Physical AI đẩy giới hạn phần cứng với những thách thức về bộ nhớ, công suất và kiến trúc

icon币界网
Chia sẻ
AI summary iconTóm tắt
Các hệ thống AI vật lý đang thay đổi các ngành công nghiệp, nhưng thị trường thanh khoản và tiền điện tử đang đối mặt với những rào cản mới khi các thách thức về bộ nhớ, công suất và kiến trúc gây áp lực lên thiết kế phần cứng. Bitjie lưu ý rằng các nhà sản xuất chip phải tái thiết kế hệ thống để xử lý AI tại biên, cân bằng giữa tính toán, I/O và bảo mật. Strategy& dự báo thị trường AI vật lý có thể đạt 43 tỷ euro vào năm 2030. Các quy định CFT càng gia tăng áp lực khi các giải pháp phần cứng và phần mềm tùy chỉnh trở nên thiết yếu để đảm bảo độ tin cậy và an toàn trong các môi trường không chắc chắn.
Bijiewang báo cáo:

Các máy tự chủ có tiềm năng thay đổi nhiều ngành công nghiệp, nhưng các giới hạn về bộ nhớ, tiêu thụ điện năng, kiến trúc chuyên dụng và yêu cầu bảo mật đang buộc các nhà thiết kế chip phải suy nghĩ lại toàn bộ hệ thống.

Điểm chính:

  • Chỉ tăng thêm sức mạnh tính toán không thể giải quyết các điểm nghẽn của AI vật lý. Khả năng xử lý phải được cân bằng với băng thông bộ nhớ, giao diện hiệu quả, nguồn điện đầy đủ và khả năng tản nhiệt.
  • Kiến trúc hệ thống cần được thiết kế tùy chỉnh cho chức năng và môi trường cuối cùng của AI vật lý.
  • Việc triển khai thực tế phụ thuộc vào việc xác minh nghiêm ngặt: phải bao phủ các trường hợp biên, hiểu hành vi hệ thống và xác minh tính bảo mật.

Physical AI đang tiến tới việc ứng dụng rộng rãi, nhưng để xây dựng các hệ thống được điều khiển bởi cảm biến, các đội kỹ thuật phải liên tục giải quyết đồng thời nhiều thách thức kỹ thuật.

Các chuyên gia phân tích dự đoán thị trường AI vật lý sẽ tăng trưởng đáng kể. Các hệ thống tự chủ có tiềm năng tái định hình căn bản các ngành công nghiệp như giao thông, sản xuất, y tế và năng lượng. Strategy&, một bộ phận thuộc PwC, dự kiến quy mô thị trường AI vật lý toàn cầu có thể đạt khoảng 430 tỷ euro vào năm 2030, phản ánh tiềm năng thương mại của các hệ thống tự chủ trong nhiều ngành công nghiệp.

Giám đốc cấp cao về giao diện IP AI vật lý cho ô tô của Synopsys, Licinio Sousa, cho biết: “Các hệ thống AI vật lý đang mở rộng từ ô tô sang robot và máy bay không người lái, và các điểm nghẽn trong phát triển các ứng dụng này nằm trên toàn bộ hệ thống. AI đang di chuyển từ trung tâm dữ liệu đến biên; đối với các thiết bị như robot, máy bay không người lái và xe cộ, động lực đến từ tính tự chủ, quyền riêng tư, cá nhân hóa, phản hồi nhanh hơn và giảm sự phụ thuộc vào đám mây.”

Danh sách các thách thức kỹ thuật cần giải quyết rất dài và đan xen lẫn nhau. Cần tăng dung lượng bộ nhớ và băng thông, giảm độ trễ và công suất tiêu thụ, kéo dài tuổi thọ sản phẩm và xác minh tính bảo mật. Khó hơn nữa, việc giải quyết bất kỳ vấn đề nào trong số đó đều có thể gây ra các vấn đề mới ở nơi khác.

