Máy tính Neuromorphic là gì?

Đổi mới là hành trình tìm kiếm những phương thức khoa học mới để giải quyết hoặc cải thiện các giới hạn của công nghệ tối tân. Nhìn vào trạng thái hiện tại của AI, công nghệ này vô cùng mạnh mẽ và có thể làm được những điều mà chỉ vài năm trước còn tưởng như bất khả thi. Tuy nhiên, nhiều hệ thống trong số đó lại kém hiệu quả và tiêu tốn rất nhiều tài nguyên. 

Như chúng tôi đã giải thích trong một bài viết riêng về AI bền vững, việc huấn luyện và vận hành các hệ thống AI hiện đại đòi hỏi lượng điện, nước và tài nguyên khổng lồ, dẫn tới dấu chân môi trường gia tăng nhanh chóng. Trong bối cảnh đó, không có gì ngạc nhiên khi Sam Altman, CEO OpenAI, công ty đứng sau ChatGPT và các mô hình AI tạo sinh thành công khác, đã phát biểu rằng tương lai của AI phụ thuộc vào đột phá về năng lượng. 

Tuy nhiên, trong khi chờ đợi sự ra đời từ lâu mong đợi của các nguồn năng lượng (sạch) mới, các nhà nghiên cứu đang tìm kiếm những cách thức mới để giảm hóa đơn năng lượng cho các công nghệ AI hiện nay thông qua các phương pháp tính toán mới, hiệu quả hơn.

Đó là lúc điện toán neuromorphic xuất hiện. Neuromorphic là một cách tiếp cận tính toán lấy cảm hứng từ cấu trúc và chức năng của não người. Nó bao hàm một sự chuyển đổi mô hình, mô phỏng các cấu trúc và chức năng thần kinh - khớp thần kinh của não để xử lý thông tin. Mục tiêu là tạo ra các hệ thống AI mới vượt xa các mô hình học sâu ngày nay cả về năng lực lẫn hiệu quả.

Bài viết này sẽ cung cấp mọi điều bạn cần biết để bắt đầu với lĩnh vực điện toán neuromorphic đầy hứng khởi và hứa hẹn. Chúng tôi sẽ đề cập đến những kiến thức nền tảng của mô hình tính toán này, các ứng dụng chính, cũng như ưu điểm và thách thức của nó.

Neuromorphic Computing là gì?

Điện toán neuromorphic là một cách tiếp cận mang tính cách mạng trong thiết kế phần cứng và phần mềm mô phỏng não người, mang đến một lựa chọn hiệu quả và bền vững hơn so với tính toán truyền thống để vận hành các hệ thống AI tiên tiến.

Nhiều thập kỷ qua đã chứng kiến sự cải thiện liên tục về năng lực của máy tính. Từ những chiếc máy tính bỏ túi đơn giản đến các hệ thống phức tạp tận dụng sức mạnh của AI và học máy để dự đoán đủ loại sự kiện với độ chính xác chưa từng có và tạo nội dung (ví dụ: ChatGPT), tiến hóa của máy tính nói lên rất nhiều điều về xã hội hiện đại và cách chúng ta đến được ngày hôm nay.

Tuy vậy, các máy tính hiện đại đang chạm tới giới hạn của chúng. Cùng với sự trỗi dậy của AI, các phương pháp tính toán hiện tại bộc lộ sự kém hiệu quả, chậm và tiêu tốn nhiều năng lượng. Lượng tài nguyên cần thiết để khiến hệ thống AI trở nên phổ biến là quá lớn và khó có thể chấp nhận về mặt môi trường. 

Neuromorphic là một hướng tiếp cận mới nhằm khắc phục các giới hạn của máy tính hiện nay. Dù thuật ngữ này không mới (xuất hiện từ thập niên 1980 khi các nhà nghiên cứu Misha Mahowald và Carver Mead phát triển võng mạc và ốc tai silicon đầu tiên cùng các nơ-ron và khớp thần kinh silicon đầu tiên, khai mở mô hình tính toán neuromorphic), nhưng nó đang nhanh chóng thu hút sự quan tâm. 

Cách tiếp cận này đề xuất xem xét lại toàn diện cách phần cứng và phần mềm được hình dung và phát triển. Mục tiêu là thiết kế các thành phần máy tính mô phỏng não bộ và hệ thần kinh con người. 

Neuromorphic hoạt động như thế nào?

Để hiểu điện toán neuromorphic vận hành ra sao, trước hết chúng ta cần hiểu bộ não người hoạt động như thế nào. 

