Một tế bào não có thể “tính toán” phức tạp hơn chúng ta tưởng: Máy tính tương lai học được gì từ bộ não?

Neuron sinh học không chỉ cộng tín hiệu rồi bật hoặc tắt. Dendrite có thể xử lý đầu vào cục bộ, tạo phi tuyến, nhận biết mẫu theo thời gian và thậm chí mang tín hiệu liên quan đến lỗi học. Nghiên cứu mới về neuron người và phần cứng neuromorphic cho thấy máy tính tương lai có thể cần những “neuron” phức tạp hơn thay vì chỉ xây mạng ngày càng lớn.

Tháng 8 14, 2026

Một tế bào não có thể “tính toán” phức tạp hơn chúng ta tưởng: Máy tính tương lai học được gì từ bộ não?

Trong hầu hết sách nhập môn về AI, một neuron nhân tạo trông khá đơn giản.

Nó nhận nhiều con số đầu vào, nhân mỗi đầu vào với một trọng số, cộng tất cả lại, đưa kết quả qua một hàm phi tuyến rồi gửi đầu ra sang lớp tiếp theo.

Mô hình này đã giúp tạo nên deep learning hiện đại. Nhưng nếu dùng nó để hình dung một neuron thật trong não, chúng ta đang bỏ qua phần lớn cỗ máy.

Một neuron sinh học không phải một chấm tròn có vài mũi tên đi vào. Nó là một cấu trúc ba chiều với soma, axon và một cây dendrite có thể phân nhánh hàng trăm lần. Hàng nghìn synapse nằm ở những vị trí khác nhau trên cây đó. Tín hiệu đến một nhánh xa không nhất thiết được xử lý giống tín hiệu đến sát thân tế bào. Hai nhóm đầu vào xuất hiện gần nhau trong không gian hoặc thời gian có thể khuếch đại lẫn nhau; trong trường hợp khác, thêm đầu vào lại làm đáp ứng yếu đi.

Nói cách khác, dendrite không chỉ là “dây điện” đưa tín hiệu vào soma.

Nó có thể là một lớp tính toán nằm ngay bên trong neuron.

Một nghiên cứu công bố trên Proceedings of the National Academy of Sciences (PNAS) tháng 7/2026 đẩy ý tưởng này đi xa hơn. Nhóm Ido Aizenbud, Daniela Yoeli, David Beniaguev, Michael London, Idan Segev và cộng sự xây dựng một thước đo gọi là Functional Complexity Index để đánh giá độ phức tạp của phép biến đổi input–output ở từng neuron. Khi áp dụng lên các mô hình sinh lý chi tiết của neuron tháp vỏ não người và chuột, họ thấy neuron người có độ phức tạp chức năng cao hơn đáng kể.

Điều làm neuron người khó bắt chước hơn không chỉ là nó lớn. Các yếu tố quan trọng bao gồm diện tích và kiểu phân nhánh của dendrite, cùng mật độ và tính phi tuyến của các thụ thể NMDA tại synapse.

Phát hiện này không có nghĩa một tế bào não đơn lẻ có “trí thông minh” như một con người hay một mô hình AI. Nhưng nó đặt ra một câu hỏi rất đáng chú ý cho ngành máy tính:

Nếu đơn vị tính toán cơ bản của não đã phức tạp như một mạng nhỏ, tại sao máy tính lấy cảm hứng từ não lại thường mô phỏng neuron như một điểm cộng đơn giản?

Neuron nhân tạo đã bỏ đi gần như toàn bộ hình học của neuron thật

Artificial neuron phổ biến trong deep learning có một ưu điểm cực lớn: dễ tính.

Mỗi node thực hiện về cơ bản một weighted sum rồi qua activation function. GPU và accelerator hiện đại có thể thực hiện những phép toán dạng matrix multiplication này với quy mô khổng lồ.

Nhưng phép đơn giản hóa đó làm biến mất một đặc điểm rất rõ của neuron sinh học: vị trí của synapse có ý nghĩa.

