Vì sao người ta muốn tính toán bằng ánh sáng?

Tính thì rẻ, chở mới đắt

Trong bài AI không chỉ cần chip, ta đã lần ngược từ một prompt xuống tới nhà máy điện. Bài này làm điều ngược lại: đi sâu vào bên trong một con chip, và hỏi điện năng thực sự được tiêu vào đâu.

Câu trả lời trực giác là: vào việc tính toán. Chip AI thực hiện hàng triệu tỷ phép nhân mỗi giây, hẳn các phép nhân phải tốn điện nhất.

Thực tế không hẳn như vậy. Năm 2014, kỹ sư Mark Horowitz của Đại học Stanford trình bày một bảng số liệu đã trở thành kinh điển trong ngành thiết kế chip[1]. Ở công nghệ chế tạo thời đó, chi phí năng lượng cho một số thao tác cơ bản vào khoảng:

Một picojoule là một phần nghìn tỷ joule. Con số tuyệt đối không quan trọng, và đã giảm nhiều kể từ 2014. Điều quan trọng là tỷ lệ: lấy một con số từ bộ nhớ bên ngoài chip tốn năng lượng gấp vài trăm đến vài nghìn lần so với chính phép nhân dùng con số ấy.

Hãy hình dung một đầu bếp nấu rất nhanh, nhưng mỗi lần cần một quả trứng lại phải chạy ra chợ. Phần lớn thời gian và sức lực không nằm ở việc nấu, mà ở quãng đường đi lại.

AI là loại công việc cần chở rất nhiều dữ liệu: hàng trăm tỷ tham số của mô hình phải liên tục được đưa từ bộ nhớ tới lõi tính toán, và giữa hàng nghìn con chip với nhau. IEA nhận định rằng khi bản thân phép tính ngày càng hiệu quả, việc truy cập bộ nhớ, di chuyển dữ liệu và kết nối giữa các chip đang chiếm một phần ngày càng lớn trong năng lượng của hệ thống AI[2].

Nói cách khác, điểm nghẽn đang dịch chuyển từ “tính” sang “chở”.

Vì sao dây đồng ngày càng chật vật

Ngày nay, dữ liệu giữa các con chip chủ yếu được chở bằng tín hiệu điện chạy trên dây đồng. Dây đồng đã phục vụ ngành điện tử hàng chục năm, nhưng nó gặp khó khi tốc độ tăng lên.

Muốn chở nhiều dữ liệu hơn mỗi giây, tín hiệu phải bật tắt nhanh hơn, tức là có tần số cao hơn. Mà tín hiệu tần số càng cao thì càng suy hao nhanh trên dây đồng: dòng điện bị dồn ra lớp ngoài cùng của dây, vật liệu cách điện xung quanh cũng hấp thụ một phần năng lượng. Kết quả là tín hiệu yếu đi và méo đi sau một quãng ngắn.

Để bù lại, kỹ sư phải thêm những mạch điện tử khuếch đại, lọc và khôi phục tín hiệu ở hai đầu dây. Những mạch ấy lại tiêu thụ điện và tỏa nhiệt. Tốc độ càng cao, quãng đường dây đồng có thể đi được càng ngắn, và “chi phí vận chuyển” cho mỗi bit dữ liệu càng khó giảm.

Đây là lúc ánh sáng bước vào.

Photon: người vận chuyển lý tưởng

Ánh sáng được tạo nên từ những hạt gọi là photon. Photon khác electron ở một điểm quan trọng: nó không mang điện tích.

Hệ quả thứ nhất là ánh sáng đi trong sợi quang rất ít bị suy hao. Đó là lý do cáp quang có thể chở internet vượt qua cả đại dương, trong khi tín hiệu điện tốc độ cao trên dây đồng chỉ đi được vài mét.

