Vượt định luật Moore: tính toán trong bộ nhớ và chiplet cho robot

TL;DR. Tại hội nghị Economist Enterprise ở London, Taner Ozcelik của Mythic AI giải thích cách tính toán trong bộ nhớ và chiplet nâng hiệu quả của robot 10 đến 1.000 lần.

Điểm chính

Bức tường nhiệt động lực học: vì sao AI vật lý không thể sống trên đám mây. Trong phiên trò chuyện mang tên Moving past Moore’s law: the power behind high-performance robotics (“Vượt qua định luật Moore: nguồn năng lượng đằng sau robot hiệu năng cao”), Kenneth Cukier đã đặt ra bài toán kỹ…
Luận điểm kiến trúc: tính toán trong bộ nhớ (CIM). Để giải quyết nút thắt nhiệt động lực học, Mythic AI theo đuổi một triết lý kiến trúc: thay vì đưa dữ liệu qua lại giữa các bộ xử lý và vùng bộ nhớ tách biệt, chính bộ nhớ phải trở thành máy tính.
Chiến lược chiplet mô-đun. Dù tính toán tương tự trong bộ nhớ giải được bài toán năng lượng và độ trễ, việc mở rộng silicon sang nhiều lĩnh vực thương mại khác nhau đòi hỏi sự linh hoạt trong đóng gói.
So sánh kiến trúc: các mô hình tính toán cho robot biên. Nguồn: Tổng hợp dữ liệu từ buổi trò chuyện và thông số kiến trúc bán dẫn được trình bày tại Economist Enterprise Physical AI and Robotics Summit (Convene 200 Aldersgate, London, ngày 13 tháng 10 năm 2026).

Trong hơn nửa thế kỷ, tiến bộ điện toán tuân theo định luật Moore: cứ mười tám đến hai mươi bốn tháng lại nhồi gấp đôi số transistor lên silicon. Nhưng trong lĩnh vực mới nổi của AI vật lý và robot tự hành, định luật Moore đã va chạm với các định luật nhiệt động lực học. Drone tự hành, robot bốn chân, tay máy phẫu thuật và xe tự lái không thể mang theo GPU cấp máy chủ 700 watt hay tháp làm mát. Tại Economist Enterprise Physical AI and Robotics Summit ở London ngày 13 tháng 10 năm 2026, Taner Ozcelik, Chủ tịch kiêm Tổng giám đốc điều hành của Mythic AI, đã trò chuyện cùng Kenneth Cukier để phân tích cuộc cách mạng kiến trúc cần thiết nhằm phá thế bế tắc này: vượt qua định luật Moore bằng tính toán tương tự trong bộ nhớ (CIM) và chiplet mô-đun.

Bức tường nhiệt động lực học: vì sao AI vật lý không thể sống trên đám mây #

Trong phiên trò chuyện mang tên Moving past Moore’s law: the power behind high-performance robotics (“Vượt qua định luật Moore: nguồn năng lượng đằng sau robot hiệu năng cao”), Kenneth Cukier đã đặt ra bài toán kỹ thuật cốt lõi mà sự tự chủ trong doanh nghiệp phải đối mặt: các mô hình trí tuệ nhân tạo ngày càng lớn về số tham số và năng lực nhận thức, nhưng máy móc vật lý lại vận hành dưới những ràng buộc SWaP-C (kích thước, trọng lượng, công suất và chi phí) khắc nghiệt.

Tuyến đầu AI hiện nay dựa vào các trung tâm dữ liệu siêu quy mô tiêu thụ từ 150 megawatt trở lên trên những cụm máy chủ khổng lồ. Như Ozcelik chỉ ra, kiến trúc này vận hành ở quy mô năng lượng cách xa các mốc tham chiếu sinh học hàng triệu lần. Bộ não con người thực hiện phối hợp cảm giác-vận động liên tục theo thời gian thực, suy luận ngữ nghĩa và định hướng không gian-thị giác trong một ngưỡng công suất trao đổi chất khoảng 20 watt.