Một neuron tháp ở cortex có thể sở hữu một dendritic tree dài và phức tạp. Những synapse ở cùng một nhánh có thể tương tác cục bộ trước khi ảnh hưởng của chúng truyền về soma. Một số nhánh có thể tạo ra dendritic spike riêng, nghĩa là vùng nhỏ của cây dendrite có thể chuyển sang trạng thái điện hoạt động mà không cần toàn bộ neuron cùng phản ứng theo một cách tuyến tính.

Vì vậy, thay vì hình dung neuron như:

“1.000 tín hiệu đi vào → cộng lại → phát spike”,

một hình dung gần hơn có thể là:

“nhiều nhóm tín hiệu đi vào các tiểu vùng khác nhau → mỗi nhánh tiền xử lý chúng → các kết quả cục bộ tiếp tục tương tác → soma quyết định đầu ra cuối cùng”.

Về mặt kiến trúc, một neuron như vậy gần với một mạng hai tầng hoặc nhiều tầng thu nhỏ hơn là một node duy nhất.

Một neuron cortical từng cần mạng sâu 5–8 lớp để bắt chước

Năm 2021, David Beniaguev, Idan Segev và Michael London đặt ra một thí nghiệm rất khác thường.

Thay vì dùng neural network để nhận diện ảnh hay ngôn ngữ, họ huấn luyện một deep neural network để bắt chước một neuron sinh học được mô phỏng chi tiết.

Mục tiêu của mạng là nhận cùng các chuỗi synaptic input và dự đoán điện thế màng cùng spike output của neuron.

Nhóm nghiên cứu phát hiện rằng để xấp xỉ tốt hành vi input–output của một cortical pyramidal neuron có dendrite hoạt động, mạng nhân tạo cần độ sâu tương đương khoảng 5–8 lớp trong cấu hình họ nghiên cứu.

Con số này không nên được diễn giải rằng “một neuron bằng chính xác tám layer AI”. Độ sâu cần thiết phụ thuộc kiến trúc mạng, dữ liệu huấn luyện, loại neuron và tiêu chí chính xác.

Nhưng kết quả mang một ý nghĩa khái niệm mạnh: hành vi của một neuron sinh học chi tiết không dễ nén thành một artificial neuron dạng điểm.

Phần lớn sự phức tạp xuất hiện từ dendrite và các cơ chế dẫn truyền phi tuyến.

Nghiên cứu 2026: neuron người còn khó bắt chước hơn neuron chuột

Công trình PNAS năm 2026 tiếp tục chính ý tưởng đó nhưng biến nó thành một phương pháp so sánh có hệ thống.

Nhóm nghiên cứu sử dụng các mô hình sinh lý chi tiết của 24 neuron tháp cortical — 12 từ người và 12 từ chuột — thuộc các lớp khác nhau của cortex.

Mỗi neuron được cung cấp nhiều pattern synaptic input ngẫu nhiên. Sau đó một temporal convolutional network được huấn luyện để bắt chước điện thế dưới ngưỡng và spike output của neuron.

Logic của Functional Complexity Index khá trực quan: nếu cùng một mô hình AI cố định có thể bắt chước neuron rất tốt, phép biến đổi input–output của neuron tương đối dễ xấp xỉ. Nếu AI gặp khó hơn, neuron được xem là có độ phức tạp chức năng cao hơn theo thước đo này.

Kết quả cho thấy các mô hình neuron người nhìn chung có FCI cao hơn neuron chuột.

Khi nhóm nghiên cứu phân tích nguyên nhân, họ thấy hai nhóm đặc điểm đặc biệt quan trọng.

Thứ nhất là morphology. Dendrite của neuron người có diện tích lớn hơn và cấu trúc phân nhánh khác, tạo ra nhiều vùng mà tín hiệu có thể được lọc và kết hợp.

Thứ hai là synaptic biophysics. Tính phi tuyến liên quan đến thụ thể NMDA đóng góp đáng kể vào độ phức tạp.