Đặc biệt kiến trúc

Để giải quyết những điểm nghẽn hệ thống này, cần phần cứng và phần mềm chuyên dụng cao, được tối ưu hóa cho các trường hợp sử dụng cụ thể.

Michal Siwinski, Phó chủ tịch điều hành, Giám đốc sản phẩm và tiếp thị kiêm Tổng giám đốc giải pháp an toàn của Arteris, cho biết: “Chúng ta cần bắt đầu nói về việc tạo ra các hệ thống tính toán được tối ưu hóa và tùy chỉnh riêng cho từng công việc cụ thể — đây chính là điểm thú vị của vật lý AI. Những công việc đó phải được tối ưu hóa cao độ cho phần cứng. Về cơ bản, chúng ta đang quay trở lại với ý nghĩa truyền thống của ASIC — ASIC vốn dĩ nên là chuyên dụng cao, cực kỳ tối ưu, chứ không phải là phổ quát. Hiện đã có một số xu hướng như vậy bắt đầu xuất hiện. Điều thú vị sắp tới sẽ là xem các hệ thống linh hoạt hơn, được thiết kế cho các ứng dụng rất cụ thể, sẽ phát triển như thế nào giữa phần mềm, phần cứng và công việc, đồng thời tiếp tục phát triển vì các mô hình thay đổi nhanh hơn nhiều.”

Vasanthan Karunanithy, kiến trúc sư hệ thống của bộ phận ô tô tại Micron Technology, cho biết tại Diễn đàn Ô tô JEDEC gần đây: “Robot không phải là một stack AI mới. Từ các hệ thống ADAS, robot kế thừa khả năng nhận thức thời gian thực, lập kế hoạch đường đi và điều khiển chuyển động. Từ các tủ thông minh, robot kế thừa khả năng hiểu ngôn ngữ tự nhiên, suy luận ngữ cảnh và tương tác người-máy. Trong trí tuệ thể chất, thách thức lớn hơn là chạy đồng thời hai loại tải công việc này và sau đó trao đổi thông tin cuối cùng. Vì vậy, đây chính là điểm chung của hai lĩnh vực phân khúc này. Tuy nhiên, cũng có sự khác biệt, thể hiện qua quy mô kênh. Phương tiện tự hành hoạt động trong môi trường đường bộ tương đối có cấu trúc và nhận năng lượng từ nguồn lớn hơn—pin xe. Nhưng khi xem xét robot, chúng hoạt động trong môi trường ba chiều phi cấu trúc. [Robot] còn cần duy trì nhiều bậc tự do, phải thao tác vật thể và giữ thăng bằng, đồng thời hiểu các mệnh lệnh trong chỉ dẫn. So với ô tô, robot phải thực hiện tất cả những điều này trong phạm vi nguồn điện hạn chế hơn.”

Sự khác biệt này thay đổi đáng kể giữa các ứng dụng khác nhau. Phương tiện tự lái hoạt động trong hệ thống hạ tầng giao thông hiện có nhưng phải đối phó với các điều kiện giao thông không thể dự đoán được. Ngược lại, robot di động và robot hình người có thể cần điều hướng trong môi trường có cấu trúc lỏng lẻo hơn, phối hợp thao tác và cân bằng, đồng thời vận hành trong ngân sách công suất bị hạn chế hơn. Trong khi đó, robot công nghiệp có thể hoạt động trong môi trường được kiểm soát và kết nối với nguồn điện cố định. Những sự khác biệt này khiến việc tối ưu hóa một kiến trúc duy nhất cho tất cả các dạng AI vật lý trở nên khó khăn.

Các nhà thiết kế phải xây dựng kiến trúc hệ thống dựa trên những yêu cầu này ngay từ đầu.