Trước đây, kỹ sư robot từng cố vượt qua giới hạn tính toán trên thiết bị bằng cách chuyển việc suy luận lên đám mây. Tuy nhiên, trong các môi trường công nghiệp, hàng không vũ trụ và quốc phòng có tính sống còn với nhiệm vụ, tự hành phụ thuộc vào đám mây là điều bất khả thi về mặt kiến trúc:

Biến động độ trễ và jitter: Điều khiển robot vòng kín tốc độ cao đòi hỏi cập nhật động cơ mang tính tất định ở tần số 50 Hz đến 1.000 Hz (vòng khứ hồi dưới 20 mili giây). Mạng di động và Wi-Fi gây ra jitter gói tin, rơi khung hình và đột biến độ trễ khiến cánh tay robot đánh rơi phôi hoặc xe tự hành không đạt ngưỡng phanh.
Bão hòa băng thông: Truyền nhiều luồng video 4K không nén và đám mây điểm LiDAR từ hàng chục robot di động khắp một nhà máy nhanh chóng làm cạn băng thông RF tại chỗ và phát sinh phí truyền dữ liệu ra khỏi đám mây cực kỳ đắt đỏ.
Chủ quyền vận hành và kết nối bị tranh chấp: Trong hầm mỏ dưới lòng đất, đường hầm không có GPS, công trường xây dựng xa xôi hay môi trường quân sự chiến thuật, các liên kết mạng bên ngoài hoặc không tồn tại hoặc bị chủ động gây nhiễu. Hệ thống tự hành phải mang toàn bộ trí tuệ vận hành ngay trên khung máy ở vùng biên.

Trang bị GPU hiệu năng cao tiêu chuẩn cho robot cũng kéo theo những cái giá vật lý riêng: tự giảm xung nhịp do nhiệt, bộ tản nhiệt đồ sộ làm tăng khối lượng tải trọng ký sinh, và mức tiêu thụ điện cao khiến thời gian bay rút từ vài giờ xuống vài phút.

Luận điểm kiến trúc: tính toán trong bộ nhớ (CIM) #

Để giải quyết nút thắt nhiệt động lực học, Mythic AI theo đuổi một triết lý kiến trúc: thay vì đưa dữ liệu qua lại giữa các bộ xử lý và vùng bộ nhớ tách biệt, chính bộ nhớ phải trở thành máy tính.

Bản trình bày kiến trúc nền tảng tính toán AI trong bộ nhớ thế hệ mới, gồm mảng tính toán một transistor, chiến lược chiplet mô-đun, hệ số hiệu quả và các trụ cột triển khai thương mại .class="img-fluid clearfix"

Vật lý của phép nhân ma trận bằng một transistor #

Trong điện toán số cổ điển, tính tích vô hướng của ma trận đòi hỏi lấy hàng nghìn giá trị trọng số 8 bit hoặc 16 bit từ DRAM bên ngoài qua các đường bus có điện dung cao, nạp chúng vào thanh ghi bộ nhớ đệm, thực hiện phép nhân trong ALU số rồi ghi kết quả trở lại bộ nhớ. Hơn 90% năng lượng bị tiêu tốn vào việc nạp và xả các đường kết nối bằng đồng giữa các chip.

Kiến trúc tính toán trong bộ nhớ thay thế việc truyền dữ liệu số này bằng vật lý mạch tương tự:

Lập trình trọng số. Trọng số mạng nơ-ron được lập trình trực tiếp vào các ô nhớ không khả biến (như flash cải tiến hoặc RAM điện trở) dưới dạng độ dẫn điện tương tự ($G$). Sau khi được lập trình, trọng số nằm yên bên trong mảng bộ nhớ; chúng không bao giờ bị lấy ra hay truyền đi trong quá trình suy luận.

Điều chế điện áp đầu vào. Các kích hoạt đầu vào (như token hình ảnh từ camera) được chuyển thành các mức điện áp tương tự ($V$) và đưa dọc theo các đường từ (word line) của mảng.

Phép nhân theo định luật Ohm. Khi điện áp đầu vào đi qua từng ô nhớ, định luật Ohm ($I = V \times G$) thực hiện phép nhân tương tự tức thời, tạo ra dòng điện tỷ lệ với tích của đầu vào và trọng số được lưu.

Cộng dồn theo định luật dòng điện Kirchhoff. Dọc theo các đường bit thẳng đứng, dòng điện từ hàng nghìn ô nhớ song song tự nhiên cộng lại theo định luật dòng điện Kirchhoff ($\sum I = 0$).