Nói đơn giản, chức năng xử lý và ghi nhớ do các nơ-ron và khớp thần kinh đảm nhận. Những nơ-ron và khớp thần kinh này gửi và truyền tải thông tin trong não với tốc độ gần như tức thời và tiêu thụ gần như bằng không năng lượng. Các chức năng đó giải thích, chẳng hạn, vì sao chúng ta có thể nhanh chóng phân biệt mèo với chó hoặc dừng xe khi thấy người đi bộ giữa đường.  

Chìa khóa cho năng lực vượt trội của chúng ta trong việc điều hướng những phức tạp của thực tại nằm ở chỗ hoạt động xử lý và ghi nhớ diễn ra cùng một nơi. Điều này khác về bản chất so với máy tính truyền thống, vốn tách biệt đơn vị nhớ và đơn vị xử lý. 

Dù thiết kế này tỏ ra cực kỳ hiệu quả cho các phép tính phức tạp, như dự báo liệu ngày mai có mưa hay không, nó lại không lý tưởng cho những tác vụ cụ thể mà con người làm dễ dàng, như nhận dạng hình ảnh, suy luận hay đi bộ.

Cuộc cách mạng trong điện toán neuromorphic hứa hẹn các tác vụ này sẽ được thực hiện trên một con chip, được thiết kế riêng để chạy các mạng nơ-ron phát xung (SNN), một loại mạng nơ-ron nhân tạo gồm các nơ-ron và khớp thần kinh phát xung. Hãy xem bài viết riêng của chúng tôi để tìm hiểu chi tiết hơn mạng nơ-ron là gì.

SNN khác với mạng nơ-ron thông thường ở chỗ loại bỏ nhu cầu truyền dữ liệu giữa bộ nhớ (RAM) và các đơn vị xử lý (CPU hoặc GPU). Chúng cũng được kích hoạt theo sự kiện, nghĩa là chỉ xử lý thông tin khi có các sự kiện liên quan xảy ra (dựa trên cơ chế phát xung sử dụng ngưỡng để kích hoạt nơ-ron). 

Kết quả là, SNN có thể tăng tốc thời gian xử lý và giảm mức năng lượng tiêu thụ. Lợi ích về độ trễ này có thể tạo khác biệt lớn, đặc biệt ở các tác vụ nơi máy tính dựa vào dữ liệu cảm biến thời gian thực, như camera trên xe tự lái.

Ứng dụng của Neuromorphic

Điện toán neuromorphic có thể thúc đẩy một cuộc cách mạng với những tác động sâu rộng tới ngành công nghiệp. Nếu các hứa hẹn về mức tăng hiệu quả chưa từng có trở thành hiện thực và phổ biến, neuromorphic có thể là yếu tố thay đổi cuộc chơi cho nhiều ứng dụng, thúc đẩy nhanh quá trình phát triển và triển khai.

Dưới đây là danh sách các ứng dụng nổi bật có thể hưởng lợi từ điện toán neuromorphic.

Trí tuệ nhân tạo và học máy

AI là một trong những công nghệ mang tính đột phá và chuyển đổi lớn nhất mà chúng ta đã phát triển. Ứng dụng của AI là vô tận, tuy nhiên, như đã đề cập, các máy tính hiện nay chưa thực sự phù hợp để khai thác trọn vẹn tiềm năng của AI. 

May mắn thay, neuromorphic mang đến một cách tiếp cận tính toán đổi mới đã chứng tỏ đặc biệt phù hợp cho các tác vụ và bài toán đòi hỏi hiệu quả năng lượng, xử lý song song và khả năng thích nghi, như nhận dạng mẫu và xử lý cảm giác. Ví dụ, học máy neuromorphic đã được dùng để nhận dạng mẫu trong ngôn ngữ tự nhiên hoặc cho mục đích nhận diện khuôn mặt.

Phương tiện tự hành

Một ví dụ điển hình cho thấy neuromorphic có thể thay đổi cuộc chơi trong các ứng dụng cần xử lý cảm biến là xe tự hành. Các nhà sản xuất xe tự lái sử dụng nhiều camera và cảm biến thông minh để thu nhận hình ảnh từ môi trường, giúp xe phát hiện vật thể, vạch kẻ đường và biển báo giao thông để lái an toàn. 

Nhờ hiệu năng cao và độ trễ thấp, máy tính neuromorphic có thể giúp cải thiện khả năng dẫn đường của phương tiện tự hành, cho phép ra quyết định nhanh và chính xác hơn, yếu tố thiết yếu để giảm thiểu tai nạn tiềm ẩn, đồng thời giảm đáng kể mức tiêu thụ năng lượng. Cuối cùng, điều này sẽ kéo dài tuổi thọ pin cho xe.