Điều đáng chú ý là neuron không cần thêm “một CPU” ở bên trong. Hình học của chính màng tế bào và vật lý của các kênh ion đã trở thành một phần của phép tính.

Dendrite có thể thực hiện phép tính mà một neuron điểm không làm được

Một ví dụ nổi tiếng đến từ nghiên cứu công bố trên Science năm 2020 về neuron tháp lớp 2/3 của cortex người.

Các nhà khoa học thực hiện đo điện sinh lý trên mô não người được lấy trong quá trình phẫu thuật điều trị động kinh hoặc khối u. Họ phát hiện một loại dendritic calcium action potential có đặc tính khác thường.

Ở nhiều hệ thống kích thích, tăng đầu vào thường làm đáp ứng tăng. Nhưng loại dendritic event này có thể mạnh ở mức kích thích nhất định rồi yếu đi khi kích thích trở nên mạnh hơn.

Từ kiểu phi tuyến đó, các mô hình của nghiên cứu cho thấy một nhánh dendrite có thể phân loại những input thuộc dạng linearly non-separable — thường được minh họa bằng phép logic XOR.

XOR là một ví dụ kinh điển trong lịch sử neural network. Với hai input A và B, đầu ra đúng khi A hoặc B bật, nhưng không đúng khi cả hai cùng bật.

Một neuron nhân tạo tuyến tính đơn giản không giải XOR được. Nó cần thêm một lớp phi tuyến hoặc cấu trúc phức tạp hơn.

Trong dendrite người, chính đặc tính điện sinh học cục bộ có thể tạo ra kiểu phép tính tương tự ngay bên trong một tế bào.

Điểm quan trọng không phải não đang ngồi thực hiện bảng chân trị XOR như chip logic. XOR chỉ là cách toán học để chứng minh rằng loại phi tuyến ấy cho phép neuron phân tách những pattern mà một bộ cộng tuyến tính không thể phân tách.

Một neuron có thể chứa nhiều “subunit” tính toán song song

Nếu từng dendritic branch có một mức độc lập nhất định, một neuron không còn là một phép tính duy nhất.

Nó có thể có nhiều vùng xử lý đầu vào song song.

Một nhánh có thể nhạy với tín hiệu xảy ra đồng thời.

Một nhánh khác có thể khuếch đại nhóm synapse cùng hoạt động.

Một vùng khác có thể lọc theo thời gian.

Apical dendrite có thể nhận nhiều feedback từ các vùng cortex khác, trong khi basal dendrite nhận những luồng input khác.

Soma sau đó tích hợp kết quả của các phép xử lý cục bộ này.

Kiến trúc như vậy có một đặc điểm mà computer architecture hiện đại rất quan tâm: đưa computation tới gần nơi dữ liệu xuất hiện.

Thay vì chuyển tất cả dữ liệu về một trung tâm xử lý rồi mới tính, dendrite xử lý một phần ngay tại nhánh chứa synapse.

Não không tách memory và compute rõ như máy tính truyền thống

Máy tính von Neumann truyền thống thường tách memory khỏi processor.

CPU hoặc GPU lấy dữ liệu và trọng số từ bộ nhớ, thực hiện phép toán rồi ghi kết quả trở lại. Với AI lớn, việc di chuyển dữ liệu qua hierarchy của cache, HBM và DRAM trở thành một phần đáng kể của chi phí năng lượng và độ trễ.

Neuron sinh học tổ chức khác.

Synapse vừa là nơi tín hiệu đi vào vừa là nơi strength của kết nối có thể thay đổi trong học tập. Dendrite nằm ngay cạnh synapse và thực hiện biến đổi điện cục bộ. Bộ nhớ và phép tính không được phân tách thành hai tòa nhà như RAM và CPU.

Đây là một trong những nguồn cảm hứng chính cho neuromorphic computing và compute-in-memory.

