn cầu, khi các hạn chế xuất khẩu làm giảm khả năng tiếp cận GPU Nvidia tiên tiến và các bộ xử lý số hiệu năng cao khác của Trung Quốc. Dù chip này chưa thể thay thế ngay các card đồ họa đa dụng, nó đem lại một lựa chọn chuyên biệt cho một số tác vụ điện toán cụ thể chiếm tỷ trọng lớn trong quá trình huấn luyện và suy luận AI. Các nhà phân tích ngành cho rằng công nghệ này có thể định hình lại phần cứng AI bằng cách cung cấp giải pháp tiết kiệm năng lượng cho phép tính ma trận, vốn là cốt lõi của hoạt động mạng nơ-ron.

Việc so sánh với Nvidia H100, card đồ họa được dùng để huấn luyện các mô hình ngôn ngữ lớn như ChatGPT, cho thấy tiềm năng tạo ra thay đổi lớn. Các dự báo lý thuyết cho thấy thông lượng có thể cao gấp 1.000 lần các bộ xử lý số này trong một số phép toán ma trận, với hiệu quả năng lượng tăng gấp 100 lần. Ngay cả kết quả thực tế đã được xác nhận, gồm tốc độ nhanh gấp 12 lần và hiệu quả năng lượng cao gấp 200 lần, cũng là mức cải thiện đáng kể so với công nghệ hiện đang chiếm ưu thế tại các trung tâm dữ liệu toàn cầu.

Quy trình sản xuất sử dụng năng lực của các nhà máy đúc thương mại, đồng nghĩa về lý thuyết có thể mở rộng sản lượng mà không cần vật liệu đặc biệt hay cơ sở chế tạo hoàn toàn mới. Cách tiếp cận thực tiễn này giúp nghiên cứu khác với những thử nghiệm trong phòng thí nghiệm không thể hoạt động ngoài môi trường hoàn hảo. Chip được chế tạo bằng kỹ thuật sản xuất bán dẫn tiêu chuẩn, cho thấy nếu nhu cầu xuất hiện, sản lượng có thể tăng nhờ chuỗi cung ứng hiện có, thay vì cần đầu tư hàng tỷ USD vào cơ sở hạ tầng.

James Millen, nhà nghiên cứu tại Đại học King's College London, nêu bối cảnh về vai trò của phép tính ma trận trong huấn luyện AI. Ông lưu ý máy tính số là những cỗ máy đa năng có thể tính toán mọi thứ, nhưng không nhất thiết thực hiện mọi tác vụ một cách hiệu quả hoặc nhanh chóng. Máy tính tương tự được thiết kế riêng cho các nhiệm vụ cụ thể có thể đạt tốc độ và hiệu quả vượt trội trong những ứng dụng đó, qua đó có khả năng giảm nhu cầu năng lượng khổng lồ do mức độ phụ thuộc ngày càng tăng vào AI.

Giới hạn kỹ thuật và hướng phát triển

Dù đạt kết quả ấn tượng trong các phép đo hiệu năng, các nhà nghiên cứu thừa nhận vẫn còn những hạn chế đáng kể. Sun Zhong cảnh báo ứng dụng thực tế có thể đạt mức cải thiện thấp hơn mức tối đa theo lý thuyết. Chip chỉ chuyên về phép tính ma trận, nghĩa là chỉ tăng tốc được những phần trong quá trình huấn luyện AI có chứa các phép toán cụ thể này. Nếu phép tính ma trận chiếm phần lớn khối lượng công việc, mức tăng tốc sẽ đáng kể; nhưng với các tác vụ điện toán đa dụng cần nhiều loại phép toán khác nhau, lợi ích vẫn hạn chế.

Thực tế này cho thấy tương lai nhiều khả năng sẽ dựa vào kiến trúc lai, thay vì thay thế hoàn toàn bộ xử lý số bằng hệ thống tương tự. GPU trong tương lai có thể tích hợp mạch tương tự để xử lý một số phần nhất định của thuật toán huấn luyện AI, đặc biệt là các phương pháp tối ưu hóa bậc hai và phép toán đại số tuyến tính, đồng thời vẫn duy trì lõi số cho điện toán đa dụng. Việc tích hợp như vậy còn cách sản phẩm thương mại nhiều năm, nhưng nghiên cứu đã cung cấp công nghệ nền tảng cho hướng phát triển này.