Sousa cho biết: “Khi tải công việc và mô hình liên tục phát triển, chúng ta đã chứng kiến sự xuất hiện của các chip chuyên dụng được thiết kế riêng cho nhu cầu của từng loại máy. Khách hàng của chúng tôi liên tục đối mặt với nhu cầu về các mô hình VLA (thị giác - ngôn ngữ - hành động) tiên tiến. Về mặt phần cứng, điều này có nghĩa là cần tăng cường tính toán và các động cơ AI. Đồng thời, phạm vi sử dụng quá rộng khiến kiến trúc đơn chip trở nên khó áp dụng hơn, do đó đang chuyển sang giải pháp chiplet, trong đó tính toán, AI, bộ nhớ và I/O có thể được mở rộng theo từng trường hợp sử dụng cụ thể thông qua giao diện UCIe.”

Chiplet cung cấp một lộ trình tiềm năng cho nền tảng AI vật lý có thể mở rộng, đặc biệt khi nhu cầu về tính toán dị hợp, bộ nhớ và I/O đủ lớn để biện minh cho việc đóng gói tiên tiến. Tuy nhiên, chúng cũng có thể làm tăng chi phí và độ phức tạp do đóng gói tùy chỉnh, quản lý nhiệt và giao tiếp giữa các die. Đối với các hệ thống nhỏ hơn, tích hợp cao và bị ràng buộc bởi tiêu thụ năng lượng, kích thước và chi phí, SoC đơn khối có thể phù hợp hơn.

Các ràng buộc này cũng áp dụng cho phần cứng và phần mềm. Sathish Balasubramanian, Trưởng sản phẩm EDA AI và Solido của Siemens EDA, cho biết: “Các cảm biến sẽ tập trung hơn vào các trường hợp sử dụng; bạn cần đảm bảo có những trường hợp sử dụng tốt, được tùy chỉnh, đồng thời bạn cũng cần có lớp phần mềm ở trên cùng. Tôi thường đùa rằng mọi thứ trong thế giới thực đều là mô phỏng, và chúng ta đang cố gắng trừu tượng hóa chúng thành số, do đó một trong những điều quan trọng nhất là sự dư thừa. Các cảm biến hiện đã khá tốt. Chúng ta có thể cảm nhận được hình ảnh, nhiệt độ, áp suất và bất kỳ thứ gì khác. Chúng ta cũng đã làm rất tốt trong lĩnh vực radar và các khía cạnh khác. Điều quan trọng hơn là đảm bảo cảm biến có thể hoạt động trong môi trường và thu thập dữ liệu môi trường theo cách không thực sự suy giảm, hoặc tích hợp sẵn sự dư thừa.”

Tuy nhiên, hiệu quả của sự dư thừa sẽ khác nhau tùy thuộc vào việc các thành phần có thể ngừng hoạt động độc lập hay không, cũng như hệ thống có thể nhận diện và phản ứng với sự cố hay không. Việc chỉ đơn giản tăng số lượng cảm biến không đảm bảo hoạt động đáng tin cậy, đặc biệt trong các điều kiện môi trường có thể đồng thời ảnh hưởng đến nhiều cảm biến.

Việc tùy chỉnh kiến trúc tính toán theo tải công việc hoặc trường hợp sử dụng cũng mang lại những sự đánh đổi. Yasmine King, Phó Chủ tịch Doanh nghiệp và Trưởng bộ phận Ô tô của Analog Devices, cho biết: “Câu hỏi đặt ra là trí tuệ cần gần với vị trí thực tế xảy ra cảm biến đến mức nào, và ở đây tồn tại sự căng thẳng. Nếu phân phối trí tuệ khắp toàn bộ hệ thống, việc cập nhật sẽ trở nên phức tạp hơn. Tập trung hóa cho phép thực hiện cập nhật OTA qua một điểm duy nhất, giúp dễ dàng vá lỗi và sửa chữa, nhưng khi bạn cần phản hồi nhanh với dữ liệu này, nó có thể gây ra vấn đề độ trễ. Trong xe hơi, nếu một người đi bộ đột ngột lao ra trước xe, bạn cần có khả năng phản ứng cực kỳ nhanh. Vì vậy, việc đặt trí tuệ ở đâu phụ thuộc vào loại thông tin cảm biến bạn muốn thu thập và bạn cần phản hồi nhanh đến mức nào.”

