Khoảng cách giữa thị giác máy và thị giác sinh học
Trong suốt 60 năm qua, trí tuệ nhân tạo (AI) đã đạt được những bước tiến vượt bậc trong việc nhận diện hình ảnh tĩnh, từ việc đọc mã ZIP viết tay đến nhận diện khuôn mặt tại các sân bay. Tuy nhiên, khi đối mặt với thế giới động – nơi đòi hỏi sự tích hợp nhanh chóng giữa chuyển động của bản thân và vật thể – các hệ thống máy móc hiện nay vẫn bộc lộ những hạn chế đáng báo động. Xe tự lái gặp khó khăn trong điều kiện thời tiết xấu hoặc môi trường phức tạp, và robot vẫn chưa thể bắt kịp phản xạ của con người trong các tình huống thể thao tốc độ cao. Trong khi đó, các loài động vật như chim cắt có thể nhắm mục tiêu chính xác ở tốc độ 400 km/h mà không cần đến radar hay GPS. Vấn đề cốt lõi không nằm ở tốc độ khung hình hay sức mạnh của GPU, mà nằm ở chính thiết kế của cảm biến camera. Để đạt được hiệu suất thị giác động như động vật, chúng ta cần những "đôi mắt" mới được thiết kế dựa trên nguyên lý tính toán của võng mạc.
Bản chất của cảm biến thị giác động và võng mạc silicon
Các cảm biến hình ảnh truyền thống (Active Pixel Sensors - APS) hoạt động bằng cách chuyển đổi dòng photon thành dòng điện, số hóa và truyền tín hiệu theo khung hình cố định (ví dụ: 60 fps). Ngược lại, cảm biến thị giác động (DVS) hay "camera sự kiện" mô phỏng cách võng mạc sinh học hoạt động. Thay vì truyền tải toàn bộ dữ liệu hình ảnh, mỗi pixel trong DVS chỉ truyền đi một "sự kiện" (spike) khi độ sáng thay đổi vượt quá một ngưỡng nhất định. Điều này cho phép DVS truyền tải dữ liệu không đồng bộ, với độ trễ cực thấp và khả năng nén dữ liệu vượt trội. Tuy nhiên, sự khác biệt lớn nhất nằm ở chỗ võng mạc sinh học không chỉ đơn thuần là một cảm biến, mà là một hệ thống tính toán song song, nơi thông tin được xử lý ngay tại chỗ thông qua các tiềm năng phân cực (graded potentials) thay vì chỉ dựa vào các xung nhịp (spikes) kỹ thuật số.
Hiệu suất năng lượng và dữ liệu trong thị giác sinh học
Sự khác biệt về hiệu suất giữa camera kỹ thuật số và võng mạc sinh học là rất lớn. Trong khi các camera khoa học tốt nhất tiêu tốn khoảng 2 pJ/bit, võng mạc con người chỉ tiêu thụ khoảng 1 nJ/spike, nhưng lại đạt được hiệu quả xử lý thông tin cao hơn gấp nhiều lần nhờ vào việc mã hóa thông tin tinh vi. Dưới đây là bảng so sánh các thông số kỹ thuật cốt lõi:
| Thông số | Camera kỹ thuật số (APS) | Võng mạc con người |
|---|---|---|
| Cơ chế truyền tải | Khung hình cố định (Synchronous) | Không đồng bộ (Asynchronous) |
| Xử lý thông tin | Số hóa (Digital) | Tương tự (Analog) |
| Tiêu thụ năng lượng | Cao (cần làm mát, pin lớn) | Rất thấp (~10 mW) |
| Độ trễ | Phụ thuộc tốc độ khung hình | Cực thấp (micro giây) |
Phân tích chuyên sâu về tính song song và thích nghi
Võng mạc không phải là một cảm biến hình ảnh đa năng; nó là một hệ thống xử lý song song với khoảng 40 loại tế bào hạch võng mạc (RGCs), mỗi loại trích xuất các đặc điểm khác nhau của cảnh quan thị giác (hướng, chuyển động, độ tương phản, v.v.). Sự "ma thuật" của võng mạc nằm ở khả năng thích nghi cục bộ và nhanh chóng với các thống kê kích thích, cho phép nó hoạt động hiệu quả trên 10 bậc độ lớn của cường độ ánh sáng. Các camera hiện nay, dù là DVS, vẫn còn thiếu sự chuyên biệt hóa chức năng này. Việc cố gắng sao chép hoàn toàn sinh học là không khả thi do sự khác biệt về vật lý (ví dụ: độ linh động của electron trong silicon cao hơn nhiều so với ion trong dung dịch), nhưng việc tích hợp các thuật toán mô phỏng võng mạc vào phần cứng cảm biến là hướng đi tất yếu.
"Sự tiến hóa đã chọn lọc các mạch song song trong võng mạc như một giải pháp cho thị giác hiệu suất cao. Việc chúng ta tiếp tục sử dụng một cảm biến đa năng duy nhất cho mọi tác vụ thị giác máy là một sai lầm chiến lược cần được thay đổi."
Thông điệp mang về cho thực hành công nghệ
- Chuyển dịch tư duy: Cần từ bỏ quan niệm "càng nhiều pixel, càng nhanh" và tập trung vào việc thiết kế các cảm biến chuyên biệt hóa chức năng (feature-specific sensors).
- Tích hợp tính toán tại cảm biến: Tận dụng công nghệ xếp chồng chip 3D để đưa các mạch xử lý tương tự vào ngay trong từng pixel, mô phỏng quá trình xử lý tại võng mạc.
- Thích nghi động: Phát triển các cảm biến có khả năng tự cấu hình lại phần cứng dựa trên thống kê của môi trường thị giác theo thời gian thực.
- Hợp tác liên ngành: Các nhà khoa học thị giác và kỹ sư cần phối hợp chặt chẽ hơn để chuyển hóa các hiểu biết về mã hóa võng mạc thành các thuật toán phần cứng thế hệ mới.
Tài liệu tham khảo:
Schwartz, G. W. (2026). Our machines need new eyes. Vision Research, 239, 108732. https://doi.org/10.1016/j.visres.2025.108732
(Tệp gốc: Our-machines-need-new-eyes_2026_Vision-Research.pdf)