Điện toán biên là một lĩnh vực ứng dụng tiềm năng khác. Xe tự hành, robot công nghiệp và kính thực tế tăng cường cần năng lực xử lý đáng kể nhưng phải tuân thủ các giới hạn nghiêm ngặt về pin và nhiệt độ. Các giải pháp hiện nay dựa vào việc gửi dữ liệu đến máy chủ đám mây để xử lý, gây thêm độ trễ và phụ thuộc vào kết nối. Chip tương tự có thể chạy các tác vụ suy luận AI phức tạp ngay trên thiết bị mà không chịu mức hao phí năng lượng của bộ xử lý số, nhờ đó giúp thiết bị hoạt động tự chủ hơn và kéo dài đáng kể thời lượng pin.

Khả năng mở rộng là một thách thức khác. Bộ xử lý số có thể xử lý các bài toán lớn tùy ý bằng cách chia thành phần nhỏ rồi xử lý tuần tự, còn hệ thống tương tự cần mạch vật lý lớn hơn để giải các ma trận lớn hơn. Việc chế tạo chip xử lý được các bài toán gồm một triệu biến mỗi chiều như trong các mô hình ngôn ngữ lớn hiện đại sẽ đòi hỏi những tiến bộ kỹ thuật đáng kể. Dù vậy, với ứng dụng điện toán biên nơi giới hạn tiêu thụ điện là yếu tố chi phối, ngay cả chip tương tự quy mô nhỏ hơn cũng có thể giúp AI phức tạp chạy trực tiếp trên thiết bị thay vì phụ thuộc vào kết nối đám mây.

Nhóm nghiên cứu cho biết các mục tiêu tiếp theo là chế tạo chip tích hợp hoàn chỉnh, kích thước lớn hơn, có thể xử lý các bài toán phức tạp hơn với tốc độ cao hơn. Nếu thành công, nỗ lực này có thể thúc đẩy phát triển truyền thông 6G, giúp huấn luyện mô hình AI hiệu quả hơn và giảm tác động môi trường của các trung tâm dữ liệu, vốn đang tiêu thụ tỷ trọng ngày càng lớn trong tổng sản lượng điện toàn cầu. Khi điện toán số tiến gần các giới hạn vật lý do sự tách biệt giữa bộ nhớ và bộ xử lý đặt ra, các phương án tương tự mở ra hướng duy trì cải thiện hiệu năng mà không làm mức tiêu thụ điện tăng tương ứng.

Điểm chính

• Các nhà nghiên cứu Đại học Bắc Kinh phát triển chip AI tương tự dùng bộ nhớ truy cập ngẫu nhiên điện trở, đạt tốc độ nhanh gấp 12 lần và hiệu quả năng lượng cao gấp 200 lần các bộ xử lý số tiên tiến trong các tác vụ thực tế về đề xuất và xử lý hình ảnh.
• Thiết bị giải quyết vấn đề độ chính xác tồn tại suốt một thế kỷ, vốn ngăn điện toán tương tự đạt độ chính xác ngang điện toán số. Kiến trúc hai mạch tinh chỉnh các phép tính xấp xỉ, đưa tỷ lệ sai số xuống mức tương đương hệ thống dấu phẩy động 32 bit.
• Không giống bộ xử lý số dùng các số nhị phân 0 và 1, chip thao tác với tín hiệu điện liên tục để thực hiện phép tính ma trận trực tiếp trong bộ nhớ, loại bỏ nút thắt truyền dữ liệu vốn tiêu tốn phần lớn năng lượng trong điện toán thông thường.
• Công nghệ được sản xuất bằng quy trình bán dẫn thương mại, cho thấy tiềm năng sản xuất hàng loạt, dù phiên bản hiện tại xử lý ma trận nhỏ hơn quy mô cần thiết để huấn luyện các mô hình AI lớn nhất.
• Các ứng dụng gồm hệ thống đề xuất cá nhân hóa, nén ảnh, xử lý tín hiệu không dây 6G và có thể là kiến trúc điện toán lai kết hợp hiệu quả của điện toán tương tự với tính linh hoạt của điện toán số.
• Đột phá xuất hiện khi Trung Quốc đối mặt với các hạn chế nhập khẩu GPU Nvidia tiên tiến, đem lại lựa chọn do trong nước phát triển cho một số tác vụ AI cụ thể, đồng thời có thể giảm mức tiêu thụ năng lượng của các trung tâm dữ liệu trên toàn cầu.