Yasmine King phát biểu tại Reuters Automotive 2026 vào ngày 27 tháng 10 năm 2026.

Việc đặt vị trí thông minh là một quyết định kiến trúc, không chỉ liên quan đến hiệu năng tính toán. Nó cần đạt được sự cân bằng giữa thời gian phản hồi, băng thông truyền thông, công suất tiêu thụ, khả năng cập nhật và phối hợp giữa các thành phần phân tán. Tính toán tập trung có thể đơn giản hóa quản lý, trong khi xử lý tại chỗ có thể giảm độ trễ truyền thông và duy trì các chức năng quan trọng khi kết nối bị gián đoạn.

“Bức tường bộ nhớ” của AI vật lý

Bộ nhớ, băng thông, độ trễ và tiêu thụ năng lượng là những điểm nghẽn chính của AI vật lý; một số công nghệ bộ nhớ còn có thể đối mặt với hạn chế về nguồn cung. Thách thức thực sự không phải là đơn giản tăng thêm đủ nhiều linh kiện bộ nhớ, mà là thiết kế hệ thống bộ nhớ có thể cung cấp dữ liệu cho các tác vụ AI ngày càng khắt khe trong các giới hạn nghiêm ngặt về công suất và nhiệt độ.

Sousa cho biết: “Hàng tỷ tham số mô hình liên quan cũng cần được lưu trữ và truyền tải giữa bộ nhớ, bộ nhớ và đơn vị xử lý. Hiện nay, điều này được gọi là ‘bức tường bộ nhớ’. Khi dung lượng bộ nhớ tiếp tục tăng, DRAM cần các giao diện siêu tốc như LPDDR6 để không còn là điểm nghẽn xử lý.”

Hiệu suất còn phụ thuộc vào mô hình truy cập, độ trễ, tái sử dụng dữ liệu, dung lượng bộ nhớ đệm, hiệu quả của bộ điều khiển bộ nhớ và năng lượng cần thiết để di chuyển dữ liệu. Nếu tải công việc bị giới hạn bởi các phần khác của cấu trúc bộ nhớ, thì lợi ích từ việc tăng băng thông nguyên thủy thuần túy có thể bị hạn chế.

Thiết kế hệ thống nhắm vào tải công việc có thể giúp giảm bớt một phần gánh nặng bộ nhớ. Balasubramanian cho biết: “Bộ nhớ có kích thước phù hợp, tính toán có kích thước phù hợp và sự dư thừa, cùng với mọi thứ phải vừa trong ngân sách nhiệt và công suất, đều sẽ cực kỳ quan trọng. Điều quan trọng nhất là kích thước rất quan trọng. Bạn sẽ không lắp một bình xăng 100 gallon vào một chiếc Prius. Bạn cần một bình xăng 10 gallon. Tôi dùng ví dụ này để minh họa cho bộ nhớ. Bạn có thể quản lý nó theo một cách không cần DRAM khổng lồ, nhưng có thể có một bộ nhớ đệm khá tốt và SRAM tích hợp. Nó luôn có thể lưu các yêu cầu then chốt vào DRAM, nhưng khi cần, bạn có thể chuyển các thứ khác sang bộ nhớ flash hoặc SRAM. Về đường dẫn bộ nhớ, từ DRAM đến SRAM, rồi đến tính toán thực tế, và cuối cùng là hiện thực hóa AI vật lý, tính nhất quán bộ nhớ đệm sẽ cực kỳ quan trọng.”

Các kỹ thuật bộ nhớ này có những sự đánh đổi đáng kể. SRAM và bộ nhớ đệm trên chip cung cấp truy cập nhanh cho dữ liệu được sử dụng thường xuyên, nhưng dung lượng của chúng bị giới hạn bởi diện tích silicon và chi phí. DRAM bên ngoài cung cấp dung lượng lớn hơn, trong khi bộ nhớ flash cung cấp lưu trữ không bay hơi cho mô hình, phần mềm và các thông tin khác không cần giữ trong bộ nhớ hoạt động.

