Trong bối cảnh nhu cầu điện năng ngày càng tăng, việc phát triển các hệ thống tính toán tiết kiệm năng lượng không chỉ là một lựa chọn, mà còn là một điều tất yếu để đảm bảo sự bền vững của công nghệ và môi trường.
Máy tính hiện đại là một thành tựu đáng kinh ngạc của công nghệ, với các con chip chứa hàng tỷ bóng bán dẫn hoạt động với tốc độ đáng kinh ngạc, thực hiện hàng triệu phép tính mỗi giây. Tuy nhiên, sức mạnh này đi kèm với cái giá không nhỏ: tiêu tốn lượng điện khổng lồ. Các trung tâm dữ liệu, máy tính cá nhân và thiết bị thông minh chiếm khoảng 3% tổng mức tiêu thụ điện toàn cầu, con số có thể còn tăng vọt khi trí tuệ nhân tạo (AI) trở nên phổ biến hơn.
Trong bối cảnh đó, một câu hỏi quan trọng được đặt ra: liệu có thể tái thiết kế hệ thống tính toán để duy trì hiệu suất cao nhưng giảm đáng kể mức tiêu thụ năng lượng? Câu trả lời có thể nằm trong tự nhiên, nơi mà sinh học con người vận hành với mức năng lượng tối ưu hơn rất nhiều so với máy tính hiện nay.
Khái niệm về giới hạn tiêu thụ năng lượng trong tính toán đã được nhà khoa học Rolf Landauer của IBM đề cập từ năm 1961. Ông đưa ra giới hạn Landauer, theo đó, việc thiết lập một bit dữ liệu (tương đương với đơn vị thông tin cơ bản của máy tính) tiêu tốn một lượng năng lượng tối thiểu vào khoảng 10 -21 joule (J). Đây là con số vô cùng nhỏ, nhưng khi nhân với hàng tỷ tác vụ mà máy tính hiện đại thực hiện mỗi giây, lượng điện năng tiêu thụ trở nên khổng lồ.
Nếu có thể vận hành máy tính gần mức giới hạn này, vấn đề tiêu thụ năng lượng và nhiệt thải sẽ không còn là mối lo ngại lớn. Tuy nhiên, có một rào cản đáng kể: để đạt được giới hạn Landauer, các phép toán phải được thực hiện cực kỳ chậm. Càng tăng tốc độ xử lý, năng lượng tiêu tốn càng lớn.
Các thí nghiệm gần đây đã chứng minh rằng khi tần suất tính toán tăng lên, năng lượng tiêu thụ cũng tăng theo cấp số nhân. Trong khi đó, các bộ vi xử lý hiện đại hoạt động ở tốc độ một tỷ chu kỳ mỗi giây tiêu tốn khoảng 10 -11 J mỗi bit, gấp hàng tỷ lần so với giới hạn Landauer. Điều này khiến giới khoa học tìm kiếm một giải pháp thay thế, trong đó có ý tưởng thay đổi kiến trúc máy tính từ xử lý nối tiếp (từng tác vụ một) sang xử lý song song với số lượng lớn bộ xử lý vận hành cùng lúc nhưng với tốc độ chậm hơn.
Giả thuyết này được minh họa bằng hình ảnh so sánh giữa "thỏ" và "rùa": thay vì một bộ xử lý "thỏ" siêu nhanh thực hiện một tỷ phép toán trong một giây, chúng ta có thể dùng một tỷ bộ xử lý "rùa" vận hành chậm hơn nhưng tiêu tốn ít năng lượng hơn. Một nghiên cứu năm 2023 đã chỉ ra rằng với phương pháp này, máy tính có thể đạt gần giới hạn Landauer và giảm đáng kể mức tiêu thụ điện.
Câu hỏi đặt ra là: liệu có thể thực sự có hàng tỷ "bộ xử lý" nhỏ hoạt động song song hay không? Trên thực tế, mô hình xử lý song song không phải mới mẻ. Các đơn vị xử lý đồ họa (GPU) đã áp dụng phương pháp này với khoảng 10.000 lõi chạy cùng lúc để huấn luyện các mô hình AI. Tuy nhiên, chúng không được thiết kế để tiết kiệm năng lượng mà chủ yếu nhằm vượt qua giới hạn về quản lý nhiệt. Điều đó có nghĩa là cần một cách tiếp cận hoàn toàn khác để tối ưu hóa cả hiệu suất lẫn tiêu thụ năng lượng, và đây chính là lúc máy tính sinh học trở thành một giải pháp tiềm năng.