Như vậy, một mảng bộ nhớ flash thực hiện trọn một phép nhân ma trận-vectơ trong một chu kỳ xung nhịp, vận hành ở cấp độ vật lý mà không cần một lần truy xuất bộ nhớ nào. Dòng điện tương tự đã cộng dồn sau đó được chuyển ngược về giá trị số nhờ các bộ chuyển đổi tương tự-số (ADC) tốc độ cao ở rìa mảng.

Chiến lược chiplet mô-đun #

Dù tính toán tương tự trong bộ nhớ giải được bài toán năng lượng và độ trễ, việc mở rộng silicon sang nhiều lĩnh vực thương mại khác nhau đòi hỏi sự linh hoạt trong đóng gói. Thay vì sản xuất các hệ thống trên chip (SoC) nguyên khối cỡ lớn, vốn chịu tỷ lệ lỗi tăng theo hàm mũ, hiệu suất wafer kém và cấu hình sản phẩm thiếu linh hoạt, Ozcelik đã trình bày chiến lược chiplet mô-đun.

Theo mô hình này, các ô tính toán trong bộ nhớ nhỏ, được chuẩn hóa, được chế tạo độc lập rồi gắn lên interposer bằng công nghệ đóng gói tiên tiến:

Kết nối die-với-die tốc độ cao được chuẩn hóa: Tận dụng các tiêu chuẩn mới như Universal Chiplet Interconnect Express (UCIe), các chiplet giao tiếp qua vi bướu (micro-bump) với mật độ băng thông cao và độ trễ ở mức pico giây.
Kết hợp không đồng nhất: Nhà thiết kế hệ thống có thể ghép hai chiplet trong bộ nhớ với một bộ xử lý điều khiển ARM giá rẻ cho tải trọng drone nhẹ, hoặc lắp mười sáu chiplet cùng các giao diện PCIe tốc độ cao để tạo card tăng tốc máy chủ cho trung tâm dữ liệu biên.
Biên dịch phổ quát và phân bổ khối lượng công việc: Một lớp trình biên dịch thống nhất tiếp nhận các đồ thị học sâu tiêu chuẩn (ONNX, PyTorch) và tự động chia các lớp mô hình lên cấu trúc chiplet sẵn có, tối ưu định tuyến dữ liệu để giảm thiểu giao tiếp giữa các chiplet.

So sánh kiến trúc: các mô hình tính toán cho robot biên #

Tiêu chí kiến trúc	GPU số tiêu chuẩn (NVIDIA Jetson / Orin)	NPU biên chuyên dụng (Google Coral / Hailo)	Chiplet tính toán tương tự trong bộ nhớ (Mythic AI)
Cơ chế nền tảng	Lõi SIMD/tensor số lấy trọng số từ LPDDR5/HBM	Mảng tâm thu (systolic) số với bộ đệm trọng số SRAM trên chip	Mảng tương tự một transistor thực hiện phép nhân ma trận tại chỗ
Chi phí di chuyển dữ liệu	Cao (liên tục nạp bus DRAM/SRAM; lãng phí 85%+ năng lượng)	Trung bình (giới hạn bởi dung lượng bộ đệm SRAM bên trong)	Không có di chuyển dữ liệu nội bộ; trọng số nằm cố định trong bộ nhớ
Ngưỡng công suất suy luận	30 W đến 75 W+ (cần quạt làm mát chủ động và tản nhiệt nặng)	5 W đến 15 W (làm mát thụ động hoặc tối thiểu)	10 W đến 20 W (tản nhiệt thụ động siêu gọn)
Hiệu quả năng lượng (TOPS/W)	2 đến 5 TOPS/Watt (cấp hệ thống)	10 đến 25 TOPS/Watt	50 đến 200+ TOPS/Watt (hiệu quả lý thuyết gấp 10 đến 1.000 lần)
Chi phí linh kiện thiết bị (BOM)	£500 đến £2.500+ mỗi mô-đun tính toán	£100 đến £350 mỗi bo mạch tăng tốc	Vài chục đô la mỗi chiplet khi sản xuất số lượng lớn
Nút thắt bộ nhớ (Von Neumann)	Nghiêm trọng; giới hạn bởi băng thông bộ nhớ (GB/s đến TB/s)	Trung bình; giới hạn bởi dung lượng SRAM trên chip (MB)	Không tồn tại; băng thông mảng khớp với ma trận bộ nhớ nội bộ
Lĩnh vực triển khai mục tiêu	Xe tự hành cao cấp và robot kiểm tra công nghiệp	Camera thông minh và thiết bị IoT nhúng gọn nhẹ	Robot xúc giác tần số cao, drone chiến thuật và AI ô tô

