Chip 40nm mô phỏng não nhanh hơn A100 478 lần: Hiểu sao cho đúng?

Một chip 40nm mô phỏng não do nhóm nghiên cứu Trung Quốc phát triển có thể tái tạo bề mặt vỏ não trong thời gian dưới nửa giây và được báo cáo nhanh hơn GPU Nvidia A100 từ 50 đến 478 lần. Con số gây chú ý, nhưng cần hiểu đúng: đây là kết quả trong một tác vụ chuyên biệt, không phải bằng chứng chip 40nm mạnh hơn A100 ở mọi bài toán AI.

Nghiên cứu do nhóm của Giáo sư Yang Yuchao tại Đại học Bắc Kinh phối hợp với Viện Vi hệ thống và Công nghệ thông tin Thượng Hải, thuộc Viện Hàn lâm Khoa học Trung Quốc thực hiện. Công trình có tên “A sub-10-millisecond neural dynamical system based on phase change memristors”, được công bố trên Science năm 2026.

Điểm đáng giá nhất không nằm ở cuộc đua tiến trình 40nm với 7nm, mà ở cách nhóm nghiên cứu đưa động lực học của vật liệu vào chính quá trình tính toán. Đây là ví dụ cho thấy kiến trúc đúng có thể quan trọng hơn tiến trình tiên tiến khi phần cứng được thiết kế cho một bài toán cụ thể.

Chip 40nm mô phỏng não thực sự làm được gì?

Con chip được xây dựng quanh phase-change memristor, một dạng linh kiện nhớ có thể thay đổi độ dẫn điện theo trạng thái vật liệu. Nhóm nghiên cứu dùng đặc tính vật lý này để triển khai một hệ động lực học thần kinh trực tiếp trên phần cứng, thay vì mô phỏng toàn bộ bằng chuỗi phép tính trên CPU hoặc GPU.

Theo thông tin từ phòng thí nghiệm và các bản tin khoa học, hệ thống đạt độ trễ 2,12 mili giây cho một bước tính toán. Phần mảng tính toán trong bộ nhớ chiếm diện tích khoảng 0,28 mm² trên chip được chế tạo bằng tiến trình 40nm.

Trong thử nghiệm tái tạo bề mặt vỏ não từ dữ liệu y khoa, hệ thống tạo ra lưới 3D trơn, giữ tính nhất quán topo và mô tả được các nếp gấp phức tạp. Toàn bộ quy trình có thể hoàn tất dưới nửa giây trong cấu hình được báo cáo.

Vì sao tái tạo bề mặt não là bài toán khó?

Vỏ não không phải một khối hình học đơn giản. Nó có hệ thống rãnh và nếp gấp dày đặc, trong khi mô hình phục vụ y khoa phải tránh lỗ hổng, mặt tự cắt hoặc sai lệch topo. Chỉ cần một lỗi nhỏ cũng có thể làm giảm giá trị của mô hình trong nghiên cứu và lập kế hoạch phẫu thuật.

Các phương pháp truyền thống thường xử lý dữ liệu MRI qua nhiều bước: phân đoạn mô, tạo lưới, làm mịn và hiệu chỉnh hình học. Khi chạy trên kiến trúc von Neumann, dữ liệu phải di chuyển liên tục giữa bộ nhớ và bộ xử lý. Với lưới ba chiều lớn, chi phí di chuyển dữ liệu trở thành nút thắt.

Khả năng rút ngắn độ trễ mở ra triển vọng cập nhật mô hình nhanh hơn trong phòng mổ, hỗ trợ phân tích hình thái não và nghiên cứu các bệnh thoái hóa thần kinh. Tuy nhiên, ứng dụng lâm sàng vẫn cần quy trình kiểm định độc lập, dữ liệu đa trung tâm và phê duyệt thiết bị y tế.

Computing-in-memory thay đổi bài toán như thế nào?

Computing-in-memory đưa một phần phép tính tới nơi dữ liệu được lưu trữ. Thay vì liên tục đọc dữ liệu khỏi bộ nhớ, chuyển sang GPU rồi ghi kết quả trở lại, mảng nhớ tham gia trực tiếp vào quá trình xử lý. Điều này giảm băng thông cần thiết, độ trễ và năng lượng tiêu thụ.

Trong chip này, vật liệu phase-change không chỉ lưu một giá trị tĩnh. Sự thay đổi trạng thái theo thời gian trở thành thành phần của phép tính động lực học. Nói cách khác, phần cứng không giả lập mọi bước của phương trình bằng lệnh số; chính hành vi vật lý của linh kiện góp phần giải bài toán.

Đó là lý do một tiến trình 40nm vẫn có thể đạt kết quả ấn tượng. Tiến trình cũ hơn thường thua về mật độ transistor và hiệu suất trên các chip đa dụng, nhưng có thể rẻ hơn, dễ sản xuất hơn và đủ tốt cho mạch analog/mixed-signal chuyên biệt.

Độ trôi điện dẫn: khuyết điểm được biến thành tài nguyên

Phase-change memory thường gặp conductance drift: độ dẫn điện thay đổi theo thời gian sau khi thiết bị được lập trình. Trong nhiều thiết kế lưu trữ và AI accelerator, đây là sai số phải bù trừ để giữ kết quả ổn định.

Nhóm nghiên cứu chọn hướng khác. Họ khai thác đặc tính biến thiên này như một dạng động lực học tự nhiên, rồi ánh xạ nó vào hệ phương trình cần giải. Cách tiếp cận thuộc nhóm physics-driven computing: dùng hành vi của vật chất để thực hiện phép biến đổi thay vì cưỡng ép phần cứng hành xử như bộ nhớ số hoàn hảo.