Hệ quả thứ hai thú vị hơn: các chùm sáng gần như không tương tác với nhau. Hai đèn pin chiếu cắt ngang nhau, hai chùm sáng đi xuyên qua nhau mà không va chạm hay làm lệch nhau. Nhờ vậy, người ta có thể cho nhiều màu ánh sáng, tức nhiều bước sóng khác nhau, cùng chạy trên một sợi quang, mỗi màu chở một luồng dữ liệu riêng mà không lẫn vào nhau. Kỹ thuật này gọi là ghép kênh theo bước sóng (wavelength division multiplexing). Ảnh ở đầu bài gợi đúng ý này theo chiều ngược lại: một lăng kính tách ánh sáng trắng ra thành nhiều màu, và mỗi màu có thể là một kênh dữ liệu riêng.

Nghe như một vật liệu hoàn hảo cho máy tính. Nhưng chính đặc điểm thứ hai lại tạo ra một nghịch lý.

Một máy tính cần cổng logic: một tín hiệu phải điều khiển được một tín hiệu khác. Trong transistor, một điện áp nhỏ ở cực điều khiển quyết định dòng điện có chạy qua hay không. Electron tương tác mạnh với nhau và với vật chất, nên việc “điều khiển” này dễ dàng. Còn photon, vì gần như không tương tác với nhau, rất khó dùng một chùm sáng để bật tắt một chùm sáng khác.

Tính chất giúp ánh sáng chở dữ liệu giỏi cũng chính là tính chất khiến nó tính toán kém. Photon giỏi chở, electron giỏi tính.

Vậy mà người ta vẫn tìm được cách để ánh sáng làm một loại phép tính rất quan trọng với AI. Bí quyết nằm ở giao thoa.

Giao thoa: khi hai sóng cộng và trừ nhau

Ánh sáng là một loại sóng. Khi hai sóng gặp nhau, chúng cộng lại. Nếu đỉnh gặp đỉnh, chúng tăng cường nhau thành sóng lớn hơn. Nếu đỉnh gặp đáy, chúng triệt tiêu nhau. Hiện tượng này gọi là giao thoa, và độ lệch giữa hai sóng được đo bằng pha.

Một bộ giao thoa Mach–Zehnder (Mach–Zehnder interferometer, viết tắt MZI) khai thác đúng điều đó. Ánh sáng đi vào được chia đôi thành hai nhánh. Một nhánh được làm chậm lại một chút, tạo ra độ lệch pha $\varphi$ so với nhánh kia. Sau đó hai nhánh được gộp lại và chia ra hai cổng.

Tùy vào $\varphi$, hai sóng giao thoa theo những cách khác nhau ở mỗi cổng. Tỷ lệ ánh sáng ở hai cổng ra là:

Khi $\varphi=0$, toàn bộ ánh sáng đi ra cổng dưới. Khi $\varphi=180^\circ$, toàn bộ đi ra cổng trên. Ở giữa, ánh sáng được chia theo mọi tỷ lệ. Và tổng hai cổng luôn bằng 100%: năng lượng không mất đi, chỉ được phân phối lại.

Như vậy, chỉ bằng cách chỉnh pha, ta điều khiển được ánh sáng đi đâu. Trên chip, việc chỉnh pha thường được làm bằng cách hơi nung nóng hoặc đặt điện áp lên một đoạn ống dẫn sáng để thay đổi chiết suất của nó.

Từ giao thoa đến nhân ma trận

Đây là bước then chốt. Nếu mô tả ánh sáng ở hai làn bằng hai con số, gọi là biên độ (mang cả độ lớn lẫn pha), thì một MZI biến hai con số đầu vào thành hai con số đầu ra theo một quy tắc cố định. Về mặt toán học, đó chính là phép nhân một ma trận 2×2 với một vector.