Nhưng nhiều chip neuromorphic hiện nay vẫn sử dụng neuron model tương đối đơn giản, chẳng hạn leaky integrate-and-fire. Chúng mô phỏng spike và sự kiện theo thời gian tốt hơn ANN thông thường, nhưng vẫn bỏ qua nhiều tính năng của dendrite thật.

Thế hệ tiếp theo đang bắt đầu thử thêm chính lớp bị bỏ quên này.

DenRAM: đưa “nhánh dendrite” vào phần cứng

Năm 2024, một nhóm nghiên cứu công bố trên Nature Communications hệ thống có tên DenRAM.

DenRAM là một kiến trúc spiking neuromorphic dạng feed-forward kết hợp resistive RAM với các dendritic compartment nhân tạo.

Mục tiêu của thiết kế không phải sao chép mọi ion channel trong tế bào. Nó lấy một tính năng cụ thể của dendrite: độ trễ và coincidence detection.

Trong não, hai spike đến các synapse khác nhau nhưng truyền qua những nhánh có delay khác nhau có thể hội tụ đúng cùng thời điểm tại một vùng, tạo ra phản ứng mạnh. Điều này hữu ích cho nhận diện pattern theo thời gian.

DenRAM sử dụng RRAM để mã hóa synaptic weight và delay, cho phép một mạng feed-forward phát hiện các đặc trưng thời gian mà một kiến trúc khác có thể cần recurrent connection phức tạp hơn.

Đây là một ví dụ quan trọng về cách học từ não mà không cần “xây một bộ não bằng silicon”.

Kỹ sư chỉ lấy một nguyên lý sinh học hữu ích rồi biến nó thành primitive phần cứng.

Năm 2026, dendrite nhân tạo đã đi xa thêm một bước

Tháng 5/2026, một nghiên cứu khác trên Nature Communications trình bày một hệ neuromorphic sử dụng VO₂, RRAM và CMOS để kết hợp homeostatic neuron với programmable dendritic structures.

Các dendritic branch nhân tạo tạo delay có thể lập trình nhằm xử lý đặc trưng thời gian ở nhiều thang khác nhau, trong khi neuron có cơ chế tự điều chỉnh hoạt động để trở về vùng ổn định sau perturbation.

Trong các benchmark của nhóm nghiên cứu, hệ thống đạt khoảng 92,1% trong bài toán phân loại defect công nghiệp và khoảng 86,5% ở một bài nhận dạng giọng nói, với mức năng lượng được báo cáo là 19,29 picojoule mỗi spike trong cấu hình họ đánh giá.

Những con số này không thể dùng để kết luận chip đã “hiệu quả như não”. Benchmark, phạm vi phần cứng và cách đo giữa sinh học với silicon hoàn toàn khác nhau.

Nhưng nó chứng minh rằng dendritic computation đã chuyển từ ẩn dụ neuroscience sang mạch điện tử có thể xây và đo.

Không chỉ inference: dendrite có thể tham gia vào chính việc học

Một trong những bí ẩn lớn nhất của neuroscience và AI là credit assignment.

Khi một mạng lớn đưa ra kết quả sai, làm sao từng synapse biết mình nên thay đổi theo hướng nào?

Deep learning giải vấn đề này chủ yếu bằng backpropagation. Sai số ở output được truyền ngược qua các layer để tính gradient cho từng weight.

Nhưng não không có một global software routine chạy backward pass theo đúng cách PyTorch làm.

Vậy hàng tỷ synapse nhận tín hiệu dạy như thế nào?

Một nghiên cứu đăng trên Nature tháng 2/2026 đưa ra bằng chứng rằng dendrite có thể đóng vai trò quan trọng.

Mark Harnett và cộng sự huấn luyện chuột thực hiện một nhiệm vụ brain–computer interface trong đó hoạt động của một số neuron cortex điều khiển hình ảnh trên màn hình. Điều này cho phép nhà nghiên cứu định nghĩa chính xác “error” và “reward” của nhiệm vụ.