Việc di chuyển thông tin giữa các cấp độ này có thể giảm một phần nhu cầu dung lượng, nhưng sẽ làm tăng chi phí truyền tải và độ trễ. Đồng thời, tính nhất quán bộ nhớ đệm tập trung vào việc giữ cho các bản sao dữ liệu trong bộ nhớ đệm và bộ nhớ nhất quán, chứ không chỉ đơn thuần là di chuyển thông tin giữa các công nghệ lưu trữ khác nhau, nhưng điều này cũng mang lại nhiều chi phí hơn. Do đó, các kỹ sư khi quyết định đặt bao nhiêu bộ nhớ ở mỗi cấp độ phải xem xét tập làm việc, tính cục bộ dữ liệu và tần suất truy cập.

Bộ nhớ ô tô có khả năng đóng vai trò quan trọng trong cách giải quyết các vấn đề về AI vật lý.

Giám đốc quản lý sản phẩm cấp cao của Imagination Technologies, Rob Fisher, cho biết: “Hiện tại, nó có mối liên hệ rất chặt chẽ với dòng sản phẩm ô tô của chúng tôi, và chúng tôi nhận thấy phần lớn nhu cầu từ phía robot đều xuất phát trực tiếp từ phía ô tô. Hiện nay, nhiều nhà sản xuất ô tô đang định vị chip của mình đồng thời như một nền tảng cho cả ô tô và robot, do đó, việc hỗ trợ 4-bit, 6-bit và 8-bit sẽ thực sự có lợi cho băng thông bộ nhớ và dung lượng bộ nhớ trong các ứng dụng biên nhúng. Đối với trung tâm dữ liệu, điều này không quá quan trọng, nhưng tác động lại khác biệt. Bạn có thể chạy các mô hình lớn hơn trong trung tâm dữ liệu bằng cách sử dụng độ rộng bit nhỏ hơn trên độ rộng từ. Trong khi đó, trong các ứng dụng ô tô và robot, bạn có thể tận dụng điều này theo hướng ngược lại—tức là giảm dung lượng bộ nhớ. Bạn sẽ giới hạn mô hình chỉ thực hiện những việc bạn cần nó làm, từ đó giảm thiểu bộ nhớ và băng thông cần thiết để chứa nó.”

Việc sử dụng độ chính xác thấp hơn có thể giảm nhu cầu lưu trữ và băng thông bộ nhớ của mô hình, do đó đặc biệt hấp dẫn cho AI nhúng. Tuy nhiên, lợi ích của nó phụ thuộc vào việc bộ xử lý có hỗ trợ hiệu quả định dạng số đã chọn hay không, cũng như liệu lượng tử hóa có duy trì được độ chính xác cần thiết cho ứng dụng hay không. Các định dạng như biểu diễn 6 bit cũng có thể gây ra chi phí đóng gói hoặc triển khai, khiến lợi ích bị hạn chế trên phần cứng không được thiết kế đặc biệt cho chúng.

Flash storage also plays a critical role in managing autonomous system memory.

Sousa cho biết: “DRAM bị giới hạn về dung lượng, công suất và khả năng sẵn có. Băng thông lưu trữ nhanh hơn có thể rút ngắn thời gian tải, do đó cùng một ngân sách DRAM có thể hỗ trợ các mô hình lớn hơn. Những hệ thống này hoạt động liên tục bằng pin và thường không có hệ thống tản nhiệt chủ động, vì vậy mỗi lần truyền dữ liệu đều tiêu tốn điện năng và làm tăng độ trễ, do đó mọi thành phần như cơ khí, điện tử và phần mềm đều phải giảm công suất và tăng hiệu quả. Các giao diện như MIPI, UFS, LPDDR, PCIe đều tích hợp công nghệ đảm bảo dữ liệu đột biến được truyền nhanh chóng, sau đó chuyển sang chế độ chờ thấp công suất trong thời gian dài.”

