19 tháng 11, 2026
Phần mềm

Sau silicon là gì, Cuộc đua thay thế electron trong chip AI

Home›Phần mềm›Sau silicon là gì, Cuộc đua thay thế electron trong chip AI

Mỗi lần anh em yêu cầu AI tạo ra một đoạn văn, một bức ảnh, hay một đoạn code, đâu đó trên thế giới có hàng nghìn con chip đang tiêu thụ điện để phục vụ yêu cầu đó. Trung tâm dữ liệu của Microsoft dùng đủ điện cho một thành phố cỡ trung bình. Google cam kết năm 2030 sẽ dùng 100% năng lượng sạch, nhưng nhu cầu điện của họ đang tăng nhanh đến mức cam kết đó ngày càng khó giữ. Và phần lớn điện tiêu thụ đó đến từ một thứ: các chip GPU và AI accelerator đang chạy bằng electron đi qua silicon. Câu hỏi mà ngành bán dẫn đang phải trả lời là: còn bao lâu nữa trước khi silicon chạm giới hạn vật lý? Và nếu silicon không còn là câu trả lời, thì thứ gì sẽ thay thế nó?

Tại sao silicon đang đến giới hạn

Trong 60 năm qua, ngành bán dẫn vận hành theo Định luật Moore: cứ mỗi 2 năm, số lượng transistor trên một chip lại tăng gấp đôi. Điều đó có nghĩa là chip ngày càng nhỏ hơn, nhanh hơn, và hiệu quả hơn. Nhưng giờ đây, khi transistor đã xuống đến kích thước 2–3 nanomet, vốn gần bằng kích thước của một phân tử protein, những vấn đề vật lý cơ bản bắt đầu xuất hiện.

Sau silicon là gì, Cuộc đua thay thế electron trong chip AI - Sharevina.com

Hình ảnh minh họa cho Sau silicon là gì, Cuộc đua thay thế electron trong chip AI. Ảnh: Tư liệu

Gordon Moore, cha đẻ của định luật Moore

Hướng đi 1: Dùng ánh sáng thay vì điện

Về cơ bản, ánh sáng di chuyển nhanh hơn electron và hầu như không tỏa nhiệt. Đó là lý do photonic computing, dùng photon thay vì electron để truyền và xử lý thông tin, đã được nghiên cứu từ nhiều thập kỷ trước. Tháng 5/2026, nhóm nghiên cứu tại Đại học Pennsylvania tạo ra một bước đột phá cụ thể: họ chế tạo được exciton-polariton: một loại hạt lai kết hợp đặc tính của photon và exciton (cặp electron-lỗ trống trong vật liệu). Hạt lai này có thể thực hiện thao tác chuyển mạch logic bằng ánh sáng thuần túy, tiêu thụ chỉ 4 quadrillionths of a joule mỗi thao tác, thấp hơn chip điện tử hiện tại hàng tỷ lần về mặt năng lượng.

Sau silicon là gì, Cuộc đua thay thế electron trong chip AI - Sharevina.com

Hình ảnh minh họa cho Sau silicon là gì, Cuộc đua thay thế electron trong chip AI. Ảnh: Tư liệu

Chip do Lightmatter ở Boston sản xuất đã ứng dụng photonic vào thực tế Ở quy mô thương mại hơn, Lightmatter, startup từ Boston, đã đưa chip photonic vào thực tế với sản phẩm Passage M1000: một interposer quang học 3D cho phép các chip AI trong data center truyền dữ liệu cho nhau bằng ánh sáng thay vì dây đồng, đạt băng thông 114 terabit/giây. Ý tưởng ở đây không phải là thay toàn bộ chip silicon mà là thay thế phần kết nối, vốn đang trở thành nút cổ chai lớn nhất của hệ thống AI hiện tại, khi các GPU phải chờ dữ liệu di chuyển qua cáp đồng chậm chạp.

Hướng đi 2: Học cách não bộ tiết kiệm điện

Não người xử lý thông tin vô cùng phức tạp nhưng chỉ tiêu thụ khoảng 20 watt, tương đương một bóng đèn nhỏ. GPU hiện đại tiêu thụ 700 watt trở lên để làm những tác vụ mà não người làm tốt hơn nhiều trong lĩnh vực nhận dạng mẫu và ra quyết định theo ngữ cảnh. Câu hỏi đặt ra: tại sao không thiết kế chip theo nguyên lý của não?

Sau silicon là gì, Cuộc đua thay thế electron trong chip AI - Sharevina.com

Hình ảnh minh họa cho Sau silicon là gì, Cuộc đua thay thế electron trong chip AI. Ảnh: Tư liệu

Chip TrueNorth của IBM Đó là ý tưởng đằng sau neuromorphic computing. Chip TrueNorth của IBM, ra mắt năm 2014, đã tích hợp 1 triệu “neuron nhân tạo” và 256 triệu “khớp thần kinh” lên một chip duy nhất, tiêu thụ chỉ 70 milliwatt, và đạt 400 tỷ phép tính mỗi giây trên mỗi watt. Đây là mức hiệu quả năng lượng mà không chip thông thường nào đạt được. Hoặc Intel Loihi 2, ra mắt cuối 2024, đạt 1 triệu neuron và theo Intel, có thể thực hiện AI inference nhanh gấp 50 lần và tiết kiệm điện hơn 100 lần so với CPU/GPU thông thường cho các tác vụ phù hợp. Ở đây, “các tác vụ phù hợp” là từ khóa quan trọng: chip neuromorphic giỏi nhất ở xử lý thông tin thưa (sparse data), nhận dạng mẫu theo thời gian thực, và các bài toán tối ưu hóa nhưng chưa thể thay thế GPU trong huấn luyện mô hình ngôn ngữ lớn.

Cách nhìn đúng đắn không phải là thay thế, mà là sự bổ trợ

Điều quan trọng cần hiểu là không có công nghệ nào trong số này sẽ thay thế GPU silicon vào ngày mai, hoặc thậm chí năm năm tới. Thực tế có khả năng xảy ra hơn là một kiến trúc lai: GPU silicon tiếp tục đảm nhận phần huấn luyện nặng, trong khi các chip photonic xử lý kết nối giữa chip trong data center, còn chip neuromorphic đảm nhận inference tại thiết bị đầu cuối, nơi tiết kiệm điện là ưu tiên hàng đầu.

Nguồn thông tin: Tổng hợp và biên tập từ chuyên trang công nghệ.