Nguồn: Tổng hợp dữ liệu từ buổi trò chuyện và thông số kiến trúc bán dẫn được trình bày tại Economist Enterprise Physical AI and Robotics Summit (Convene 200 Aldersgate, London, ngày 13 tháng 10 năm 2026).

Ý nghĩa đối với từng ngành #

Việc tính toán trong bộ nhớ được khẳng định về mặt thương mại phụ thuộc vào khả năng thâm nhập các ngành mà ở đó ràng buộc về công suất và chi phí từ lâu đã cản trở việc triển khai các mô hình nền tảng tiên tiến.

Quốc phòng chiến thuật và hệ thống không người lái #

Trong các ứng dụng biên quốc phòng, hiệu quả năng lượng chuyển trực tiếp thành khả năng sống sót khi tác chiến và thời lượng nhiệm vụ. Các hệ thống bay không người lái cỡ nhỏ (sUAS) và xe mặt đất chiến thuật bị giới hạn nặng nề bởi trọng lượng pin. Trang bị GPU thông thường cho một drone trinh sát làm giảm 30% đến 50% thời gian bay chỉ để cấp điện cho bộ nhận thức AI.

Hợp tác chiến lược giữa Mythic AI và Lockheed Martin tập trung vào việc tích hợp tính toán trong bộ nhớ vào các hệ thống biên chiến thuật, bầy drone tự hành và trạm giám sát từ xa. Bằng cách giảm công suất tính toán từ 50 W xuống dưới 10 W, drone chiến thuật bay được lâu hơn trong khi vẫn chạy cục bộ việc phân loại vật thể đa phương thức, xử lý tín hiệu tác chiến điện tử và đo hành trình quán tính-thị giác tại những chiến trường bị tranh chấp, không có GPS.

Nhận biết tình huống trên ô tô và AI trong khoang xe #

Trong ngành ô tô, các nhà sản xuất cấp một đang chịu sức ép biên lợi nhuận rất lớn. Xe điện hàng đầu có thể gánh chi phí của máy tính lái tự động làm mát bằng chất lỏng giá £2.000, nhưng xe phổ thông thì không.

Quan hệ đối tác giữa Honda Motor và Mythic AI giải quyết điểm vướng thương mại này. Các hãng xe cần chip AI đạt chuẩn ô tô, sản lượng lớn, giá vài chục đô la thay vì hàng trăm, đủ sức chạy hệ thống giám sát tài xế, phân đoạn vật thể ở điểm mù và nhận thức toàn cảnh 360 độ mà không cần những vòng làm mát bằng chất lỏng phức tạp làm tăng chi phí sản xuất và độ phức tạp lắp ráp.

Trung tâm dữ liệu biên công nghiệp và hoàn tất đơn hàng di động #

Dù tính toán trong bộ nhớ được tối ưu về kiến trúc cho vùng biên, Mythic đang thực hiện một chiến lược bắc cầu có chủ đích khi cung cấp card tăng tốc PCIe cho trung tâm dữ liệu biên và trung tâm hoàn tất đơn hàng ở kho bãi. Ở những cơ sở có hàng trăm robot di động tự hành (AMR), các tủ máy chủ biên chạy mô hình điều phối đội robot bị giới hạn bởi nguồn điện cấp vào cơ sở và giới hạn làm mát. Card tăng tốc trong bộ nhớ cho phép cơ sở nhân thông lượng suy luận tại chỗ mà không phải nâng cấp hạ tầng điện.

Khả năng chống chịu của chuỗi cung ứng và địa lý sản xuất #

Một phần quan trọng trong bài trình bày của Ozcelik xoay quanh chủ quyền chuỗi cung ứng. Đổi mới phần cứng sẽ vô nghĩa nếu silicon không thể được chế tạo, đóng gói và vận chuyển một cách tin cậy ở quy mô lớn.