Bộ nhớ không bay hơi nhanh hơn có thể giảm độ trễ khi tải mô hình và cho phép các hệ thống có DRAM hạn chế thực hiện các tải công việc có dung lượng mô hình tổng cộng vượt quá bộ nhớ hoạt động khả dụng, khi được kết hợp với các kỹ thuật phân vùng mô hình hoặc truyền tải trọng số phù hợp. Tuy nhiên, băng thông bộ nhớ bản thân không làm tăng lượng dữ liệu có thể chứa trong DRAM tại bất kỳ thời điểm nào.

Các giao diện dùng để truyền dữ liệu này cũng khác nhau về cơ chế quản lý nguồn và đặc tính hoạt động. Hiệu suất của chúng phụ thuộc vào tiêu chuẩn cụ thể, cách triển khai, chế độ truyền và cơ hội chuyển sang trạng thái tiết kiệm năng lượng.

Nếu quy mô thị trường đủ lớn, nhu cầu bộ nhớ của AI vật lý cuối cùng có thể chứng minh sự cần thiết phải phát triển các công nghệ bộ nhớ mới hoặc các biến thể của công nghệ hiện có.

Steven Woo, Kỹ sư xuất sắc và nhà phát minh xuất sắc của Rambus, cho biết: “Bộ nhớ là một công nghệ then chốt mà tất cả các AI vật lý đều cần đến. Sự khác biệt nằm ở chỗ, một số thị trường chỉ sử dụng bộ nhớ hiện có, nhưng cũng có khả năng một số thị trường sẽ lớn đến mức cần loại bộ nhớ riêng của mình, hoặc một biến thể của bộ nhớ hiện có. Chúng ta đã thấy điều này với HBM. Trước đây, mọi người đang sử dụng các loại bộ nhớ khác, sau đó thị trường bỗng nhiên trở nên lớn mạnh. Nếu quay lại thời kỳ trước khi LPDDR ra đời, điện thoại thông minh chỉ sử dụng các linh kiện DDR đã được phân loại và chọn lọc kỹ lưỡng, vô tình có mức tiêu thụ năng lượng thấp. Khi thị trường đạt đến một quy mô nhất định, người ta sẽ nói: ‘Được rồi, vậy chúng ta hãy tạo ra một linh kiện chuyên dụng.’ AI vật lý có thể phát triển thành một thị trường đủ lớn, do đó, nếu sự khác biệt về nhu cầu đủ lớn, có thể sẽ xuất hiện một loại bộ nhớ khác.”

Việc chuyên biệt hóa này có xảy ra hay không sẽ phụ thuộc vào quy mô và tính nhất quán của nhu cầu. Khác với trung tâm dữ liệu, các ứng dụng AI vật lý có yêu cầu rất khác biệt về chi phí, dung lượng, độ bền, băng thông, nhiệt độ và hiệu quả năng lượng. Sự đa dạng này có thể khiến một số thị trường thiên về cải tiến các công nghệ bộ nhớ hiện có, trong khi các thị trường khác lại phù hợp hơn với các giải pháp được thiết kế chuyên dụng.

Xác minh các trường hợp biên

Đảm bảo hệ thống hoạt động trong điều kiện an toàn, kể cả trong các trường hợp hiếm gặp và bất ngờ, cũng là một thách thức lớn khác. Khi các nhà phát triển AI vật lý nhắm đến các thiết bị nặng, thiết bị y tế và các công nghệ then chốt khác liên quan đến an toàn, việc giải quyết vấn đề xác minh trở nên đặc biệt quan trọng.

