Mỹ phát triển máy tính mô phỏng não người: Học như người thật, ít tốn năng lượng hơn AI

Các nhà khoa học tại University of Texas at Dallas (UT Dallas, Mỹ) vừa công bố một nguyên mẫu “máy tính mô phỏng não người” có khả năng học và ghi nhớ tương tự não bộ con người, nhưng sử dụng ít phép huấn luyện và tiêu thụ năng lượng thấp hơn so với các hệ thống AI truyền thống.

Nền tảng công nghệ

Khác với máy tính truyền thống vốn tách biệt giữa bộ nhớ và bộ xử lý, thiết bị thần kinh này kết hợp đồng thời cả hai chức năng — một đặc điểm lấy cảm hứng từ cách hoạt động của bộ não.
Công trình do Joseph S. Friedman, phó giáo sư ngành Kỹ thuật Điện và Máy tính tại UT Dallas, cùng hợp tác với các đối tác như Everspin Technologies và Texas Instruments thực hiện, và được đăng tải trên tạp chí Nature Communications Engineering.

Điểm nổi bật:

• Thiết bị sử dụng linh kiện “mối nối đường hầm từ tính” (Magnetic Tunnel Junction – MTJ) — một linh kiện siêu nhỏ có thể điều chỉnh dòng điện tương tự “khớp thần kinh”. Nhờ đó, hệ thống có thể “học” bằng cách tự điều chỉnh sự kết nối giữa các nơ-ron nhân tạo, tương tự cách bộ não người thích nghi khi học.
• Công nghệ này được xem là hướng đi triển vọng để thay thế các mô hình AI hiện nay vốn tiêu tốn nhiều năng lượng.
• Nghiên cứu nhận tài trợ từ National Science Foundation (NSF) và U.S. Department of Energy với tổng kinh phí gần 500.000 USD trong hai năm để tiếp tục mở rộng thử nghiệm.

Tầm ảnh hưởng và triển vọng

Sự phát triển của máy tính mô phỏng não người mở ra một kỷ nguyên mới cho công nghệ điện toán thần kinh (neuromorphic computing). Khi khả năng học và ghi nhớ của máy tính được cải thiện theo cách gần với não người — đồng thời giảm thiểu nhu cầu năng lượng — điều này có thể thúc đẩy các ứng dụng như thiết bị thông minh, robot tự chủ, và hệ thống AI có khả năng thích nghi cao hơn, nhưng gọn nhẹ và tiết kiệm hơn.

Kết luận

Nguyên mẫu máy tính thần kinh của UT Dallas đánh dấu bước tiến quan trọng trong việc thu hẹp khoảng cách giữa não người và máy móc. Với sự hỗ trợ của linh kiện MTJ và mô hình học tự thích nghi, nghiên cứu hứa hẹn giúp giảm tải về năng lượng trong các hệ thống AI tương lai — đồng nghĩa với việc mở rộng khả năng ứng dụng tích hợp vào thiết bị di động, “Internet of Things” và môi trường có giới hạn về năng lượng.