Sự phát triển của trí tuệ nhân tạo đang mở rộng ranh giới của ngành công nghệ bán dẫn, khi các mô hình AI không chỉ được xử lý trên máy chủ hay GPU mà ngày càng được đưa trực tiếp xuống phần cứng. Đồ án “Thiết kế hệ thống cảnh báo cháy sớm bằng camera AI” của 4 sinh viên FPT Chip Design là một ví dụ rõ nét cho quá trình AI kết hợp với FPGA, IoT và thiết kế hệ thống nhúng để giải quyết một bài toán thực tế.
Mục lục
Khi AI không chỉ nằm trên phần mềm mà đi vào phần cứng
Nhắc đến AI, nhiều người thường nghĩ tới ChatGPT, các mô hình ngôn ngữ lớn hay những hệ thống được vận hành trên Cloud và trung tâm dữ liệu. Tuy nhiên, một xu hướng quan trọng khác đang diễn ra: AI ngày càng được đưa tới gần nơi dữ liệu được tạo ra và trực tiếp hoạt động trên các thiết bị phần cứng. Camera có thể nhận diện hình ảnh, cảm biến có thể phát hiện bất thường hay thiết bị IoT có thể đưa ra quyết định mà không cần liên tục gửi dữ liệu lên máy chủ. Điều này đặt ra một bài toán quan trọng cho ngành bán dẫn: làm thế nào để triển khai AI trên phần cứng với nguồn tài nguyên tính toán, bộ nhớ và năng lượng có giới hạn? Đây chính là điểm giao thoa ngày càng rõ giữa AI và thiết kế chip.
Từ những ngày đầu tiếp cận chương trình FPT Chip Design, 4 sinh viên Vũ Quang Anh, Lã Văn Đạt, Trịnh Văn Nam và Nguyễn Thành Đạt đã thử sức với bài toán này trong đồ án kỳ 2 mang tên “Thiết kế hệ thống cảnh báo cháy sớm bằng camera AI”. Ý tưởng xuất phát từ một nhu cầu thực tế: phát hiện dấu hiệu cháy thông qua hình ảnh để hệ thống có thể đưa ra cảnh báo sớm, trước khi nhiệt độ hoặc lượng khói đạt đến ngưỡng của các phương pháp cảnh báo truyền thống.
Đưa mô hình CNN lên FPGA BASYS3
Điểm đáng chú ý của đồ án nằm ở việc nhóm không đơn thuần xử lý AI trên máy tính mà triển khai quá trình suy luận trực tiếp trên FPGA BASYS3. Toàn bộ hệ thống được xây dựng theo chuỗi xử lý: Camera OV7670 – FPGA BASYS3 (CNN) – ESP32 – LED/Còi/Web.
Camera OV7670 đảm nhiệm việc thu nhận hình ảnh từ môi trường. Dữ liệu sau đó được đưa vào FPGA để xử lý qua các bước: Camera Interface – Resize 64×64 RGB565 – BRAM – CNN – Output 0/1. Camera Interface tiếp nhận dữ liệu hình ảnh, sau đó hình ảnh được thu nhỏ về kích thước 64×64 pixel nhằm tạo đầu vào thống nhất cho hệ thống. Dữ liệu RGB565 được lưu trong BRAM, vùng nhớ bên trong FPGA, trước khi được đưa vào mô hình CNN để thực hiện quá trình phân loại.
Kết quả cuối cùng được đơn giản hóa thành hai trạng thái: 0 – No Fire và 1 – Fire. Đằng sau hai tín hiệu tưởng như đơn giản này là một chuỗi xử lý hoàn chỉnh, từ hình ảnh thực tế, chuyển đổi dữ liệu số, lưu trữ, suy luận AI đến xử lý logic phần cứng và phát tín hiệu điều khiển. Đồ án vì thế cho thấy một cách trực quan cách một thuật toán AI có thể trở thành một thành phần trực tiếp trong hệ thống phần cứng.
Sau khi FPGA đưa ra kết quả, tín hiệu tiếp tục được chuyển tới ESP32. Khi hệ thống xác định No Fire, thiết bị duy trì trạng thái hoạt động bình thường. Khi kết quả là Fire, ESP32 kích hoạt LED và còi cảnh báo, đồng thời gửi trạng thái lên hệ thống Web để phục vụ giám sát. Toàn bộ quá trình tạo thành một chu trình hoàn chỉnh: Quan sát – Xử lý – Nhận diện – Ra quyết định – Cảnh báo.
Ở đây, AI không còn đơn thuần là một công cụ phân tích dữ liệu. Kết quả suy luận của AI đã trở thành tín hiệu đầu vào để hệ thống điện tử thực hiện hành động trong thế giới thực. Đây cũng là tinh thần của Edge AI – đưa năng lực xử lý AI đến gần thiết bị và nguồn dữ liệu hơn, qua đó mở ra nhiều khả năng ứng dụng trong camera thông minh, IoT, robot, ô tô và các hệ thống nhúng.
AI đang đặt ra bài toán mới cho kỹ sư thiết kế chip
Sự phát triển của AI đang làm thay đổi cách ngành bán dẫn tiếp cận bài toán thiết kế phần cứng. Nếu trước đây trọng tâm thường xoay quanh logic số, CPU, bộ nhớ, giao tiếp ngoại vi, hiệu năng hay mức tiêu thụ năng lượng, thì nay một câu hỏi mới ngày càng quan trọng: Làm thế nào để một thuật toán AI có thể hoạt động hiệu quả trên phần cứng?
Một mô hình hoạt động tốt trên máy tính chưa chắc phù hợp với thiết bị có tài nguyên hạn chế. Kích thước mô hình, số lượng phép tính, dung lượng bộ nhớ, độ trễ, mức tiêu thụ năng lượng và cách dữ liệu di chuyển trong hệ thống đều cần được tính toán. Điều đó khiến AI và bán dẫn ngày càng gắn kết chặt chẽ. AI cần những kiến trúc phần cứng tối ưu hơn, trong khi kỹ sư phần cứng cũng cần hiểu rõ hơn về các workload AI mà con chip sẽ phải xử lý.
Từ một đồ án sinh viên đến tư duy kỹ sư hệ thống
Giá trị của đồ án không chỉ nằm ở hệ thống cảnh báo cháy mà còn ở cách các bạn sinh viên tiếp cận một bài toán liên ngành. Điện tử, thiết kế số, FPGA, xử lý hình ảnh, AI và IoT cùng xuất hiện trong một sản phẩm. Sinh viên không chỉ học từng khối kiến thức riêng biệt mà phải tìm cách kết nối chúng thành một hệ thống có khả năng vận hành thực tế.
Từ hình ảnh camera, dữ liệu được đưa vào FPGA, chuẩn hóa kích thước, lưu trữ trong BRAM, xử lý bằng CNN, tạo tín hiệu Fire/No Fire rồi chuyển sang ESP32 để kích hoạt cảnh báo. Mỗi thành phần đảm nhận một nhiệm vụ riêng, nhưng chỉ khi được kết nối đúng cách, toàn bộ hệ thống mới có thể hoạt động. Đây cũng là tư duy quan trọng đối với một kỹ sư thiết kế chip: không chỉ hiểu một module hoạt động như thế nào, mà còn phải hiểu module đó nằm ở đâu và đóng vai trò gì trong toàn bộ hệ thống.
Một hệ thống cảnh báo cháy trên BASYS3 mới chỉ là bài toán ở quy mô đào tạo. Tuy nhiên, từ đồ án này, sinh viên có thể nhìn thấy một lộ trình rõ ràng: Mô hình AI – Thuật toán – Kiến trúc phần cứng – FPGA – Thiết kế chip chuyên dụng.
Khi AI tiếp tục được tích hợp vào camera thông minh, ô tô, robot, điện thoại, thiết bị IoT và nhiều hệ thống nhúng, nhu cầu xử lý AI ngay trên thiết bị sẽ tạo ra thêm nhiều bài toán mới cho ngành bán dẫn. Vì vậy, câu hỏi trong tương lai có lẽ không còn là “AI có liên quan gì đến thiết kế chip?”, mà sẽ là “Một kỹ sư thiết kế chip cần hiểu AI đến mức nào để tạo ra phần cứng cho thế hệ thiết bị thông minh tiếp theo?”
Với sinh viên FPT Chip Design, hành trình tìm câu trả lời có thể bắt đầu từ những điều rất cụ thể: một dòng Verilog, một chiếc camera OV7670, bo mạch BASYS3 và một đồ án AI đầu tiên.
Giảng viên Nguyễn Xuân Cường