Họ đồng thời đo hoạt động ở soma và distal apical dendrite của các neuron.

Kết quả cho thấy dendrite chứa tín hiệu liên quan đến reward và error mà không hoàn toàn trùng với tín hiệu soma. Đặc biệt, dấu và độ lớn của tín hiệu phụ thuộc vào vai trò nhân quả của từng neuron trong nhiệm vụ.

Khi nhóm nghiên cứu dùng optogenetics để phá vỡ kiểu tín hiệu dendritic này, quá trình học bị suy giảm.

Tác giả gọi đây là bằng chứng cho một dạng vectorized instructive signal: thay vì toàn bộ mạng nhận cùng một tín hiệu lỗi scalar, từng neuron có thể nhận chỉ dẫn được cá nhân hóa thông qua dendrite.

Não có thể giải “backpropagation” bằng không gian thay vì thời gian

Đây là một ý tưởng rất thú vị cho machine learning.

Trong mạng nhân tạo, feed-forward signal và error signal thường đi qua cùng cấu trúc nhưng ở hai pha khác nhau: forward rồi backward.

Neuron tháp có một khả năng mà node AI không có: nhiều vùng vật lý khác nhau trên cùng một tế bào.

Feed-forward input có thể đi vào một vùng dendrite. Feedback hoặc teaching signal có thể đi vào apical dendrite. Hai loại thông tin được phân tách trong không gian trước khi tương tác bên trong neuron.

Điều này gợi ý một hướng thiết kế machine learning khác: thay vì mỗi artificial neuron chỉ có một accumulator, nó có thể có nhiều compartment nhận các loại tín hiệu khác nhau.

Một compartment xử lý dữ liệu.

Một compartment xử lý context.

Một compartment nhận tín hiệu lỗi hoặc reward.

Quy tắc học xảy ra cục bộ dựa trên sự tương tác giữa chúng.

Nếu làm được như vậy, một số thuật toán tương lai có thể giảm phụ thuộc vào backward pass toàn cục hoặc mở đường cho online learning hiệu quả hơn trên phần cứng.

Dendrite có thể giúp mạng nhỏ làm việc của mạng lớn

Một câu hỏi tự nhiên là: nếu artificial neuron phức tạp hơn, có thực sự tốt hơn không?

Nghiên cứu của Spyridon Chavlis và Panayiota Poirazi công bố trên Nature Communications năm 2025 thử nghiệm chính điều đó.

Họ xây một kiến trúc artificial neural network trong đó mỗi neuron có các node giống dendrite nằm trước soma. Input chỉ kết nối với một phần dendrite theo cấu trúc sparse thay vì mọi node kết nối với mọi node.

Trên một số bài toán phân loại ảnh, các dendritic ANN này có thể đạt hoặc vượt mạng fully connected so sánh trong khi dùng ít trainable parameter hơn đáng kể. Chúng cũng cho thấy khả năng chống overfitting, noise và sequential learning tốt hơn trong các thử nghiệm của nghiên cứu.

Điều đáng chú ý là hiệu quả không đến từ việc thêm vô hạn computation.

Nó đến từ cấu trúc kết nối.

Dendrite giới hạn nhóm input mà từng subunit nhìn thấy và chỉ đưa kết quả cục bộ tới soma tương ứng. Sự sparse có tổ chức này có thể dùng weight hiệu quả hơn một mạng dense nơi mọi thứ kết nối với mọi thứ.

Đây là một bài học đối lập thú vị với xu hướng “scale everything” của AI.

Có thể một số bài toán không cần thêm hàng tỷ parameter.

Chúng cần một đơn vị tính toán có cấu trúc tốt hơn.

Bài học 1: đừng coi neuron là một điểm

Máy tính lấy cảm hứng từ não trong nhiều thập kỷ nhưng phần lớn lấy cảm hứng ở cấp mạng: nhiều neuron kết nối với nhau.

Neuroscience hiện gợi ý rằng chúng ta có thể đã bỏ qua một tầng kiến trúc nằm bên trong neuron.