Đoạn Python dưới đây chỉ dùng thư viện chuẩn. Nó dựng ma trận của một MZI từ hai bộ chia chùm 50:50 và một bộ dịch pha, rồi cho ánh sáng đi qua:

import cmath
import math

# Ánh sáng ở hai "làn" (hai ống dẫn sóng) được biểu diễn bằng hai số phức: biên độ và pha.
def matmul(a, b):
    return [[sum(a[i][k] * b[k][j] for k in range(2)) for j in range(2)] for i in range(2)]

def apply(m, v):
    return [m[0][0] * v[0] + m[0][1] * v[1], m[1][0] * v[0] + m[1][1] * v[1]]

SPLITTER = [[1 / math.sqrt(2), 1j / math.sqrt(2)],     # bộ chia chùm 50:50
            [1j / math.sqrt(2), 1 / math.sqrt(2)]]

def mzi(phi):
    """Mach–Zehnder: chia đôi → làm trễ pha một nhánh một góc phi → gộp lại."""
    shift = [[cmath.exp(1j * phi), 0], [0, 1]]
    return matmul(SPLITTER, matmul(shift, SPLITTER))

light_in = [1, 0]  # toàn bộ ánh sáng đi vào làn trên
for deg in (0, 45, 90, 135, 180):
    out = apply(mzi(math.radians(deg)), light_in)
    p_top, p_bottom = abs(out[0]) ** 2, abs(out[1]) ** 2
    print(f"lệch pha {deg:>3}° → làn trên {p_top:.2f} | làn dưới {p_bottom:.2f} | tổng {p_top + p_bottom:.2f}")

# Một MZI là một phép nhân ma trận 2×2: đưa vào hai biên độ bất kỳ, ánh sáng đi ra là kết quả.
x = [0.6, 0.8j]
y = apply(mzi(math.radians(60)), x)
print("vào:", [f"{v:.2f}" for v in x], "→ ra:", [f"{v:.2f}" for v in y])
print(f"năng lượng vào {sum(abs(v)**2 for v in x):.2f}, ra {sum(abs(v)**2 for v in y):.2f}")

lệch pha   0° → làn trên 0.00 | làn dưới 1.00 | tổng 1.00
lệch pha  45° → làn trên 0.15 | làn dưới 0.85 | tổng 1.00
lệch pha  90° → làn trên 0.50 | làn dưới 0.50 | tổng 1.00
lệch pha 135° → làn trên 0.85 | làn dưới 0.15 | tổng 1.00
lệch pha 180° → làn trên 1.00 | làn dưới 0.00 | tổng 1.00
vào: ['0.60', '0.00+0.80j'] → ra: ['-0.75-0.09j', '0.09+0.65j']
năng lượng vào 1.00, ra 1.00

Một MZI chỉ xử lý được hai làn. Nhưng nếu xếp nhiều MZI thành một mạng lưới, ánh sáng đi qua từng tầng, bị trộn và phân phối lại ở mỗi tầng, thì cả mạng lưới thực hiện một phép nhân ma trận lớn hơn nhiều. Năm 1994, Reck và cộng sự chứng minh rằng với cách sắp xếp phù hợp, một mạng các bộ chia chùm và bộ dịch pha có thể tạo ra bất kỳ phép biến đổi nào thuộc một lớp ma trận quan trọng gọi là ma trận unitary[3]. Năm 2016, Clements và cộng sự đề xuất một cách sắp xếp gọn và bền với sai số hơn[4].

Tại sao điều này quan trọng với AI? Vì phép tính chiếm phần lớn khối lượng công việc của một mạng nơ-ron chính là nhân ma trận với vector. Trong chip điện tử, mỗi phép nhân và phép cộng là một thao tác riêng tiêu tốn năng lượng. Trong mạng MZI, phép nhân ma trận xảy ra trong lúc ánh sáng đi qua chip, gần như tức thời, và phần năng lượng chủ yếu chỉ nằm ở việc tạo, điều chế và đo ánh sáng.

Năm 2017, Shen và cộng sự đã dùng một mạng MZI trên chip để chạy một mạng nơ-ron nhận dạng nguyên âm trong giọng nói[5]. Đó là một thí nghiệm nhỏ, nhưng nó cho thấy ý tưởng hoạt động được.

Kết nối quang: phần đã bước ra thị trường

Trong hai hướng ứng dụng ánh sáng cho AI, hướng chở dữ liệu đang đi trước rất xa hướng tính toán.

