Cuộc đua phần cứng AI: MIT giải mã sự bùng nổ của các vi xử lý tăng tốc

Đằng sau sự bùng nổ của các ứng dụng trí tuệ nhân tạo hiện đại là cuộc đua thầm lặng nhưng khốc liệt ở hạ tầng phần cứng. Từ năm 2018, nhóm nghiên cứu tại Trung tâm Siêu máy tính thuộc Phòng thí nghiệm Lincoln (LLSC) thuộc Viện Công nghệ Massachusetts (MIT) đã bắt đầu theo dõi cuộc cách mạng này thông qua Khảo sát Máy tính AI Lincoln (LAICS). Qua nhiều năm, dự án đã mở rộng quy mô từ việc theo dõi 57 vi xử lý ban đầu lên hơn 120 bộ tăng tốc thương mại và nghiên cứu. Kết quả phân tích không chỉ tiết lộ cách các chip AI tối ưu hóa hiệu suất đỉnh và năng lượng tiêu thụ, mà còn giải thích lý do kiến trúc phần cứng đóng vai trò then chốt trong định hình tương lai công nghệ. [1]

Khởi nguồn dự án LAICS và áp lực từ làn sóng phần cứng mới

Khoảng tám năm trước, sự bùng nổ của các công bố nghiên cứu và sản phẩm thương mại về bộ tăng tốc AI đã tạo ra một ma trận lựa chọn phức tạp cho các nhà quản lý. Albert Reuther cùng các cộng sự tại Trung tâm Siêu máy tính thuộc Phòng thí nghiệm Lincoln bắt đầu nhận được hàng loạt câu hỏi từ các nhà tài trợ chính phủ về việc đâu là lựa chọn phần cứng tối ưu. Điều này đã thúc đẩy nhóm khởi xướng khảo sát LAICS nhằm thu thập dữ liệu công khai, hệ thống hóa và so sánh hiệu suất của từng thiết bị. Nhóm nghiên cứu gồm Albert Reuther, Michael Jones, Peter Michaleas, Jeremy Kepner và Vijay Gadepally đã phối hợp với nhiều bộ phận chuyên môn khác để đánh giá năng lực thực tế của phần cứng. [1]

Trong công bố đầu tiên, cuộc khảo sát chỉ ghi nhận dữ liệu của 57 bộ tăng tốc. Đến các báo cáo gần đây nhất, số lượng thiết bị được phân tích đã vượt qua mốc 120 chip. Để đưa ra đánh giá chuẩn xác, nhóm nghiên cứu tập trung vào hai chỉ số cốt lõi: hiệu suất đỉnh và mức tiêu thụ điện năng đỉnh. Các bộ tăng tốc sau đó được phân loại dựa trên quy mô triển khai, từ cấp độ chip đơn lẻ, bo mạch mở rộng cho đến toàn bộ hệ thống máy tính hoàn chỉnh. Quá trình thu thập dữ liệu đòi hỏi Reuther phải theo dõi tin tức kỹ thuật, thông cáo công ty và các bài thuyết trình công nghiệp hằng ngày, do nhiều doanh nghiệp có xu hướng giữ bí mật chỉ số vận hành chi tiết. [1]

Phân loại kiến trúc: Sự đánh đổi giữa tính linh hoạt và chuyên biệt

Nhóm nghiên cứu LAICS phân loại các công nghệ tăng tốc AI thành năm nhóm kiến trúc chính: đơn vị xử lý trung tâm (CPU), đơn vị xử lý đồ họa (GPU), vi mạch tích hợp chuyên dụng (ASIC), mảng cổng lập trình được theo trường (FPGA) và bộ tăng tốc luồng dữ liệu (dataflow accelerator). Mỗi loại phần cứng đại diện cho một triết lý thiết kế riêng biệt với những ưu nhược điểm kỹ thuật khác nhau. CPU được dùng cho các bài toán tính toán chung, trong khi chip ASIC được thiết kế cứng để chỉ thực hiện một nhiệm vụ cố định với hiệu suất cao. [1]

Ngược lại với tính chuyên biệt của ASIC, các dòng GPU, FPGA và bộ tăng tốc luồng dữ liệu mang lại sự cân bằng linh hoạt hơn, cho phép cấu hình lại cấu trúc tính toán để phù hợp với nhiều dạng tải công việc khác nhau. Hiệu suất và hiệu quả năng lượng của từng bộ tăng tốc phụ thuộc trực tiếp vào cách các nhà thiết kế phân bổ không gian vi mạch. Việc hiểu rõ sự đánh đổi giữa tính đa năng và mức độ chuyên biệt hóa giúp các kỹ sư lựa chọn đúng phần cứng cho từng bài toán cụ thể. [1]