Dendritic computing có thể tạo ra artificial neuron dạng multi-compartment, trong đó từng nhánh thực hiện:

lọc thời gian;
coincidence detection;
nonlinear integration;
context gating;
feature binding;
local plasticity.

Thay vì network = hàng triệu node đơn giản, một kiến trúc mới có thể là network = ít node hơn nhưng mỗi node chứa nhiều vùng xử lý cục bộ.

Bài học 2: sparse có cấu trúc có thể quan trọng hơn dense

Não không nối mọi neuron với mọi neuron.

Ngay bên trong một neuron, mỗi dendritic branch cũng không nhìn thấy toàn bộ input.

Đó là một hình thức restricted connectivity.

AI hiện đại đã biết lợi ích của sparsity ở nhiều dạng: mixture-of-experts chỉ kích hoạt một phần model, convolution khai thác receptive field cục bộ, attention có thể được giới hạn theo cấu trúc.

Dendrite gợi ý rằng sparsity không chỉ là mẹo để tiết kiệm FLOP. Nó có thể là một nguyên lý tổ chức computation.

Một subunit chỉ cần nhìn đúng nhóm tín hiệu có liên quan, xử lý chúng cục bộ rồi truyền một representation đã nén lên tầng tiếp theo.

Bài học 3: thời gian là dữ liệu, không chỉ là thứ tự token

Deep learning phần lớn xử lý input dưới dạng tensor theo các bước đồng bộ.

Não hoạt động bằng event.

Khoảng thời gian giữa hai spike có thể mang thông tin. Hai input đến lệch vài millisecond có thể cho kết quả khác hai input đến cùng lúc. Dendrite với cable delay và channel dynamics tự nhiên tạo ra những bộ lọc thời gian.

Điều này đặc biệt hấp dẫn cho edge AI xử lý audio, radar, lidar, tactile sensor hoặc event camera.

Thay vì liên tục lấy toàn bộ frame và chạy matrix multiplication lớn, hệ thống neuromorphic có thể phản ứng khi event xảy ra và dùng delay vật lý để nhận biết temporal pattern.

DenRAM là một ví dụ ban đầu của triết lý đó.

Bài học 4: memory nên nằm gần nơi tính toán

Synaptic strength tồn tại ngay trên connection mà tín hiệu đi qua.

Điều này tạo cảm hứng cho memristor và RRAM, nơi cùng một phần tử vật lý có thể lưu conductance tương ứng với weight và tham gia trực tiếp vào computation.

Khi kết hợp với dendritic architecture, ta có một hệ thống nơi:

weight nằm ở synapse → temporal processing xảy ra trên branch → nonlinear decision xảy ra ở neuron.

Không cần kéo mọi weight ra khỏi memory bank cho mỗi phép tính theo kiểu processor truyền thống.

Đây có thể là con đường quan trọng để giảm data movement trong AI hardware.

Bài học 5: học cục bộ có thể quan trọng hơn một backward pass toàn cầu

Backpropagation cực kỳ thành công, nhưng nó đòi hỏi lưu activation, tính gradient và truyền thông tin qua nhiều layer.

Đối với một datacenter, điều này khả thi vì cả hệ thống được đồng bộ chặt chẽ.

Đối với edge device hay robot phải học liên tục từ môi trường, online local learning hấp dẫn hơn.

Nếu dendritic compartment có thể chứa teaching signal riêng như nghiên cứu Nature 2026 gợi ý ở não chuột, artificial neuron tương lai có thể cập nhật synapse bằng thông tin cục bộ thay vì đợi toàn hệ thống chạy một backward pass.

Điều đó chưa phải một thuật toán thay thế backpropagation đã sẵn sàng cho large language model.

Nhưng nó chỉ ra một không gian thiết kế khác: learning rule được nhúng vào topology của phần cứng.