Từ lâu, các data center đã dùng cáp quang để nối các tủ máy chủ với nhau, thông qua những module chuyển đổi quang–điện có thể cắm rời (pluggable transceiver). Tín hiệu điện chạy từ chip ra tới rìa thiết bị, được chuyển thành ánh sáng, đi qua sợi quang, rồi được chuyển ngược lại thành điện ở đầu bên kia. Quãng đường điện từ chip ra tới module vẫn tốn năng lượng.

Hướng mới gọi là co-packaged optics: đưa phần chuyển đổi quang–điện vào sát ngay bên cạnh con chip, trong cùng một gói linh kiện, để tín hiệu điện chỉ phải đi một quãng rất ngắn. Tháng 3/2025, NVIDIA công bố các dòng switch mạng dùng co-packaged optics, và cho biết chúng hiệu quả điện năng hơn 3,5 lần so với cách dùng module cắm rời truyền thống[9]. Đây là con số do nhà sản xuất công bố, cần được kiểm chứng thêm khi triển khai thực tế.

IEA ghi nhận tới tháng 4/2026, co-packaged optics đã bắt đầu bước vào sản xuất ban đầu cho switch mạng nối giữa các tủ máy chủ, còn kết nối quang trực tiếp giữa các con chip được kỳ vọng triển khai từ khoảng 2027–2028. IEA cũng lưu ý mức tiết kiệm năng lượng ở quy mô toàn bộ data center vẫn còn chưa chắc chắn[2].

Tính toán quang: những bước đầu

Hướng dùng ánh sáng để tính trực tiếp vẫn ở giai đoạn sớm hơn nhiều, nhưng năm 2025 đánh dấu một cột mốc. Tạp chí Nature đăng cùng lúc hai công trình từ hai công ty khởi nghiệp.

Nhóm của Lightmatter giới thiệu một bộ xử lý quang chạy được những mô hình AI thực tế, gồm mạng ResNet cho nhận dạng ảnh, mô hình ngôn ngữ BERT, và thuật toán học tăng cường chơi game Atari mà DeepMind từng công bố. Theo nhóm tác giả, bộ xử lý đạt độ chính xác gần với chip điện tử cho nhiều tác vụ. Trước đó, các chip quang học chỉ chạy được những bài toán mẫu đơn giản, chưa đủ chính xác cho ứng dụng thực tế[6].

Nhóm của Lightelligence giới thiệu một bộ tăng tốc quang tích hợp hơn 16.000 linh kiện quang trên một chip, thực hiện phép nhân ma trận ở tần số tới 1 GHz với độ trễ chỉ khoảng 3 nano giây mỗi chu kỳ, và dùng nó để giải nhanh một loại bài toán tối ưu khó gọi là bài toán Ising[7].

Một chi tiết trong công trình thứ hai nói lên rất nhiều: các chức năng logic, bộ nhớ và điều khiển không nằm trên chip quang, mà trên một chip điện tử được ghép sát bên cạnh bằng công nghệ đóng gói tiên tiến.

Vì sao chip quang chưa thay được GPU

Chi tiết ấy dẫn tới những giới hạn cốt lõi của tính toán quang hiện nay[8]:

• Phần phi tuyến vẫn cần điện tử. Một mạng nơ-ron không chỉ nhân ma trận. Sau mỗi lớp, nó cần một phép biến đổi phi tuyến (hàm kích hoạt) để học được những quan hệ phức tạp. Giao thoa là một phép toán tuyến tính, và vì photon gần như không tương tác với nhau, làm phép phi tuyến bằng ánh sáng rất khó. Hầu hết hệ thống phải chuyển tín hiệu về điện để làm bước này.
• Mỗi lần chuyển đổi đều tốn năng lượng. Dữ liệu phải được chuyển từ số sang tín hiệu quang ở đầu vào, rồi đo và chuyển ngược lại thành số ở đầu ra. Nếu phải chuyển qua lại nhiều lần, phần năng lượng tiết kiệm được trong khâu nhân ma trận có thể bị “ăn” mất.
• Tính toán analog thì có nhiễu. Kết quả trong chip quang là cường độ ánh sáng, một đại lượng liên tục, nên dễ bị ảnh hưởng bởi nhiễu, nhiệt độ và sai số chế tạo. Độ chính xác bị giới hạn ở mức thấp hơn nhiều so với số học của chip điện tử.
• Bộ nhớ vẫn là điện tử. Ánh sáng không “đứng yên” để lưu trữ được. Tham số của mô hình vẫn phải nằm trong bộ nhớ điện tử và được chở tới chip, tức là quay lại đúng bài toán vận chuyển ở đầu bài.

