Công nghệ này có thể mở ra hướng đi mới cho AI biên, đặc biệt trong các hệ thống nhận dạng hình ảnh trên ô tô, robot và thiết bị công nghiệp.

Tích hợp bộ nhớ từ tính để giảm tiêu hao năng lượng

Theo thông tin Aisin và Đại học Tohoku công bố ngày 2/11/2026, hai bên đã phát triển một hệ thống trên chip dành cho trí tuệ nhân tạo, sử dụng bộ nhớ truy cập ngẫu nhiên từ điện trở từ (MRAM). Công nghệ này cho phép lưu trữ dữ liệu bằng từ tính và giữ nguyên thông tin ngay cả khi nguồn điện bị ngắt.

Điểm đáng chú ý của thiết kế là tích hợp bộ nhớ từ tính trực tiếp vào hệ thống trên chip (SoC), qua đó giảm nhu cầu truyền dữ liệu giữa bộ xử lý và bộ nhớ bên ngoài. Đây là một trong những nguyên nhân gây tiêu hao năng lượng và làm chậm quá trình xử lý trong các hệ thống AI hiện nay.

Theo công bố của hai đơn vị, hệ thống mới sử dụng bộ nhớ từ tính không khả biến tích hợp, có dung lượng 32 megabyte, trên nền tảng bán dẫn FinFET 16 nanomet. Thiết kế này hướng tới xử lý dữ liệu AI mà không cần phụ thuộc vào bộ nhớ truy cập ngẫu nhiên động (DRAM) hoặc ổ lưu trữ thể rắn (SSD) bên ngoài cho các tác vụ được thử nghiệm.

Aisin và Đại học Tohoku cho biết hệ thống có thể giảm mức tiêu thụ năng lượng của quá trình xử lý AI xuống khoảng 1/50 so với phương pháp truyền thống, tương đương mức giảm khoảng 98%. Đây là kết quả được công bố trong bối cảnh thử nghiệm xử lý AI, đặc biệt là tác vụ phát hiện đối tượng trong hình ảnh, chứ chưa phải mức tiết kiệm được bảo đảm cho mọi ứng dụng AI.

Rút ngắn thời gian khởi động và xử lý AI

Bên cạnh hiệu quả năng lượng, thiết kế mới còn hướng tới giải quyết vấn đề thời gian khởi động của các hệ thống AI. Trong những kiến trúc thông thường, thiết bị cần nạp hệ điều hành và dữ liệu của mô hình AI từ bộ nhớ ngoài khi khởi động. Quá trình này làm tăng độ trễ, đồng thời tiêu tốn thêm năng lượng.

Với bộ nhớ MRAM tích hợp, hệ thống của Aisin và Đại học Tohoku có thể lưu trữ cả dữ liệu khởi động hệ điều hành lẫn các tham số của mô hình AI ngay trên chip. Nhờ đó, thiết bị giảm nhu cầu truyền một lượng lớn dữ liệu từ bộ nhớ ngoài trước khi bắt đầu xử lý.

Theo công bố kỹ thuật, thời gian từ lúc cấp nguồn đến khi hệ điều hành khởi động là 65,7 mili giây, nhanh hơn khoảng 38,6 lần so với phương pháp đối chiếu. Thời gian xử lý tác vụ AI giảm khoảng 10 lần; xét toàn bộ hệ thống, mức cải thiện về thời gian được công bố đạt khoảng 25 lần.

Nhóm phát triển sử dụng mô hình Tiny YOLOv3 để thử nghiệm khả năng phát hiện đối tượng. Đây là mô hình thị giác máy tính có thể nhận diện các đối tượng trong hình ảnh, phù hợp với những ứng dụng cần phân tích dữ liệu trực tiếp trên thiết bị.

Để đáp ứng giới hạn dung lượng bộ nhớ tích hợp, hệ thống còn sử dụng kỹ thuật chia sẻ trọng số và kiến trúc nhân hỗn hợp 8 bit/16 bit. Những kỹ thuật này giúp giảm yêu cầu lưu trữ của mô hình, đồng thời hỗ trợ xử lý AI trên một nền tảng có tài nguyên phần cứng hạn chế.

AI biên mở ra cơ hội ứng dụng trong ngành ô tô

Sự phát triển của hệ thống chip mới diễn ra trong bối cảnh AI ngày càng được tích hợp vào ô tô, camera, robot và thiết bị Internet vạn vật. Những ứng dụng này thường cần xử lý dữ liệu ngay tại thiết bị thay vì liên tục gửi dữ liệu lên các trung tâm dữ liệu hoặc nền tảng điện toán đám mây. Cách tiếp cận đó được gọi là AI biên (edge AI).