Mythic AI đã xây dựng một mạng lưới sản xuất quốc tế phân tán:

Chế tạo silicon: Hoạt động sản xuất wafer trong bộ nhớ cốt lõi đặt tại Tokyo, Nhật Bản, tận dụng vị thế dẫn đầu lâu năm của Nhật Bản trong chế tạo bán dẫn chính xác và các nút quy trình tương tự/flash đã trưởng thành.
Đóng gói và lắp ráp tiên tiến: Wafer được chuyển tới châu Âu (cụ thể là Đức) để cắt chiplet tiên tiến, liên kết đế nhiều die và kiểm tra quang học tự động.
Xác nhận phiên bản: Công ty hiện đang hoàn tất việc xác nhận phiên bản silicon mới nhất, tập trung chuyển các chỉ số hiệu suất thành phẩm trong phòng thí nghiệm thành Bản mô tả công việc (SOW) cấp sản xuất, có thể lặp lại, cho sản xuất hàng loạt trong ngành ô tô và quốc phòng.

Cách tiếp cận đa khu vực này tránh được các điểm yếu địa chính trị đơn lẻ, đồng thời mang lại cho đối tác doanh nghiệp châu Âu và châu Á những chuỗi cung ứng đa dạng về địa lý.

Kết luận #

Cuộc trò chuyện giữa Taner Ozcelik và Kenneth Cukier tại Economist Enterprise Physical AI and Robotics Summit đã phác họa thực tế vật lý sẽ chi phối thập kỷ tới của các hệ thống tự hành. Định luật Moore, với tư cách là thước đo đơn giản về thu nhỏ transistor, không còn đủ để cung cấp năng lượng cho cuộc cách mạng AI vật lý.

Chừng nào các kiến trúc tính toán còn bám vào sự tách biệt logic và bộ nhớ kiểu Von Neumann, robot sẽ còn bị trói buộc bởi khối lượng pin, khả năng tản nhiệt và chi phí linh kiện quá cao. Bằng cách chuyển từ di chuyển dữ liệu số sang mảng tính toán tương tự trong bộ nhớ và cấu trúc chiplet mô-đun, kỹ thuật bán dẫn đang mang lại bước nhảy vọt về hiệu quả mà các hệ thống tự hành cần.

Bước chuyển từ cụm trung tâm dữ liệu 700 W sang silicon biên 15 W chính là cánh cửa thực sự dẫn tới tự hành vật lý. Suy cho cùng, robot hoạt động trong thế giới thực phải tuân theo các định luật năng lượng của thế giới thực; tính toán trong bộ nhớ là kiến trúc nối liền khoảng cách giữa silicon và sinh học.

Câu hỏi thường gặp #

Nút thắt Von Neumann trong phần cứng AI là gì? Nút thắt Von Neumann là giới hạn về thông lượng và năng lượng do sự tách biệt vật lý giữa bộ xử lý trung tâm (ALU) và bộ nhớ hệ thống (DRAM). Trong các khối lượng công việc trí tuệ nhân tạo, vốn gồm hàng tỷ phép nhân ma trận, bộ xử lý tiêu tốn hơn 85% tổng năng lượng và nhiều chu kỳ xung nhịp chỉ để chuyển dữ liệu qua lại trên các bus đồng, gây ra nút thắt nghiêm trọng về nhiệt và độ trễ.

Tính toán tương tự trong bộ nhớ (CIM) hoạt động như thế nào? Tính toán trong bộ nhớ thực hiện các phép toán ngay bên trong ô nhớ mà không di chuyển dữ liệu. Trọng số mạng nơ-ron được lưu dưới dạng trạng thái độ dẫn điện tương tự trong các ô nhớ không khả biến. Khi điện áp đầu vào được đặt lên mảng, dòng điện chạy qua các ô theo định luật Ohm ($I = V \times G$) và cộng dồn dọc các đường bit theo định luật dòng điện Kirchhoff. Nhờ đó, một phép nhân ma trận-vectơ hoàn chỉnh được thực hiện trong một bước vật lý duy nhất.