Bài học 6: vật lý có thể thực hiện một phần phép tính “miễn phí”

Trong digital computer, muốn tạo delay, filter hay nonlinear function thường phải thực hiện những operation rõ ràng.

Trong neuron, rất nhiều computation là kết quả tự nhiên của vật lý.

Độ dài dendrite tạo delay.

Điện trở và điện dung màng lọc tín hiệu.

NMDA receptor tạo nonlinearity.

Ion channel tạo threshold và spike.

Geometry quyết định cách dòng điện lan truyền.

Neuromorphic hardware đang cố làm điều tương tự bằng memristor, phase-change material, ferroelectric device và transistor có đặc tính phi tuyến.

Thay vì mô phỏng một phương trình bằng hàng nghìn transistor digital, kỹ sư có thể tìm một linh kiện có vật lý tự nhiên thực hiện gần đúng chính phương trình đó.

Đây là một tư duy rất khác thiết kế CPU.

Nhưng neuron sinh học phức tạp không có nghĩa silicon nên sao chép mọi chi tiết

Đây là giới hạn quan trọng.

Não là kết quả của tiến hóa, không phải một chip được tối ưu để chạy benchmark ML.

Không phải mọi đặc tính của neuron đều là bí quyết tính toán cần sao chép. Một số đặc điểm tồn tại vì ràng buộc sinh học: tế bào phải sống, duy trì ion gradient, trao đổi chất, phát triển và sửa chữa.

Một chip không cần mô phỏng từng phân tử calcium hay từng loại ion channel để học từ dendrite.

Giống máy bay không cần vỗ cánh như chim, brain-inspired computer có thể trừu tượng hóa nguyên lý.

Câu hỏi đúng không phải:

“Làm sao xây một neuron silicon giống sinh học 100%?”

Mà là:

“Tính năng nào của neuron tạo ra lợi thế tính toán đủ lớn để đáng đưa vào phần cứng?”

Nghiên cứu neuron người cũng có những giới hạn lớn

Cần thận trọng đặc biệt với câu chuyện “neuron người mạnh hơn neuron động vật”.

Nghiên cứu PNAS 2026 không lấy một neuron sống rồi cho nó giải bài toán nhận diện hình ảnh.

Nhóm nghiên cứu xây dựng mô hình biophysical dựa trên dữ liệu morphology và electrophysiology, sau đó sử dụng khả năng của neural network trong việc xấp xỉ input–output function làm thước đo complexity.

Mẫu gồm 24 neuron mô hình, không đại diện cho mọi neuron trong não người hoặc chuột.

FCI cũng là một metric mới do chính nhóm đề xuất. Nó hữu ích để so sánh trong framework của nghiên cứu, nhưng không phải một đơn vị phổ quát kiểu FLOPS.

Và ngay cả nếu neuron người thật sự có khả năng xử lý cục bộ phong phú hơn, không thể từ đó kết luận đây là nguyên nhân duy nhất — hay thậm chí nguyên nhân chính — tạo nên ngôn ngữ, toán học hoặc trí thông minh con người.

Cognition xuất hiện từ nhiều cấp độ: gene, cell type, microcircuit, connectivity, development, plasticity, whole-brain dynamics và tương tác với môi trường.

Complex single neurons chỉ là một mảnh của câu đố.

“Một neuron bằng một deep network” cũng là một ẩn dụ có giới hạn

Khi một deep network cần nhiều layer để bắt chước neuron, điều đó không nghĩa sinh học đang bí mật chạy convolution hay backpropagation trong tế bào.

Nó chỉ nói rằng một lớp hàm toán học đơn giản chưa đủ để xấp xỉ động lực học của neuron trong điều kiện nghiên cứu.

Cũng không thể lấy số layer rồi nhân với số neuron trong não để tính một con số “AI equivalent”.

Neuron tương tác với nhau theo thời gian, neuromodulator thay đổi trạng thái, synapse có plasticity và nhiều loại tế bào thần kinh có cơ chế hoàn toàn khác nhau.