Balasubramanian cho biết: “Trước khi đưa AI vật lý vào bất kỳ môi trường sản xuất nào, việc xây dựng vòng lặp xác minh là vô cùng quan trọng, tôi sẽ nói đây là điều quan trọng nhất chúng ta cần làm. Ví dụ, nếu xảy ra sự cố mất điện quy mô lớn, hoặc động đất, cáp quang bên ngoài bị cắt đứt, hoặc mất điện? Bạn sẽ quản lý tình huống này ở biên như thế nào? Việc duy trì một số phép tính, một số bộ nhớ và một số trí tuệ gần cảm biến sẽ cực kỳ quan trọng, và cách mọi người đạt được điều này là xác định những yếu tố quan trọng nhất dựa trên yêu cầu của từng trường hợp sử dụng. Trong môi trường công nghiệp, tôi cần dừng dây chuyền lắp ráp khi nào? Tôi cần biết khi nào nên gọi lại, kích hoạt cảnh báo hoặc thực hiện các hành động khác? Đây đều là những việc cần được xử lý ngay trong từng cảm biến.”

Các tình huống này cho thấy các chức năng quan trọng về an toàn không phải lúc nào cũng có thể dựa vào kết nối đám mây liên tục hoặc quyết định tập trung. Xử lý tại chỗ có thể là cần thiết để phát hiện sự cố, kích hoạt hành động bảo vệ hoặc đưa thiết bị vào trạng thái an toàn được định nghĩa khi hệ thống truyền thông hoặc cung cấp điện bị lỗi.

Tuy nhiên, xác minh và xác nhận giải quyết các phần khác nhau của vấn đề. Xác minh được sử dụng để xác nhận thiết kế có đáp ứng các yêu cầu đã đặt ra hay không, trong khi xác nhận kiểm tra xem hệ thống có hoạt động phù hợp trong môi trường vận hành dự kiến hay không. An toàn bảo mật còn có thể yêu cầu phân tích mối nguy, kiểm tra tiêm lỗi, đánh giá thất bại do nguyên nhân chung, cùng bằng chứng tuân thủ các tiêu chuẩn áp dụng.

Do đó, hệ thống phải xây dựng và xác minh niềm tin xung quanh phần cứng và phần mềm liên quan, đồng thời đảm bảo các yêu cầu bảo mật phù hợp với từng trường hợp sử dụng.

Owen Kent, đồng sáng lập công ty khởi nghiệp robot hỗ trợ ATDev, cho biết: “Khi chúng tôi thiết kế sản phẩm cho xe lăn, giống như mọi ứng dụng AI vật lý khác, chúng tôi có những yêu cầu cụ thể. Bạn phải thực sự đẩy các thiết bị phần cứng này đến giới hạn trong hệ thống quản lý chất lượng và các bài kiểm tra tương thích điện từ của bên thứ ba. Dù bạn sử dụng phần cứng gì, dù có phải là sản phẩm tùy chỉnh hay không, bạn đều phải có khả năng xác minh tính an toàn.”

Đối với các nhà phát triển, điều này có nghĩa là không chỉ đánh giá xem các thành phần có hoạt động bình thường trong điều kiện vận hành bình thường hay không, mà còn phải đánh giá phản ứng của toàn bộ hệ thống khi xảy ra suy giảm cảm biến, sự cố truyền thông, đầu vào bất ngờ và các mối nguy hiểm có thể dự đoán được khác. Trong nhiều ứng dụng, việc vượt qua kiểm tra ở cấp thành phần là điều kiện bắt buộc, nhưng điều này riêng lẻ không đủ để chứng minh tính an toàn ở cấp hệ thống.

Kết luận

Các hạn chế thực tế của AI vật lý xuyên suốt toàn bộ quá trình từ nhận thức đến hành động. Các nhà thiết kế phải đảm bảo mô hình và phần cứng phù hợp với nhiệm vụ, di chuyển dữ liệu trong ngân sách năng lượng và nhiệt độ khả dụng, đồng thời xác minh hành vi của máy khi điều kiện hoặc kết nối thay đổi. Chỉ khi các phần còn lại của hệ thống có thể hỗ trợ, việc tăng cường sức mạnh tính toán mới thực sự mang lại lợi ích.