Điều này không có nghĩa mọi khuyết điểm vật liệu đều tự động hữu ích. Thành công phụ thuộc vào mô hình toán, khả năng hiệu chuẩn, độ đồng đều giữa linh kiện và cơ chế tích hợp analog–digital. Nếu đổi sang bài toán khác, lợi thế có thể giảm mạnh hoặc biến mất.

“Nhanh hơn Nvidia A100 478 lần” cần hiểu thế nào?

Mốc 478,18 lần là mức tăng tốc cao nhất được báo cáo trong tác vụ tái tạo bề mặt vỏ não, với cấu hình và độ phức tạp cụ thể. Các trường hợp khác cho mức chênh lệch khoảng 50 lần. So sánh này đo thời gian chạy workload đã được tối ưu cho kiến trúc mới, không phải benchmark AI tổng quát.

A100 vẫn là GPU đa dụng có thể huấn luyện mô hình ngôn ngữ, xử lý ma trận lớn, chạy inference, mô phỏng khoa học và hàng nghìn phần mềm CUDA. Chip memristor mới là accelerator chuyên dụng cho hệ động lực học thần kinh. Hai thiết bị có phạm vi sử dụng, khả năng lập trình và hệ sinh thái hoàn toàn khác nhau.

Vì vậy, câu đúng là: chip 40nm nhanh hơn A100 tới 478 lần trong một benchmark tái tạo vỏ não cụ thể. Câu “chip Trung Quốc mạnh hơn Nvidia A100 478 lần” nếu bỏ phần điều kiện sẽ gây hiểu nhầm.

40nm không đồng nghĩa với lỗi thời

Trong chip điện thoại hay GPU cao cấp, tiến trình nhỏ giúp tăng mật độ transistor và cải thiện hiệu năng trên mỗi watt. Nhưng nhiều chip công nghiệp, ô tô, cảm biến, quản lý nguồn và mixed-signal vẫn sử dụng tiến trình lớn hơn vì chi phí hợp lý, độ ổn định cao và phù hợp với đặc tính analog.

Với compute-in-memory dùng memristor, yếu tố quyết định có thể là cách tích hợp vật liệu nhớ, mảng analog, ADC/DAC, điều khiển số và thuật toán. Thu nhỏ transistor không tự giải quyết nút thắt di chuyển dữ liệu, cũng không bảo đảm phần cứng sẽ khai thác tốt động lực học vật liệu.

Nghiên cứu này cho thấy đổi mới bán dẫn không chỉ là mua máy quang khắc tiên tiến. Tối ưu kiến trúc, đồng thiết kế thuật toán–phần cứng và khai thác vật liệu mới có thể tạo lợi thế lớn trong thị trường accelerator chuyên biệt.

Ứng dụng y tế còn cần những bước nào?

Tái tạo nhanh bề mặt não có thể hỗ trợ điều hướng phẫu thuật, phân tích cấu trúc, sàng lọc thay đổi liên quan Alzheimer hoặc Parkinson và xây dựng mô hình não số cá nhân hóa. Nhưng từ nguyên mẫu nghiên cứu tới thiết bị bệnh viện là một quãng đường dài.

Hệ thống phải chứng minh độ chính xác trên dữ liệu từ nhiều máy MRI, nhiều nhóm dân số và nhiều bệnh lý. Kết quả cũng cần so sánh với quy trình lâm sàng hiện hành, đánh giá sai số, độ lặp lại, tuổi thọ chip và ảnh hưởng của nhiệt độ hoặc drift theo thời gian.

Ngoài phần cứng, bệnh viện cần phần mềm tích hợp, bảo mật dữ liệu, khả năng giải thích kết quả và quy trình chịu trách nhiệm khi mô hình sai. Tốc độ chỉ là một tiêu chí; an toàn và độ tin cậy mới quyết định công nghệ có được dùng trên bệnh nhân hay không.

Điều đáng theo dõi sau công bố này

Bước tiếp theo là khả năng mở rộng từ nguyên mẫu 0,28 mm² thành hệ thống có sản lượng ổn định, đóng gói tiêu chuẩn và giao tiếp thuận tiện với máy chủ y tế. Chi phí hiệu chuẩn và tỷ lệ sai lệch giữa các chip cũng sẽ ảnh hưởng lớn tới thương mại hóa.

Giới nghiên cứu sẽ quan tâm liệu kiến trúc này có xử lý được các hệ động lực học khác ngoài tái tạo vỏ não hay không. Nếu có thể lập trình linh hoạt hơn mà vẫn giữ lợi thế về độ trễ và năng lượng, công nghệ có thể tiến từ một accelerator hẹp sang nền tảng tính toán vật lý rộng hơn. Một hướng tối ưu phần cứng khác là LogicFolding trên chip Kirin 2026, tập trung rút ngắn đường truyền tín hiệu thay vì chỉ thu nhỏ transistor.

Chip 40nm mô phỏng não không làm cuộc đua tiến trình trở nên vô nghĩa, cũng chưa thay thế GPU. Giá trị của nó nằm ở thông điệp thực tế hơn: với workload phù hợp, việc đưa tính toán tới gần dữ liệu và dùng chính vật lý của linh kiện có thể tạo ra bước nhảy mà tăng số transistor đơn thuần khó đạt được.