Trong bài báo khoa học xuất bản ngày hôm nay (14/09/2026), Phòng thí nghiệm Khoa học Máy tính và Trí tuệ Nhân tạo MIT (CSAIL) đã giới thiệu kỹ thuật huấn luyện mô hình hoàn toàn mới có tên Sparse-Quantized Training (SQT). Đây được xem là lời giải cho bài toán khủng hoảng năng lượng mà ngành công nghiệp AI đang phải đối mặt.
Phương pháp SQT hoạt động bằng cách chủ động bỏ qua các tính toán không cần thiết trong quá trình lan truyền ngược (backpropagation) và tự động điều chỉnh độ chính xác số học của các tham số theo từng tầng mạng neural. Kết quả thử nghiệm trên mô hình 100 tỷ tham số cho thấy lượng điện năng tiêu thụ giảm tới 82% nhưng vẫn giữ nguyên 99% độ chính xác so với phương pháp huấn luyện truyền thống.
Giáo sư Elena Rostova, trưởng nhóm nghiên cứu, chia sẻ rằng SQT không chỉ giúp giảm chi phí tài chính cho các tập đoàn công nghệ mà còn đóng góp trực tiếp vào mục tiêu cắt giảm lượng phát thải carbon toàn cầu từ các siêu trung tâm dữ liệu AI.
Nhiều ông lớn trong ngành bán dẫn và điện toán đám mây như Nvidia, AMD và Google Cloud đã xác nhận sẽ bắt đầu áp dụng thử nghiệm SQT vào cơ sở hạ tầng huấn luyện mô hình của họ từ quý IV năm nay.