Bất kỳ phép quy đổi kiểu “não tương đương X tỷ layer” đều bỏ qua những khác biệt nền tảng này.

Máy tính tương lai có thể trông ít giống GPU hơn chúng ta nghĩ

GPU hiện đại cực kỳ thành công vì một lý do: matrix multiplication là primitive phù hợp với deep learning hiện tại.

Nhưng nếu AI tương lai cần online learning, phản ứng theo event, tiêu thụ năng lượng thấp và chạy ngay tại robot, kính thông minh hoặc sensor, kiến trúc tối ưu có thể khác.

Một accelerator như vậy có thể gồm:

synapse non-volatile nằm ngay cạnh compute;
artificial dendrite thực hiện local nonlinear integration;
delay được mã hóa trực tiếp trong phần cứng;
spike chỉ được phát khi có sự kiện đáng chú ý;
nhiều compartment nhận feed-forward, context và teaching signal khác nhau;
learning rule hoạt động cục bộ.

Đó không còn là một GPU nhỏ hơn.

Nó là một mô hình máy tính khác.

Ít neuron hơn, nhưng mỗi neuron “thông minh” hơn?

Một hướng phát triển hấp dẫn là đổi trade-off giữa số lượng node và độ phức tạp của node.

Deep learning hiện đại thường dùng rất nhiều artificial neuron đơn giản.

Não dùng rất nhiều neuron, nhưng mỗi neuron cũng có cấu trúc nội tại phong phú.

Dendritic ANN năm 2025 cho thấy trong một số benchmark, structured dendritic units có thể đạt kết quả tương đương hoặc tốt hơn với ít trainable parameter hơn mạng vanilla được so sánh.

Phần cứng ferroelectric và memristive đang thử hiện thực hóa cùng triết lý: cho từng unit nhiều khả năng phi tuyến hơn để giảm số tầng hoặc số weight cần thiết.

Không có gì bảo đảm cách này sẽ thay thế Transformer ở datacenter.

Nhưng nó có thể rất phù hợp cho một lớp máy khác: AI nhỏ, luôn bật, phải phản ứng theo thời gian thực và không thể mang theo một GPU tiêu thụ nhiều năng lượng.

Robot có thể là nơi dendritic computing chứng minh giá trị trước

Robot nhận rất nhiều dữ liệu dạng temporal event.

Camera thấy vật thể di chuyển.

Microphone nhận chuỗi âm thanh.

Tactile sensor phát hiện lực thay đổi.

IMU liên tục đo acceleration và rotation.

Motor cần phản ứng trong millisecond.

Đây chính là môi trường nơi event-driven neuromorphic system và dendritic temporal processing có lợi thế lý thuyết.

Thay vì gửi toàn bộ raw sensor stream lên một neural network lớn, phần cứng gần sensor có thể phát hiện coincidence, motion pattern hoặc anomaly cục bộ, rồi chỉ gửi representation quan trọng lên tầng cao.

Một cách thú vị, đó cũng là điều dendrite đang làm: không đưa mọi chi tiết điện thế của từng synapse lên axon. Nó biến đổi và nén trước.

Bộ não có thể dạy AI rằng “scale” không chỉ có một chiều

Trong kỷ nguyên large model, scale thường nghĩa ba thứ:

nhiều parameter hơn, nhiều dữ liệu hơn và nhiều compute hơn.

Neuroscience gợi ý một chiều scale thứ tư: độ phức tạp của đơn vị tính toán.

Một network không chỉ mạnh hơn vì có nhiều node. Nó có thể mạnh hơn vì mỗi node có cấu trúc nội tại, nhiều time scale và nhiều con đường học khác nhau.

Điều này không phủ nhận scaling law của AI hiện tại. Nó mở thêm một trục thiết kế.

Thay vì hỏi “làm sao xây model lớn gấp 10 lần?”, đôi khi câu hỏi nên là:

“làm sao để mỗi computational unit làm được nhiều hơn trước khi phải truyền dữ liệu sang unit khác?”