Hướng đi thực tế hiện nay vì thế là lai: ánh sáng làm phần nhân ma trận tuyến tính, nơi nó có lợi thế tự nhiên, còn điện tử làm phần còn lại. Chip quang học có thể trở thành một bộ phận chuyên dụng bên cạnh GPU cho một số loại tác vụ, trước khi có ai nói tới chuyện thay thế hoàn toàn.

Hiệu ứng bậc hai, thêm một tầng

Trong bài trước, ta đã vẽ chuỗi hiệu ứng bậc hai của AI: chip, data center, làm mát, máy biến áp, lưới điện, nhà máy điện. Kết nối quang là một nhánh mới của chuỗi ấy, xuất phát từ cùng một áp lực: AI cần chở ngày càng nhiều dữ liệu với ngày càng ít điện năng.

Nhưng cần phân biệt rõ hai câu chuyện đang được kể chung dưới cái tên “photonics”:

• Kết nối quang đang bắt đầu được thương mại hóa, có lộ trình sản phẩm cụ thể, và gắn với chuỗi cung ứng thật: sản xuất chip, laser, sợi quang, đóng gói linh kiện. Trong thông báo năm 2025, NVIDIA nêu tên các đối tác như TSMC, Coherent, Corning, Foxconn, Lumentum và SENKO[9].
• Tính toán quang vẫn ở giai đoạn nghiên cứu và sản phẩm đầu tiên, với những giới hạn vật lý chưa được giải quyết trọn vẹn.

Nguyên tắc từ bài trước vẫn giữ nguyên: một xu hướng công nghệ tốt không đồng nghĩa mọi công ty gắn nhãn xu hướng ấy đều là khoản đầu tư tốt, nhất là khi giá đã phản ánh những kỳ vọng xa nhất. Với một công nghệ đang ở giai đoạn đầu như tính toán quang, khoảng cách giữa một thí nghiệm thành công trên Nature và một sản phẩm có lãi ở quy mô lớn thường tính bằng nhiều năm, và không phải công nghệ nào cũng đi hết quãng đường đó.

Điện tử giỏi tính, photon giỏi chở

Quay lại đầu bếp phải chạy ra chợ mua từng quả trứng. Cách giải quyết không phải là thay đầu bếp bằng một người nấu nhanh hơn, mà là rút ngắn quãng đường đi chợ, hoặc mua cả giỏ trứng mỗi lần.

Ngành chip AI đang làm đúng như vậy. Khi phép tính đã rẻ, điểm nghẽn chuyển sang việc chở dữ liệu. Và với việc chở, ánh sáng có những ưu thế mà electron khó theo kịp: ít suy hao, nhiều màu chạy chung một sợi, gần như không nhiễu lẫn nhau. Cũng chính vì không tương tác với nhau, ánh sáng lại khó dùng để tính, nên electron vẫn giữ vai trò trung tâm trong việc tính toán.

Bài học rộng hơn cũng quen thuộc: khi một mắt xích trở nên rẻ, điểm nghẽn dịch chuyển sang mắt xích khác. Muốn hiểu một công nghệ sẽ đi về đâu, hãy tìm xem điểm nghẽn tiếp theo nằm ở đâu.

Và giao thoa, thứ cho phép ánh sáng nhân ma trận, còn là nền tảng của một loại máy tính kỳ lạ hơn nhiều: máy tính lượng tử, nơi các khả năng cũng cộng và triệt tiêu nhau như những con sóng. Đó sẽ là chủ đề của một bài tiếp theo.