Giải mã nguồn gốc thực sự của mức tăng hiệu suất chip AI

Khi chứng kiến hiệu suất của các chip AI tăng vọt qua từng năm, câu hỏi đặt ra là sự nâng cấp này đến từ đâu. Trong báo cáo xuất bản năm 2022, nhóm nghiên cứu LAICS đã phân tích sâu các yếu tố đóng góp vào sự gia tăng sức mạnh tính toán. Kết quả cho thấy mức tăng hiệu suất không chỉ đến từ việc tăng tốc độ thuần túy, mà chủ yếu nhờ hai yếu tố kỹ thuật then chốt: quy trình sản xuất bóng bán dẫn ngày càng nhỏ hơn, mật độ cao hơn và việc áp dụng độ chính xác số học thấp hơn trong phép tính. [1]

Ở khía cạnh số học, các mô hình học máy không luôn đòi hỏi độ chính xác tuyệt đối đến từng chữ số thập phân sâu. Nhờ giảm bớt số lượng chữ số có nghĩa trong các phép tính toán học, chip phần cứng có thể xử lý lượng dữ liệu lớn hơn nhiều trong cùng một khoảng thời gian và năng lượng tiêu thụ. Bên cạnh đó, các báo cáo mới nhất của LAICS tiếp tục phân tích những lựa chọn kiến trúc chuyên sâu, chẳng hạn như việc tích hợp thêm nhiều nhân xử lý trên mỗi chip hoặc gia tăng khả năng tính toán song song, giúp thay đổi năng lực vận hành của toàn hệ thống. [1]

Mở rộng bài toán: Từ học máy đến mô phỏng tự nhiên

Mặc dù các bộ tăng tốc AI thường gắn liền với quá trình huấn luyện và vận hành các mô hình học máy, giá trị của chúng không chỉ giới hạn trong lĩnh vực trí tuệ nhân tạo. Nhóm nghiên cứu tại Phòng thí nghiệm Lincoln chỉ ra rằng cấu trúc phần cứng tăng tốc đặc biệt phù hợp cho các bài toán tính toán song song quy mô lớn trong khoa học tự nhiên. Ví dụ, việc dự đoán chuyển động phức tạp của dòng không khí quanh cánh máy bay trong mô phỏng động lực học chất lưu đòi hỏi năng lực xử lý cực lớn, nơi các bộ tăng tốc có thể cắt giảm đáng kể thời gian tính toán. [1]

Tương tự, các bài toán mô phỏng chức năng và sự tương tác giữa các phân tử hóa học trong nghiên cứu y sinh cũng yêu cầu thực hiện hàng loạt phép tính đồng thời. Đây đều là những quá trình tốn kém chi phí tính toán nếu chỉ dựa vào hạ tầng truyền thống. Nhờ khả năng xử lý song song vượt trội, các bộ tăng tốc AI đã trở thành công cụ quan trọng giúp tăng tốc độ nghiên cứu khoa học, mở rộng phạm vi ứng dụng ra ngoài ranh giới của các thuật toán nhận diện hay xử lý ngôn ngữ. [1]

Làn sóng khởi nghiệp và bài toán định hướng hạ tầng tương lai

Thị trường phần cứng AI vẫn chưa có dấu hiệu bão hòa dù đã trải qua gần một thập kỷ phát triển nóng. Albert Reuther chia sẻ sự ngạc nhiên khi mỗi năm vẫn có khoảng 5 đến 10 công ty khởi nghiệp mới nhận được vốn đầu tư và công bố các chip tăng tốc AI hoàn toàn mới. Thậm chí chỉ trong vài tháng gần đây, sáu doanh nghiệp khởi nghiệp đã chính thức ra mắt những dòng chip tăng tốc đầu tiên của họ. Sự xuất hiện liên tục của các tân binh mang theo nhiều cải tiến kiến trúc khác nhau khiến bức tranh hạ tầng ngày càng phong phú và cạnh tranh. [1]

Trong bối cảnh đó, cuộc khảo sát LAICS đóng vai trò như một cơ sở tham chiếu độc lập và trung lập, giúp các nhà tài trợ chính phủ và tổ chức nghiên cứu đưa ra quyết định đầu tư và mua sắm phần cứng chính xác. Không chỉ hỗ trợ các đơn vị bên ngoài, dữ liệu từ LAICS còn trực tiếp giúp Trung tâm Siêu máy tính LLSC xác định các dòng GPU tối ưu để nâng cấp hệ thống nội bộ, phục vụ cho hàng nghìn nhà nghiên cứu. Sự tiến hóa liên tục của chip AI cho thấy phần cứng chính là nền tảng quyết định giới hạn của những gì trí tuệ nhân tạo có thể đạt được. [1]