Nếu bạn quan tâm đến khía cạnh kỹ thuật của xe tự hành, đây là một dự án DataCamp để phát hiện biển báo giao thông bằng học sâu có thể giúp bạn bắt đầu trong lĩnh vực này.

Robot

Tương tự xe tự hành, điện toán neuromorphic được xem là công nghệ then chốt đưa robot lên một giai đoạn phát triển mới. Các robot mới được trang bị cảm biến neuromorphic có thể phù hợp hơn để giải quyết những thách thức kinh điển trong lĩnh vực này, như cách cho phép học tập và ra quyết định theo thời gian thực trong các tình huống đời sống, đồng thời xét đến các ràng buộc liên quan đến pin. 

Quan tâm đến cách máy móc tương tác với môi trường xung quanh? Hãy đọc bài viết này để tìm hiểu thêm về nhận thức máy và cảm biến thông minh.

Điện toán biên

Hầu hết các hệ thống AI tiên tiến thường dựa vào máy chủ đám mây từ xa để xử lý khối lượng công việc nặng. Cách tiếp cận này có thể gây vấn đề cho các ứng dụng cần phản hồi nhanh, như xe tự lái hoặc các ứng dụng trên thiết bị tài nguyên hạn chế. Điện toán biên tìm cách giải quyết bằng cách đưa khả năng AI trực tiếp lên thiết bị.

Những tiến bộ trong neuromorphic nhiều khả năng sẽ cách mạng hóa điện toán biên. Nhờ mức tiêu thụ điện năng thấp của chip neuromorphic, điện thoại thông minh và đủ loại thiết bị đeo thông minh – vốn thường có thời lượng pin ngắn — sẽ có thể thực hiện nhiều tác vụ mới trước đây đòi hỏi rất nhiều năng lượng. 

Ưu điểm của Neuromorphic

Dưới đây, chúng tôi đề cập một số lý do nổi bật vì sao PwC gần đây gọi neuromorphic là một trong tám công nghệ mới nổi thiết yếu hiện nay. 

Hiệu quả năng lượng

Điện toán neuromorphic có thể là nền tảng cho một giai đoạn mới của tính toán thông minh. Các thành phần phần cứng và phần mềm mới sẽ mang lại hiệu quả trong cả xử lý dữ liệu và tiêu thụ điện năng. Những cải thiện đó sẽ giúp doanh nghiệp giảm chi phí vận hành, phát triển các hệ thống AI nhanh và chính xác hơn, và hy vọng sẽ giảm dấu chân carbon. 

Xử lý song song

Xử lý song song là việc chia một tác vụ tính toán thành các tác vụ nhỏ hơn trên nhiều máy chủ, từ đó hoàn thành đồng thời và nhanh hơn. Đặc tính của SNN khiến chúng đặc biệt phù hợp với các tác vụ đòi hỏi xử lý song song, như nhận dạng mẫu. 

Học tập thời gian thực và khả năng thích nghi

Máy tính neuromorphic dựa trên SNN rất mạnh trong học tập thời gian thực và thích nghi. Sự linh hoạt và đa dụng này có thể mang tính sống còn trong các ứng dụng AI đòi hỏi học liên tục và ra quyết định nhanh, như robot hoặc phương tiện tự hành.

Thách thức và hạn chế

Dù lợi ích của neuromorphic rất rõ ràng, công nghệ này vẫn còn khá non trẻ và chưa sẵn sàng trở nên phổ biến. Dưới đây là một số thách thức phía trước.

Thiếu tiêu chuẩn

Dù số lượng dự án neuromorphic đang tăng lên, phần lớn vẫn nằm trong các phòng thí nghiệm và trường đại học được tài trợ tốt. Điều đó cho thấy công nghệ chưa sẵn sàng để ra thị trường. Vẫn thiếu các tiêu chuẩn về phần cứng và phần mềm, mà không có chúng thì việc mở rộng là gần như bất khả thi.

Khả năng tiếp cận hạn chế

Sự thiếu vắng tiêu chuẩn về cơ bản có nghĩa là chúng ta vẫn thiếu ngôn ngữ chung để gọi tên và mô tả các thành phần, thuộc tính của máy tính neuromorphic. Điều đó giải thích vì sao chỉ một số ít chuyên gia trên toàn cầu quen thuộc với điện toán neuromorphic. Như Andreea Danielescu, giám đốc liên kết tại Accenture Lab, nói: