Không có não nhưng vẫn biết tìm đường tối ưu: Slime mold đang truyền cảm hứng cho một loại computer mới

Nó không có não, không neuron và thậm chí chỉ là một tế bào khổng lồ. Nhưng khi bị đặt vào mê cung với thức ăn ở hai đầu, slime mold Physarum polycephalum có thể dần loại bỏ những nhánh không hiệu quả và duy trì con đường ngắn nối hai nguồn thức ăn.

Khả năng kỳ lạ đó đã khiến Physarum trở thành một biểu tượng của “trí thông minh không cần não” trong hơn hai thập kỷ. Các nhà khoa học không chỉ quan sát nó giải mê cung; họ còn dùng nguyên lý co–giãn và tái phân bố vật chất của sinh vật này để xây các thuật toán tối ưu hóa, mô hình mạng giao thông và những kiến trúc tính toán phi truyền thống.

Ngày 26/8/2026, Waseda University giới thiệu một bước mới trong hướng nghiên cứu đó. Hai nhà vật lý Yusuke Miyajima và Masahito Mochizuki đã phát triển một phiên bản đơn giản hơn của Amoeba TSP model — mô hình tính toán lấy cảm hứng từ cách slime mold tìm kiếm thức ăn để giải bài toán người bán hàng, hay Traveling Salesman Problem (TSP).

Công trình đã được đăng trên Physical Review Research ngày 9/6/2026. Điểm đáng chú ý không phải nhóm vừa nuôi một con slime mold rồi nối điện cực để biến nó thành laptop. Thay vào đó, họ đã rút gọn nguyên lý tính toán của sinh vật thành một công thức truy hồi đơn giản hơn nhiều, loại bỏ những ràng buộc khiến các mô hình trước khó chế tạo thành phần cứng.

Trong mô phỏng, mô hình mới xử lý được các bài toán tới 180 thành phố, trong khi phiên bản Improved Amoeba TSP trước đó được báo cáo tới khoảng 100 thành phố và mô hình gốc khoảng 30. Nó cũng cần ít vòng lặp hơn để tìm lời giải khả thi.

Quan trọng hơn, nhóm chứng minh mô hình mới về mặt toán học tương đương với một recurrent neural network có trọng số cố định. Kết quả này gợi ý một điều thú vị: cách một sinh vật không có hệ thần kinh tự tổ chức để giải quyết vấn đề và cách một mạng neural hồi tiếp xử lý thông tin có thể chia sẻ một nguyên lý toán học chung.

Nhưng đây vẫn là một nghiên cứu mô hình hóa. Chưa có chiếc máy tính slime-mold-inspired hoàn chỉnh được chế tạo từ công trình này, và nghiên cứu cũng chưa đo mức tiêu thụ điện của một thiết bị thực tế. “Computer mới” ở đây là một kiến trúc tính toán đang được mở đường để hiện thực hóa, không phải sản phẩm đã sẵn sàng thay CPU hay GPU.

Slime mold là gì mà có thể “giải toán”?

Physarum polycephalum thường được gọi là slime mold, nhưng ở pha plasmodium mà các thí nghiệm hay sử dụng, nó là một tế bào amoeboid khổng lồ chứa nhiều nhân và tạo thành một mạng lưới ống chất nguyên sinh.

Nó không có não hay hệ thần kinh trung ương. Thay vào đó, vật chất bên trong cơ thể liên tục chảy qua các ống nhờ những co bóp nhịp nhàng. Sinh vật mở rộng về phía môi trường thuận lợi như nguồn dinh dưỡng và co lại khỏi những điều kiện không thích hợp như ánh sáng mạnh.

Nhìn từ bên ngoài, đó chỉ là hành vi kiếm ăn. Nhưng dưới góc nhìn của khoa học máy tính, quá trình này trông giống một hệ tối ưu hóa phân tán.

Nhiều nhánh được thử song song. Nhánh có ích nhận nhiều dòng vật chất hơn và được củng cố. Nhánh kém hiệu quả teo lại. Không có một “CPU trung tâm” nào lập bản đồ toàn bộ môi trường rồi ra lệnh cho từng phần của cơ thể. Quyết định toàn cục xuất hiện từ vô số tương tác cục bộ.

Đây chính là điều khiến Physarum hấp dẫn đối với unconventional computing.

Năm 2000: một sinh vật không não tìm được đường ngắn trong mê cung

Cột mốc nổi tiếng xuất hiện năm 2000 khi Toshiyuki Nakagaki, Hiroyasu Yamada và Ágota Tóth báo cáo trên Nature rằng Physarum polycephalum có thể tìm một đường có chiều dài tối thiểu giữa hai điểm trong mê cung.

Trong thí nghiệm, slime mold ban đầu lan ra nhiều hành lang. Khi thức ăn được đặt ở hai vị trí, mạng lưới dần rút khỏi các đường vòng không hiệu quả và giữ lại tuyến kết nối ngắn giữa hai nguồn dinh dưỡng.

Nó không “biết” mê cung theo nghĩa nhận thức như con người. Không có bản đồ được lưu trong não vì nó không có não. Kết quả xuất hiện từ động lực học của toàn cơ thể: dòng chất nguyên sinh, co bóp, phản ứng với thức ăn và sự điều chỉnh đường kính các ống.

Đây là một ví dụ quan trọng về computation by physics: cấu trúc vật lý của hệ tự tiến hóa về một trạng thái biểu diễn lời giải.

Năm 2010: slime mold xây một mạng giống hệ thống tàu Tokyo

Mười năm sau, một nghiên cứu trên Science đưa ý tưởng đi xa hơn.

Nhóm Atsushi Tero và Toshiyuki Nakagaki đặt các nguồn thức ăn theo vị trí tương đối của những thành phố quanh Tokyo. Khi Physarum lan giữa chúng, mạng ống hình thành có những đặc tính về chi phí, hiệu quả vận chuyển và khả năng chịu lỗi tương đương đáng chú ý với mạng đường sắt thật quanh Tokyo.

Không có nghĩa slime mold đã “thiết kế lại Tokyo tốt hơn kỹ sư”. Thí nghiệm cho thấy một bộ quy tắc thích nghi đơn giản của sinh học có thể tạo mạng đạt sự cân bằng tốt giữa nhiều mục tiêu vốn xung đột: đường đi ngắn, ít vật liệu và có dự phòng nếu một đoạn bị hỏng.

Các tác giả sau đó mô hình hóa những quy tắc đó bằng toán học, mở đường cho một họ thuật toán lấy cảm hứng từ Physarum.

Từ con slime mold thật tới Amoeba TSP computer

Một nhánh nghiên cứu khác tập trung vào Traveling Salesman Problem.

TSP có cách phát biểu rất đơn giản: một người bán hàng cần ghé qua một danh sách thành phố, mỗi thành phố đúng một lần, rồi quay về điểm bắt đầu. Câu hỏi là nên đi theo thứ tự nào để tổng quãng đường nhỏ nhất?

Với vài thành phố, có thể thử nhiều tuyến. Nhưng số thứ tự khả dĩ tăng bùng nổ khi số thành phố lớn hơn. Đây là một bài toán tổ hợp kinh điển và là mô hình cho nhiều vấn đề thực tế như logistics, lịch sản xuất, routing, thiết kế mạng và tối ưu tài nguyên.

Amoeba TSP model biến từng khả năng “thành phố nào nằm ở vị trí nào trong hành trình” thành một nhánh trong hệ.

Trong phiên bản mô phỏng từ hành vi của slime mold, các nhánh có thể kéo dài hoặc co lại. Một hệ phản hồi “chiếu sáng” những lựa chọn xung đột hoặc kém phù hợp, tương tự việc Physarum tránh ánh sáng. Theo thời gian, các nhánh cạnh tranh với nhau và hệ tiến tới một cấu hình thỏa các ràng buộc của TSP.

Thay vì một CPU tuần tự kiểm tra từng tuyến, nhiều biến trạng thái biến đổi đồng thời và tương tác với nhau.

Đó là tinh thần của một non-von Neumann optimization machine.

Vấn đề: mô hình quá giống sinh vật nên lại khó chế tạo thành máy

Nghe nghịch lý, nhưng một trong những vấn đề của Amoeba TSP model cũ là nó mô phỏng sinh vật hơi quá sát.

Một slime mold thật phải bảo toàn lượng vật chất. Nếu một nhánh phình ra, vật chất phải đến từ nơi khác. Vì vậy các mô hình trước đưa vào một volume-conservation law để tổng kích thước các nhánh được giữ dưới ràng buộc nhất định.

Điều này tự nhiên về mặt sinh học nhưng bất tiện về mặt kỹ thuật.

Nếu muốn biến phương trình thành một circuit vật lý, hệ phải liên tục theo dõi tổng trạng thái của nhiều nhánh và phối hợp chúng để bảo toàn đại lượng chung. Đây là một tương tác toàn cục, làm phần cứng phức tạp hơn.

Mô hình trước còn chứa nhiều hàm sigmoid, các nhánh điều kiện và thao tác đếm. Những thứ rất dễ viết bằng phần mềm không nhất thiết dễ biểu diễn trực tiếp bằng vật lý.

Ví dụ, một transistor hay một phần tử spintronic tự nhiên có thể cho một phản ứng phi tuyến nào đó. Nhưng bắt vật liệu vật lý thực hiện hàng loạt câu lệnh kiểu “nếu A thì làm B, nếu không thì C” lại thường cần thêm circuitry điều khiển.

Miyajima và Mochizuki đặt câu hỏi: có bao nhiêu chi tiết của con slime mold thật sự cần thiết cho khả năng tìm lời giải?

Nhóm Waseda bỏ luôn luật bảo toàn thể tích

Câu trả lời bất ngờ là một ràng buộc tưởng rất quan trọng có thể bỏ đi.

Nhóm xây một phiên bản mới gọi là Amoeba TSP recurrence formula model. Họ thực hiện năm thay đổi có chủ đích, trong đó đáng kể nhất là loại bỏ volume-conservation constraint.

Ngoài ra, nhiều sigmoid phức tạp được thay bằng hằng số hoặc hàm đơn giản hơn. Conditional branching và một số phép đếm cũng được loại bỏ.

Thay vì một hệ logic rườm rà, trạng thái của các nhánh được cập nhật lặp đi lặp lại bằng một recurrence formula tương đối gọn.

Nhóm còn cho phép nhiễu ngẫu nhiên tuân theo phân bố Gaussian. Đây là chi tiết quan trọng nếu muốn làm phần cứng bởi Gaussian-like noise có thể lấy trực tiếp từ những dao động nhiệt tự nhiên trong vật liệu, thay vì phải dùng một bộ sinh số ngẫu nhiên số học riêng.

Nói cách khác, họ không cố bắt phần cứng mô phỏng mọi chi tiết của slime mold. Họ tìm phần lõi của động lực học rồi để vật lý của chính thiết bị thực hiện phép tính.

Đơn giản hơn nhưng lại giải được bài toán lớn hơn

Thông thường, rút gọn một mô hình đi kèm đánh đổi hiệu năng. Trong mô phỏng của nhóm Waseda, điều ngược lại xảy ra.

Mô hình mới tạo lời giải khả thi với số vòng lặp thấp hơn đáng kể so với Amoeba TSP model ban đầu và Improved Amoeba TSP model.

Về quy mô, nhóm báo cáo phiên bản mới xử lý được bài toán tới 180 thành phố. Improved model đạt tới khoảng 100 thành phố trong thiết lập so sánh, còn mô hình gốc khoảng 30.

Các tác giả cũng báo cáo cải thiện về chất lượng lời giải, tốc độ hội tụ và scalability trong những thí nghiệm số của họ.

Tuy nhiên, con số 180 cần được đặt đúng bối cảnh. Đây không phải tuyên bố rằng máy slime mold đã đánh bại tất cả solver TSP hiện đại.

Nghiên cứu chủ yếu so sánh các thế hệ Amoeba TSP model với nhau để xem việc đơn giản hóa có làm mất khả năng tìm kiếm hay không. Nó không phải benchmark toàn diện với những TSP solver chính xác hàng đầu, GPU cluster, simulated annealing, quantum annealer hay các heuristic công nghiệp.

Mục tiêu chính là chứng minh một model dễ hiện thực hóa vật lý hơn vẫn giữ — thậm chí cải thiện — hành vi tối ưu hóa của họ mô hình slime mold.

“Tìm đường tối ưu” không có nghĩa lúc nào cũng chứng minh được lời giải tối ưu tuyệt đối

Đây cũng là điểm quan trọng khi nói về slime mold và TSP.

Trong mê cung hai điểm của nghiên cứu năm 2000, Physarum đã cho thấy khả năng tìm đường có chiều dài tối thiểu trong thiết lập thử nghiệm.

Nhưng TSP tổng quát phức tạp hơn rất nhiều. Các Amoeba TSP machine là những hệ tìm kiếm tối ưu hóa: chúng hướng trạng thái về các lời giải tốt và cố tránh vi phạm ràng buộc.

Một lời giải “feasible” chỉ có nghĩa tuyến đi thỏa điều kiện ghé mỗi thành phố đúng cách. Nó chưa tự động chứng minh đây là global optimum trong mọi instance.

Do đó, cách hiểu chính xác của tiêu đề là slime mold cung cấp một chiến lược vật lý để tìm các cấu hình hiệu quả, chứ không phải một sinh vật sở hữu thuật toán thần kỳ bảo đảm giải ngay mọi bài toán NP-hard.

Điều bất ngờ hơn: slime mold model hóa ra giống một recurrent neural network

Sau khi rút gọn phương trình, Miyajima và Mochizuki nhận ra cấu trúc toán học của model có thể viết dưới dạng một recurrent neural network (RNN) với trọng số cố định.

Trong một RNN, trạng thái ở thời điểm hiện tại phụ thuộc vào trạng thái trước đó và tương tác giữa nhiều node. Điều này tạo động lực học theo thời gian thay vì xử lý input chỉ một lần.

Trong Amoeba TSP recurrence model, các biến đại diện cho độ dài nhánh cũng liên tục được cập nhật từ trạng thái cũ, tín hiệu ức chế, ràng buộc bài toán và nhiễu.

Các trọng số cố định có thể mã hóa những yếu tố như khoảng cách giữa các thành phố hoặc penalty nếu hai lựa chọn vi phạm điều kiện của tour.

Hệ không cần “training” trọng số theo kiểu mạng neural học sâu thông thường. Thay vào đó, computation xảy ra khi trạng thái động của network tự tiến hóa dưới một ma trận trọng số đã định sẵn cho bài toán.

Điều này khiến model gần với một số ý tưởng trong physical reservoir computing và dynamical computing: dùng diễn biến tự nhiên của một hệ phi tuyến làm phép biến đổi thông tin.

Điều đó không có nghĩa slime mold có neural network bí mật

Việc hai phương trình tương đương không nên bị diễn giải thành “slime mold có bộ não vô hình”.

Physarum không có neuron và không xây synapse như động vật.

Điều nghiên cứu cho thấy là hai hệ vật lý rất khác nhau có thể chia sẻ cùng một dạng toán học. Một bên là những nhánh co giãn lấy cảm hứng từ amoeba; bên kia là các node của recurrent neural network.

Đây là hiện tượng phổ biến trong vật lý và toán học. Cùng một phương trình vi phân có thể mô tả những hệ hoàn toàn khác về vật chất nhưng giống nhau về cấu trúc động lực học.

Chính sự tương đương này lại hữu ích cho engineering: nếu một nguyên lý slime mold có thể viết như RNN, các nhà thiết kế có thể tận dụng kho kiến thức lớn về nonlinear dynamics, neural computation và physical reservoir computing để xây phần cứng.

Nghiên cứu sinh học năm 2026 cũng cho thấy “quyết định” của slime mold nằm trong cơ học dòng chảy

Một công trình độc lập đăng trên PRX Life ngày 8/6/2026 bổ sung góc nhìn sinh học.

Lisa Schick, Karen Alim và cộng sự nghiên cứu Physarum polycephalum khi bị ánh sáng xanh giữ trong các hình đa giác.

Thay vì chọn ngay một lối thoát, slime mold mở nhiều protrusion quanh biên và liên tục thay đổi các mode co bóp. Những contraction wave này điều khiển dòng chất nguyên sinh và tái phân bố khối lượng khắp cơ thể.

Theo thời gian, hệ chuyển giữa nhiều pattern khác nhau trước khi ổn định vào mode vận chuyển hiệu quả nhất; thời điểm đó trùng với lúc nó thoát khỏi vùng confinement.

Nghiên cứu củng cố một ý tưởng quan trọng: “decision-making” không nhất thiết cần neuron. Trong một hệ phi tập trung, cơ học, dòng chảy và feedback từ môi trường có thể cùng nhau thực hiện chức năng chọn lựa.

Đây chính là kiểu nguyên lý mà unconventional computing muốn khai thác.

Một hướng song song: mạng logistics tự thích nghi như Physarum

Tháng 7/2026, một nhóm từ Toyota Central R&D Labs, Toyota Motor Corporation và Kyoto University cũng công bố trên Scientific Reports một mô hình distributed Physarum optimal transport.

Bài toán của họ khác Amoeba TSP. Thay vì tìm tour qua các thành phố, nhóm quan tâm tới optimal transport trên graph — cách phân phối dòng hàng hoặc tài nguyên qua một mạng với chi phí tối ưu.

Các mô hình Physarum trước thường cần giải một hệ phương trình graph-Laplacian tập trung, làm mất phần nào tính địa phương vốn có ở slime mold thật.

Phiên bản mới được thiết kế để các thành phần trong mạng cập nhật theo cách phân tán. Trong mô phỏng logistics, hệ hội tụ về optimal transport đồng thời có thể thích nghi trơn tru khi chi phí tuyến đường thay đổi.

Hai nghiên cứu năm 2026 đi theo hướng khác nhau nhưng có một chủ đề chung: đừng đưa mọi thông tin về một bộ xử lý trung tâm nếu bài toán có thể được giải bằng động lực học cục bộ của cả mạng.

Đây là sự đối lập với máy tính von Neumann như thế nào?

Máy tính phổ biến hiện nay chủ yếu dựa trên kiến trúc von Neumann hoặc các biến thể của nó. Processor thực hiện lệnh, memory lưu dữ liệu và thông tin liên tục di chuyển giữa hai phần.

Kiến trúc này cực kỳ đa dụng. Nhưng với một số bài toán tối ưu hóa lớn, máy phải thực hiện khối lượng khổng lồ thao tác rời rạc để đánh giá và cập nhật nhiều biến.

Nature-inspired computer theo một triết lý khác: mã hóa bài toán vào tương tác vật lý của hệ rồi để hệ tự tiến hóa.

Trong Ising machine, trạng thái spin tìm cấu hình năng lượng thấp. Trong oscillator computer, các dao động tử đồng bộ theo một trạng thái biểu diễn lời giải. Trong memristor network, conductance của phần tử đóng vai trò biến trạng thái.

Amoeba-inspired machine nằm trong cùng gia đình rộng đó. Nhánh của “amoeba” không nhất thiết phải làm bằng cytoplasm. Nó có thể là điện áp, spin, cường độ ánh sáng, vị trí cơ học hoặc dòng chất lỏng.

Điểm cần giữ là quy tắc tương tác, không phải vật liệu sinh học.

Spintronics là một ứng viên để biến phương trình thành máy

Waseda nêu nhiều nền tảng có thể dùng để hiện thực hóa model mới: photonic circuit, spintronic device, hệ cơ học và hệ fluidic.

Trong bài báo, nhóm đặc biệt minh họa một kiến trúc spintronic.

Spintronics sử dụng không chỉ điện tích electron mà cả trạng thái spin hoặc cấu hình từ tính để lưu và xử lý thông tin. Một số phần tử spintronic có nonlinear response, memory và noise tự nhiên — những đặc điểm phù hợp với dynamical computing.

Nhóm cho rằng việc loại bỏ conservation law, conditional branching và các hàm phức tạp giúp ánh xạ model vào phần cứng dạng này dễ hơn và giảm số component cần thiết.

Spintronic device còn có tiềm năng hoạt động ở năng lượng thấp và có độ bền cao trong môi trường nhiệt hoặc bức xạ.

Nhưng cần nhấn mạnh: nghiên cứu chưa báo cáo một chip spintronic hoàn chỉnh chạy Amoeba TSP model ở quy mô 180 thành phố. Kiến trúc phần cứng hiện là đề xuất và ví dụ thiết kế dựa trên mô hình toán.

Photonic computer có thể dùng ánh sáng làm “nhánh slime mold”

Photonics là một ứng viên khác vì ánh sáng cho phép nhiều tín hiệu truyền và tương tác song song với tốc độ cao.

Nếu trạng thái của một nhánh được mã hóa bằng cường độ hoặc pha quang học, một mạng coupler và phần tử nonlinear có thể thực hiện một phần phép cập nhật bằng chính quá trình truyền ánh sáng.

Lợi thế tiềm năng là computation xảy ra ngay trong propagation của tín hiệu, thay vì CPU đọc biến từ memory, tính toán rồi ghi lại.

Điều tương tự áp dụng cho cơ học hoặc fluidics. Một biến trạng thái có thể được biểu diễn bằng độ lệch của một phần tử đàn hồi hoặc áp suất trong một kênh.

Đây là lý do việc đơn giản hóa phương trình quan trọng đến vậy: mỗi phép toán bị loại bỏ có thể tương ứng với hàng loạt component vật lý không còn phải chế tạo.

Nhiễu không còn là kẻ thù — nó trở thành tài nguyên tính toán

Trong computing truyền thống, kỹ sư thường cố giảm noise. Điện áp cần nằm rõ ở mức 0 hoặc 1; fluctuation có thể làm bit sai.

Optimization machine lại có thể cần một lượng noise.

Nếu một hệ động lực học chỉ luôn đi theo gradient gần nhất, nó có thể mắc kẹt trong local optimum. Dao động ngẫu nhiên giúp hệ thỉnh thoảng thoát khỏi một trạng thái kém và khám phá cấu hình khác.

Ở sinh vật, fluctuation xuất hiện tự nhiên từ chuyển động phân tử, dòng chất và các quá trình tế bào.

Mô hình Waseda cho phép dùng Gaussian-distributed random fluctuation — loại noise có thể xuất hiện tự nhiên từ thermal fluctuation trong phần cứng vật lý.

Thay vì tốn năng lượng tạo số ngẫu nhiên bằng một subsystem riêng, future device có thể dùng chính nhiễu nhiệt của vật liệu như một phần thuật toán.

Đây là ví dụ điển hình của computing “with physics” thay vì “against physics”.

Liệu loại computer này có thật sự tiết kiệm điện?

Đây là câu hỏi quan trọng nhất — và hiện chưa có câu trả lời thực nghiệm từ công trình mới.

Waseda mô tả mục tiêu là hướng tới các hệ combinatorial optimization hiệu quả và tiêu thụ điện thấp hơn. Những phần cứng như spintronics và photonics có lý do vật lý để hứa hẹn mức năng lượng thấp trong một số workload.

Nhưng bài báo tháng 6/2026 chủ yếu là mathematical modeling và numerical simulation.

Không có phép đo watt trên một chip prototype hoàn chỉnh. Không có benchmark energy-per-solution so với CPU, GPU, FPGA hoặc các accelerator tối ưu hóa thương mại.

Do đó, “energy-efficient slime-mold computer” hiện là mục tiêu mà kiến trúc mới giúp tiến gần hơn, không phải hiệu năng năng lượng đã được xác nhận.

Đây là khác biệt giữa một mô hình có thể triển khai bằng vật lý tiết kiệm năng lượng và một sản phẩm đã chứng minh tiết kiệm điện trong thực tế.

Nó cũng không thay thế CPU cho mọi tác vụ

Một computer dựa trên slime-mold dynamics nếu được chế tạo thành công sẽ không có lý do để thay CPU trong việc mở trình duyệt, chạy hệ điều hành hay xử lý spreadsheet.

Điểm mạnh tiềm năng nằm ở combinatorial optimization — những bài toán có số lượng cấu hình khả dĩ khổng lồ và nhiều ràng buộc tương tác.

Ví dụ có thể gồm tối ưu tuyến giao hàng, xếp lịch, phân bổ tài nguyên mạng, thiết kế vật liệu, lựa chọn cấu hình trong drug discovery hoặc một số bài toán của AI.

Trong tương lai, kiến trúc hợp lý có thể là hybrid: CPU chuẩn bị bài toán, accelerator slime-mold-inspired chạy quá trình tìm kiếm vật lý, rồi CPU đọc và xác minh kết quả.

Đây cũng là cách GPU, NPU và quantum annealer được sử dụng: không thay toàn bộ máy tính mà tăng tốc một lớp workload nhất định.

180 thành phố nghe lớn, nhưng TSP hiện đại có thể lớn hơn rất nhiều

Một giới hạn khác cần đặt đúng tỷ lệ là số thành phố.

180 thành phố là bước tăng đáng kể so với các phiên bản Amoeba TSP model trước trong nghiên cứu này. Nó cho thấy simplification không phá scalability của họ model.

Nhưng computer science đã có các exact solver và heuristic chuyên dụng xử lý những instance TSP lớn hơn nhiều trong những điều kiện nhất định.

Vì vậy, giá trị của model mới không nằm ở kỷ lục “nhiều thành phố nhất thế giới”.

Nó nằm ở câu hỏi kiến trúc: có thể biến một dynamics sinh học phân tán thành một phần cứng đơn giản, chạy song song và có tiềm năng năng lượng thấp hay không?

Nếu câu trả lời sau này là có, lợi thế cần được đo ở tốc độ, năng lượng, chi phí phần cứng, khả năng scale và chất lượng solution trên cùng benchmark — không chỉ ở số biến mà simulation hiện xử lý.

Điều slime mold dạy chúng ta không phải là “hãy dùng slime để làm chip”

Trong biomimetic engineering, điều dễ gây hiểu lầm là hình dung con người phải sao chép vật liệu của tự nhiên.

Máy bay không cần đập cánh như chim để học từ khí động học của cánh. Velcro không cần biến thành quả ké sống để dùng cơ chế móc của thực vật.

Tương tự, slime-mold computing không nhất thiết chứa một gram slime mold nào.

Điều kỹ sư muốn lấy từ Physarum là các nguyên lý:

• tìm kiếm nhiều hướng song song;
• dùng feedback để củng cố lựa chọn tốt và làm yếu lựa chọn xấu;
• không cần một controller trung tâm biết toàn bộ hệ;
• khai thác fluctuation thay vì loại bỏ hoàn toàn;
• để cấu trúc vật lý tự hội tụ về một solution.

Một chip spintronic hoặc photonic tuân theo các nguyên lý đó vẫn là “slime-mold-inspired” dù hoàn toàn làm từ vật liệu vô cơ.

Trí thông minh có thể là tính chất của động lực học, không chỉ của neuron

Câu chuyện rộng hơn nằm ngoài một bài toán TSP.

Con người thường gắn intelligence với bộ não vì đó là nơi hệ thần kinh của chúng ta xử lý phần lớn thông tin. Nhưng các hệ sống không neuron vẫn phải giải quyết bài toán: đi đâu, ăn gì, tránh gì, phân bổ tài nguyên thế nào và phản ứng ra sao khi môi trường thay đổi.

Slime mold cho thấy một số chức năng mà ta gọi là “decision-making” có thể xuất hiện từ feedback vật lý phân tán.

Không có neuron tính toán vị trí tốt nhất rồi gửi lệnh. Dòng chất nguyên sinh và mạng ống vừa là phần cứng, bộ nhớ trạng thái và cơ chế hành động.

Trong conventional computer, dữ liệu, bộ nhớ và actuator thường là các phần tách biệt. Trong slime mold, hình dạng của cơ thể chính là một phần của computation.

Đây là ý tưởng gần với embodied intelligence: cơ thể và vật lý của hệ gánh một phần công việc mà ta thường giao cho bộ xử lý.

Từ mô phỏng đến chip còn những rào cản nào?

Đầu tiên là precision. Một phương trình chạy bằng floating-point trên máy tính số có thể cập nhật biến rất chính xác. Một device vật lý chịu manufacturing variation, nhiệt, drift và noise.