Đối với ngành ô tô, các hệ thống nhận dạng hình ảnh có thể hỗ trợ phát hiện vật thể, nhận biết môi trường xung quanh và cung cấp dữ liệu đầu vào cho các chức năng hỗ trợ lái xe. Khi số lượng camera và cảm biến trên phương tiện tăng lên, khối lượng dữ liệu cần xử lý cũng lớn hơn, đặt ra yêu cầu cao hơn về tốc độ, mức tiêu thụ điện và độ trễ.

Một hệ thống AI tiêu thụ ít năng lượng hơn có thể giúp giảm tải cho nguồn điện của thiết bị, đồng thời tạo điều kiện triển khai các chức năng xử lý thông minh trên những nền tảng có không gian và khả năng tản nhiệt hạn chế. Khả năng khởi động nhanh cũng có ý nghĩa đối với các thiết bị cần sẵn sàng hoạt động gần như tức thời.

Aisin là nhà cung cấp linh kiện và hệ thống cho ngành công nghiệp ô tô. Việc doanh nghiệp hợp tác với Đại học Tohoku phát triển công nghệ bán dẫn cho AI cho thấy các nhà cung cấp linh kiện truyền thống đang mở rộng hoạt động sang những lĩnh vực phần cứng có giá trị gia tăng cao hơn, gắn với điện tử, xử lý dữ liệu và các chức năng thông minh trên phương tiện.

MRAM có thể trở thành hướng đi mới cho chip tiết kiệm điện

MRAM là công nghệ bộ nhớ không khả biến, sử dụng trạng thái từ tính để lưu trữ thông tin. Khác với bộ nhớ cần duy trì nguồn điện để giữ dữ liệu, MRAM có thể bảo toàn dữ liệu khi thiết bị mất nguồn. Công nghệ này cũng được quan tâm nhờ tốc độ truy cập và tiềm năng giảm năng lượng trong một số ứng dụng.

Trong các hệ thống AI, năng lượng không chỉ được tiêu thụ bởi hoạt động tính toán mà còn bởi việc di chuyển dữ liệu giữa bộ xử lý, bộ nhớ và các thành phần lưu trữ. Khi mô hình AI ngày càng phức tạp, chi phí năng lượng cho việc truy xuất và truyền dữ liệu có thể trở thành một nút thắt quan trọng.

Cách tiếp cận của Aisin và Đại học Tohoku tập trung giảm khoảng cách giữa bộ nhớ và bộ xử lý thông qua kiến trúc tính toán gần bộ nhớ (Near-Memory Computing). Thay vì chỉ tìm cách tăng tốc độ xử lý, thiết kế hướng tới hạn chế lượng dữ liệu phải truyền qua lại giữa các thành phần của hệ thống.

Tuy nhiên, kết quả thử nghiệm trên một mô hình phát hiện đối tượng chưa đủ để khẳng định công nghệ có thể thay thế rộng rãi các kiến trúc bộ nhớ hiện nay. Dung lượng bộ nhớ tích hợp, độ chính xác của mô hình, khả năng xử lý nhiều loại tác vụ và chi phí sản xuất vẫn là những yếu tố cần được đánh giá thêm trước khi thương mại hóa ở quy mô lớn.

Aisin cho biết sẽ tiếp tục nghiên cứu khả năng ứng dụng MRAM, trong đó có các hệ thống nhận dạng hình ảnh. Công nghệ này cũng được giới thiệu tại Hội nghị quốc tế về mạch tích hợp trạng thái rắn châu Á năm 2026, diễn ra tại Đài Loan từ ngày 1 đến 4/11.

Bước tiến hướng tới phần cứng AI hiệu quả hơn

Trong cuộc đua phát triển AI, hiệu năng tính toán vẫn là yếu tố quan trọng, nhưng hiệu quả sử dụng năng lượng ngày càng có ý nghĩa đối với khả năng triển khai công nghệ trên diện rộng. Các thiết bị AI biên phải đáp ứng đồng thời yêu cầu về tốc độ, độ trễ, mức tiêu thụ điện, kích thước và chi phí.

Thiết kế của Aisin và Đại học Tohoku cho thấy việc đổi mới kiến trúc bộ nhớ có thể góp phần giải quyết bài toán này. Nếu các kết quả được xác nhận qua những thử nghiệm rộng hơn và có thể chuyển thành sản phẩm thương mại, công nghệ MRAM tích hợp có tiềm năng hỗ trợ các hệ thống AI cần khởi động nhanh và xử lý dữ liệu tại chỗ.

Dù vậy, thách thức tiếp theo vẫn là chứng minh hiệu quả trong những điều kiện sử dụng thực tế, mở rộng khả năng ứng dụng và bảo đảm tính cạnh tranh về chi phí. Mức giảm năng lượng 98% là kết quả đáng chú ý, nhưng giá trị thương mại của công nghệ sẽ phụ thuộc vào khả năng duy trì hiệu quả đó trên các tác vụ và hệ thống cụ thể.