Máy tính sinh học dựa trên một nguyên lý khác hẳn so với máy tính điện tử thông thường. Thay vì sử dụng bóng bán dẫn và dòng điện để xử lý thông tin, máy tính sinh học khai thác khả năng vận động của các protein trong tế bào sống. Cấu trúc của hệ thống này là một mê cung nano được thiết kế cẩn thận từ các mẫu polyme trên nền silicon. Nhiệm vụ tính toán được mã hóa vào mê cung này, và các phân tử sinh học cực nhỏ (gọi là sợi sinh học) sẽ di chuyển qua đó để tìm ra lời giải. Những sợi này có đường kính chỉ vài nanomet và dài khoảng một micromet, mỗi sợi hoạt động như một đơn vị xử lý độc lập. Khác với dòng điện trong vi mạch, các sợi sinh học không chỉ mang thông tin mà còn có thể xử lý dữ liệu theo cơ chế tự nhiên của chúng.
Cách tiếp cận này đặc biệt hiệu quả với các bài toán tổ hợp – những bài toán có vô số giải pháp khả thi, chẳng hạn như tối ưu hóa lịch trình hoặc phân tích mạng lưới giao thông. Trong khi máy tính truyền thống gặp khó khăn khi phải thử nghiệm từng khả năng một cách tuần tự, thì máy tính sinh học có thể khảo sát đồng thời hàng tỷ giải pháp khác nhau nhờ khả năng xử lý song song của các sợi sinh học. Các thí nghiệm ban đầu cho thấy hệ thống này tiêu thụ ít năng lượng hơn từ 1.000 đến 10.000 lần so với bộ vi xử lý điện tử. Điều này có được nhờ chính bản chất của protein vận động, vốn được tiến hóa để sử dụng năng lượng một cách tối ưu, thường chỉ thực hiện vài trăm bước mỗi giây – chậm hơn hàng triệu lần so với bóng bán dẫn.
Hiện tại, các máy tính sinh học vẫn đang ở giai đoạn nghiên cứu với quy mô nhỏ, chủ yếu nhằm chứng minh tính khả thi của công nghệ này. Để cạnh tranh với máy tính điện tử về tốc độ, hệ thống tính toán sinh học cần được mở rộng đáng kể, đồng thời tận dụng những lợi thế độc đáo của phân tử sinh học, chẳng hạn như khả năng mã hóa dữ liệu theo thẻ DNA.
Các nhà khoa học tin rằng với công nghệ bán dẫn hiện đại, việc mở rộng quy mô là hoàn toàn khả thi. Tuy nhiên, vẫn còn nhiều thách thức cần giải quyết, bao gồm kiểm soát chính xác từng sợi sinh học, giảm tỷ lệ lỗi và tích hợp với các hệ thống máy tính hiện có. Nếu vượt qua những rào cản này, máy tính sinh học có thể trở thành công cụ giải quyết những bài toán tính toán phức tạp với mức tiêu thụ điện năng tối thiểu.
Bên cạnh tính toán sinh học, một hướng đi khác cũng đang được nghiên cứu là điện toán hình thái thần kinh – công nghệ mô phỏng hoạt động của não bộ để tạo ra hệ thống tính toán hiệu quả hơn. Bộ não con người từ lâu đã được xem là một cỗ máy tính tuyệt vời với mức tiêu thụ năng lượng cực thấp – chỉ vài watt, thấp hơn nhiều so với các hệ thống AI hiện đại.
Tuy nhiên, điều thú vị là mỗi khớp thần kinh trong não tiêu tốn một lượng năng lượng tương đương với một bóng bán dẫn trên mỗi bit dữ liệu. Điều làm cho não bộ trở nên đặc biệt chính là cách tổ chức của nó: một mạng lưới cực kỳ phức tạp và kết nối chặt chẽ, cho phép xử lý thông tin theo cách hoàn toàn khác so với máy tính truyền thống.
Điện toán hình thái thần kinh đang tìm cách tái tạo phương thức hoạt động này bằng phần cứng đặc biệt, thay vì sử dụng công nghệ sinh học như máy tính sinh học. Vẫn còn quá sớm để xác định liệu hướng tiếp cận nào sẽ mang lại đột phá lớn hơn trong việc tiết kiệm năng lượng. Tuy nhiên, cả hai đều gợi mở một tương lai mà các hệ thống tính toán có thể hoạt động hiệu quả hơn nhiều lần so với hiện nay, đưa con người tiến gần hơn đến giới hạn Landauer – giới hạn thấp nhất về năng lượng cần thiết cho một phép tính toán. Nếu thành công, đây sẽ là một cuộc cách mạng thực sự trong ngành công nghệ, giúp giảm thiểu tác động của tính toán đối với môi trường và mở ra những khả năng mới trong lĩnh vực điện toán.