Thứ hai là connectivity. TSP tạo rất nhiều tương tác giữa các biến. Khi số thành phố tăng, việc wiring hoặc coupling các phần tử vật lý có thể trở thành bottleneck lớn hơn chính phép tính.

Thứ ba là input/output. Dù core optimization cực nhanh, hệ vẫn phải nạp khoảng cách và constraint vào hardware, sau đó đọc solution ra. Chi phí I/O có thể ăn mất lợi thế.

Thứ tư là programmability. Một accelerator chỉ hữu ích nếu cùng phần cứng có thể cấu hình cho nhiều instance bài toán mà không cần chế tạo lại chip.

Cuối cùng là benchmark thực tế. Các prototype tương lai phải được so sánh với CPU, GPU, FPGA, Ising machine và những solver phần mềm đã được tối ưu trong nhiều thập kỷ.

Chỉ khi đó mới biết slime-mold-inspired computing là một curiosity đẹp về vật lý hay một accelerator có lợi thế công nghiệp thật.

Một “computer mới” có thể trông chẳng giống computer

Nếu kiến trúc này thành công, điều thú vị nhất có thể là nó phá vỡ trực giác về hình dạng của máy tính.

Một hệ tính toán không nhất thiết phải có chuỗi transistor thực hiện instruction theo clock. Nó có thể là một mạng spin tự đổi trạng thái, một hệ ánh sáng lan qua coupler, một mạng chất lỏng đổi áp suất hoặc một tập oscillator tự đồng bộ.

Bài toán được mã hóa vào cách các thành phần tương tác. Đáp án là trạng thái ổn định mà hệ rơi vào.

Đây là cách tự nhiên “tính toán” từ rất lâu trước khi transistor xuất hiện: thông qua năng lượng, dòng chảy, gradient và feedback.

Slime mold chỉ đặc biệt vì hành vi của nó khiến nguyên lý đó dễ nhìn thấy bằng mắt thường.

Không có não, nhưng có một bài học cho thời đại AI

Trong bối cảnh AI đòi hỏi ngày càng nhiều điện và phần cứng, câu hỏi không chỉ là làm transistor nhỏ hơn hoặc GPU lớn hơn.

Một hướng khác là hỏi liệu mọi phép tính có nhất thiết phải được ép vào cùng một kiến trúc số hay không.

Miyajima và Mochizuki đã lấy một mô hình vốn bắt chước cơ thể slime mold, bỏ những chi tiết sinh học không cần thiết và phát hiện phần còn lại có thể biểu diễn như một recurrent neural network đơn giản. Sau khi loại bỏ volume-conservation law, sigmoid phức tạp và branching logic, model trở nên phù hợp hơn để ánh xạ lên nhiều vật liệu vật lý khác nhau.

Trong mô phỏng, nó scale tới 180 thành phố và hội tụ nhanh hơn các Amoeba TSP model trước. Nhưng hardware thực tế, benchmark năng lượng và lợi thế trước computer truyền thống vẫn là những bước chưa được chứng minh.

Vì vậy, phát hiện mới không phải “slime mold đã trở thành máy tính”. Điều đáng chú ý hơn là một sinh vật không não đang cung cấp blueprint cho cách xây những máy tính không cần suy nghĩ giống CPU.

Trong tương lai, một số bài toán khó có thể không được giải bằng cách thực hiện nhiều instruction hơn. Thay vào đó, chúng có thể được giải bằng cách chế tạo một hệ vật lý mà khi được thả tự do, nó tự tìm đường tới đáp án — gần giống cách một lớp slime vàng đã làm trong mê cung hơn 25 năm trước.

Nguồn tham khảo

• Physical Review Research: Mathematical model of the amoeba-inspired combinatorial optimization machine for physical implementation and its equivalence to recurrent neural networks, 9/6/2026.
• Waseda University: Slime Mold-Inspired Computing, 26/8/2026.
• PRX Life: Decision-Making in Light-Trapped Slime Molds Involves Active Mechanical Processes, 8/6/2026.
• Scientific Reports: Physarum-based approach to distributed optimal transport on graphs, 14/7/2026.
• Nature: Maze-solving by an amoeboid organism, 28/9/2000.
• Science / PubMed: Rules for biologically inspired adaptive network design, 22/1/2010.