Balasubramanian cho biết: “Bắt đầu từ các giao diện tiêu chuẩn, tiết kiệm năng lượng và đã được xác minh, xuyên suốt toàn bộ lộ trình – từ cảm biến đến bộ xử lý và đến bộ chấp hành. Chúng mang đến cho các nhà thiết kế hành vi có thể dự đoán được, khả năng tương tác sinh thái, và các khối xây dựng đã được xác minh trên silicon.”

Một ví dụ liên quan là MIPI Camera Security Framework, kết hợp tiêu chuẩn Camera Service Extensions (CSE) 2.0 với các tiêu chuẩn bảo mật bổ sung. CSE 2.0 hỗ trợ bảo vệ tính toàn vẹn dữ liệu cho dữ liệu camera CSI-2 và có thể mã hóa tùy chọn; khung tổng thể rộng hơn xử lý xác thực các thành phần hệ thống hình ảnh và thiết lập phiên bảo mật.

Anh ấy nói: “Nó cung cấp bảo mật đầu đến cuối cho dữ liệu camera, bao gồm tính toàn vẹn, xác thực và bảo mật từ cảm biến hình ảnh đến SoC. Nó cũng cung cấp các tùy chọn linh hoạt cho các nhà thiết kế để giảm thiểu tối đa chi phí tính toán và lưu lượng, công suất tiêu thụ và độ trễ, nhờ đó bảo mật có thể được điều chỉnh phù hợp với từng ứng dụng, thay vì thiết kế theo trường hợp xấu nhất.”

Sự khác biệt này rất quan trọng vì tính bảo mật là tùy chọn, mức độ bảo vệ phụ thuộc vào các dịch vụ bảo mật và cấu hình được triển khai. Khung rộng hơn cho phép các nhà phát triển cân bằng giữa bảo vệ và chi phí xử lý, tiêu thụ năng lượng và độ trễ, thay vì áp dụng cùng một mức bảo vệ cho mọi luồng dữ liệu.

Việc làm cho các máy tự chủ mạnh mẽ hơn là chưa đủ. Chúng còn phải hoạt động đáng tin cậy dưới các ràng buộc của thế giới thực. Đối với AI vật lý, các lựa chọn kiến trúc giúp tiết kiệm bộ nhớ, công suất và băng thông cũng phải hỗ trợ hành vi có thể dự đoán được, độ bền vững, cùng các biện pháp bảo mật cần thiết để triển khai quy mô lớn.

Việc mở rộng di chuyển dữ liệu cho AI vật lý: không có một giải pháp nào phù hợp với mọi tình huống.

Định nghĩa lại vai trò của biên và AI trên đám mây: Cuộc đua trí tuệ tại biên đang diễn ra.

Brendan Heffernan

Tuyên bố miễn trừ trách nhiệm: Thông tin trên trang này có thể được lấy từ bên thứ ba và không nhất thiết phản ánh quan điểm hoặc ý kiến của KuCoin. Nội dung này chỉ được cung cấp cho mục đích thông tin chung, không có bất kỳ đại diện hay bảo đảm nào dưới bất kỳ hình thức nào và cũng không được hiểu là lời khuyên tài chính hay đầu tư. KuCoin sẽ không chịu trách nhiệm về bất kỳ sai sót hoặc thiếu sót nào hoặc về bất kỳ kết quả nào phát sinh từ việc sử dụng thông tin này. Việc đầu tư vào tài sản kỹ thuật số có thể tiềm ẩn nhiều rủi ro. Vui lòng đánh giá cẩn thận rủi ro của sản phẩm và khả năng chấp nhận rủi ro của bạn dựa trên hoàn cảnh tài chính của chính bạn. Để biết thêm thông tin, vui lòng tham khảo Điều khoản sử dụng và Tiết lộ rủi ro của chúng tôi.