Vì sao tính toán trong bộ nhớ đặc biệt quan trọng với robot và drone? Robot di động và drone vận hành dưới các giới hạn SWaP-C (kích thước, trọng lượng, công suất và chi phí) nghiêm ngặt. Chúng dựa vào pin gắn sẵn và không thể mang bộ tản nhiệt nặng hay nguồn điện công suất cao. Tính toán trong bộ nhớ mang lại hiệu quả năng lượng cao hơn 10 đến 1.000 lần, giúp robot chạy cục bộ các mô hình thị giác-ngôn ngữ-hành động phức tạp trong ngưỡng công suất 10 W đến 20 W mà vẫn giữ được thời lượng pin.

Cách tiếp cận chiplet có lợi thế gì so với chip nguyên khối? Chip nguyên khối tích hợp mọi khối chức năng trên một khuôn silicon lớn duy nhất. Khi kích thước khuôn tăng, tỷ lệ lỗi sản xuất tăng theo hàm mũ, làm giảm hiệu suất thành phẩm và đẩy chi phí mỗi đơn vị lên. Kiến trúc chiplet chia hệ thống thành các khuôn silicon nhỏ hơn, được chuẩn hóa, sản xuất độc lập với hiệu suất cao và nối với nhau qua vi bướu tốc độ cao. Điều này cho phép tạo các cấu hình mô-đun, linh hoạt, phù hợp với yêu cầu cụ thể về công suất và kích thước trong công nghiệp.

Ai là các đối tác thương mại chính của công nghệ này? Nền tảng tính toán trong bộ nhớ của Mythic AI hiện dựa trên hai quan hệ đối tác doanh nghiệp lớn: Lockheed Martin, đơn vị đang tích hợp kiến trúc này vào drone quốc phòng chiến thuật, nền tảng robot không người lái và trạm an ninh vành đai để kéo dài thời lượng pin; và Honda Motor, đơn vị nhắm tới chip AI giá rẻ đạt chuẩn ô tô cho khả năng nhận biết tình huống của xe và cảm biến trong khoang.

Tài liệu tham khảo #

Economist Enterprise, (2026). Physical AI & Robotics Summit: Lợi thế vận hành nhờ hệ thống tự hành ⧉. Economist Enterprise.
Ozcelik, T., (2026). Vượt qua định luật Moore: nguồn năng lượng đằng sau robot hiệu năng cao ⧉. Mythic AI.
Cukier, K., (2026). Những trần nhiệt động lực học của trí tuệ tự hành ⧉. The Economist.
Marković, D., Mizrahi, A., Querlioz, D., & Grollier, J., (2020). Vật lý cho điện toán mô phỏng thần kinh ⧉. Nature Reviews Physics, 2, 499-510.
Universal Chiplet Interconnect Express, (2025). Đặc tả UCIe 2.0: Tiêu chuẩn kết nối die-với-die ⧉. UCIe Consortium.
IEEE, (2026). Lộ trình quốc tế về thiết bị và hệ thống (IRDS): Vượt ra ngoài CMOS và tính toán trong bộ nhớ ⧉. IEEE Standards Association.

Cập nhật lần cuối 2026-10-13.

Cập nhật lần cuối 2026-10-27.

Đăng lại bài này

Vượt định luật Moore: tính toán trong bộ nhớ và chiplet cho robot — Sebastien Rousseau

Tại hội nghị Economist Enterprise ở London, Taner Ozcelik của Mythic AI giải thích cách tính toán trong bộ nhớ và chiplet nâng hiệu quả của robot 10 đến 1.000 lần.

Bài viết này được cấp phép theo Creative Commons Attribution 4.0 International. Đăng lại yêu cầu ghi nguồn đến URL chính tắc.

Vượt định luật Moore: tính toán trong bộ nhớ và chiplet cho robot — Sebastien Rousseau

Tại hội nghị Economist Enterprise ở London, Taner Ozcelik của Mythic AI giải thích cách tính toán trong bộ nhớ và chiplet nâng hiệu quả của robot 10 đến 1.000 lần.

Originally published at https://sebastienrousseau.com/vi/2026-10-13-vuot-dinh-luat-moore-tinh-toan/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.

SEBASTIEN ROUSSEAU FOUNDER · ENGINEER