AI đang bùng nổ mạnh mẽ, từ dân thường đến doanh nghiệp đều xài - và đây chính là động lực siêu to khổng lồ thúc đẩy ngành công nghệ chip phát triển như vũ bão Theo dự đoán, đến cuối thập kỷ 2020 (tức khoảng năm 2029-2030), một die chip bán dẫn có thể sẽ nhồi nhét tới 1 nghìn tỷ transistor luôn á!
Mỗi khi các chuyên gia ngành bán dẫn họp bàn về tương lai chip xử lý, thứ được "réo tên" nhiều nhất chính là số lượng transistor trong chip GPU. Vì sao ư? Vì đây là chỉ số quan trọng nhất để đánh giá hiệu năng xử lý và độ tiết kiệm điện của chip đó. Các ông lớn như TSMC cũng đã tỏ ra siêu lạc quan về công nghệ bán dẫn, họ đặt mục tiêu trong vòng 10 năm tới, số transistor trên bề mặt die chip sẽ chạm mốc 1 nghìn tỷ. TSMC coi việc tăng mật độ bán dẫn trên die chip là chìa khóa vàng để bứt phá trong tương lai của ngành công nghệ và điện toán
Tạp chí IEEE Spectrum vừa thả một bài viết chi tiết về roadmap để đạt được mục tiêu tăng mật độ transistor trên die silicon lên con số một nghìn tỷ siêu khủng này. Hai tác giả chính của bài viết là chủ tịch TSMC - tiến sĩ Mark Liu, và giáo sư đại học Stanford kiêm kỹ sư trưởng TSMC - H.-S. Philip Wong.
Theo các chuyên gia, công nghệ 3D SoIC (System on Integrated Chip) sẽ là "vũ khí bí mật" đóng vai trò cực kỳ quan trọng trong việc sản xuất transistor. Kết hợp 3D SoIC với các công cụ gia công bán dẫn thế hệ mới - như máy quang khắc EUV với lăng kính tiêu cự thấp, một chip xử lý sẽ được tạo ra từ nhiều die silicon ghép nối với nhau trên một bề mặt interposer lớn hơn
Hiện tại kỷ lục là 208 tỷ transistor, được trang bị trên chip B200 kiến trúc Blackwell mà Nvidia vừa flex tại sự kiện GTC 2024. Trong vòng 10 năm nữa, con số này dự kiến sẽ tăng gấp 5 lần luôn!
**Từ Deep Blue đến data center chạy AI thời đại mới**
Năm 1997, IBM Deep Blue - siêu máy tính chơi cờ vua đã "hạ gục" đại kiện tướng Garry Kasparov. Lúc đó, trận đấu giữa con người và máy móc là minh chứng sống cho sức mạnh của công nghệ siêu máy tính, và cũng là lần đầu tiên người ta nhìn thấy tiềm năng khủng khiếp của máy móc - rằng một ngày nào đó chúng có thể sánh ngang hoặc vượt mặt trí thông minh con người
10 năm sau trận đấu Deep Blue vs Kasparov, AI bắt đầu được áp dụng vào các giải pháp thương mại như nhận diện khuôn mặt, dịch thuật ngôn ngữ, gợi ý nội dung trên các nền tảng online, hay ứng dụng trong thương mại điện tử.
Rồi tua nhanh thêm khoảng 15 năm nữa (tức bây giờ đây), trí tuệ nhân tạo đã phát triển đến mức các thuật toán AI có thể "tổng hợp kiến thức" như pro. AI tạo nội dung như ChatGPT hay Stable Diffusion giờ có thể sáng tác thơ, tạo ra artwork nghệ thuật, chẩn đoán bệnh, tóm tắt thông tin, hay thậm chí viết code lập trình dựa trên những gì đã học trước đó.
Ba yếu tố then chốt tạo nên thành tựu này:
- Những cải tiến và sáng tạo trong kỹ thuật viết thuật toán machine learning
- Lượng dữ liệu khổng lồ do con người tạo ra để neural network học hỏi
- Những bước tiến vượt bậc trong công nghệ bán dẫn, tạo ra chip xử lý hiệu năng cực khủng
Gần 3 thập kỷ trước, chip xử lý bên trong IBM Deep Blue được làm từ tiến trình 0.6 và 0.35 micrometer:
Hệ thống deep neural network chiến thắng cuộc thi ImageNet nhận diện hình ảnh chạy trên GPU GeForce GTX 580 của Nvidia, sản xuất trên tiến trình 40 nanometre:
Chip xử lý vận hành AlphaGo đánh bại kỳ thủ Lee Sedol năm 2016 dùng tiến trình 28nm:
Còn phiên bản thử nghiệm của ChatGPT lúc phát triển thì chạy trên hệ thống máy tính với chip 5nm. ChatGPT hiện tại hoạt động nhờ data center siêu to khổng lồ, trang bị GPU Nvidia đời mới nhất, tiến trình 4nm:
Hiệu năng của AI phụ thuộc vào cả một combo yếu tố: hệ thống phần mềm, thuật toán, kiến trúc tập lệnh, thiết kế chip bán dẫn, và cả công nghệ hệ thống nữa... Nhưng có thể khẳng định một điều, nền tảng cơ bản và mấu chốt luôn là những cải tiến trong kiến trúc bán dẫn. Không có các thế hệ chip mới khỏe hơn, mật độ transistor cao hơn và băng thông bộ nhớ lớn hơn thì mọi tiến bộ của phần mềm và thuật toán đều không thể phát triển được như bây giờ
**Chip phải khỏe cỡ nào để "cân" cuộc đua AI?**
Con số 1 nghìn tỷ transistor trên bề mặt một con chip là con số các chuyên gia đưa ra sau khi tính toán kỹ lưỡng - tức là GPGPU xử lý đa dụng với lượng transistor nhiều gấp 10 lần chip phổ biến trong các thiết bị công nghệ hiện nay.
Lý do thì rất rõ ràng: hiệu năng tính toán và bộ nhớ cần để huấn luyện thuật toán AI càng ngày càng tăng theo cấp số nhân trong 5 năm qua. Ví dụ, việc huấn luyện GPT-3 cần sức mạnh xử lý 5 tỷ tỷ phép toán mỗi ngày (5000 petaflops/ngày), cùng bộ nhớ 3 terabyte. Còn GPT-4 và GPT-5 thì đòi hỏi tài nguyên máy tính cao hơn gấp nhiều lần
Từ khi vi mạch bán dẫn ra đời, công nghệ bán dẫn luôn có một mục tiêu siêu rõ ràng: thu nhỏ kích thước và khoảng cách giữa các transistor để tạo ra die silicon nhỏ bằng móng tay. Dần dần, kỹ thuật bán dẫn chuyển hướng từ thu gọn kích thước chip và transistor dạng 2D sang kỹ thuật xếp chồng các die bán dẫn dạng 3D - cùng diện tích nhưng số lượng transistor tính toán logic và bộ nhớ tăng theo cấp số nhân.
Nguồn: tinhte.vn