A maker project called 'Ultracluster GPU' uses 8,192 CH570 RISC-V MCUs (each clocked at up to 100 MHz) spread across custom PCBs connected to a backplane, with one MCU per pixel driving its own RGB LED. The design addresses power and cost challenges at scale — requiring a 3 kW ATX PSU — and represents only the first prototype step toward a QVGA-resolution GPU-like display system. The MCUs lack floating-point and vector instructions, making the eventual GPU workload an interesting challenge.
Nguồn: https://hackaday.com/2026/07/06/gluing-8192-mcus-together-to-make-a-gpu. 8sync News chỉ tóm tắt và dẫn link; bản quyền nội dung thuộc tác giả và nguồn gốc.
u-blox giới thiệu nền tảng F11 với các chipset và module GNSS tiêu thụ chỉ 7mW ở chế độ LEAP, nhắm đến các thiết bị theo dõi tài sản, thiết bị đeo, drone và phương tiện vi mô. Dòng sản phẩm bao gồm chip dual-band L1/L5, chip L1 đơn, module L1 đơn cùng bộ đánh giá EVK-F112, hỗ trợ công nghệ Selective L5, độ chính xác 1.0m CEP và các tính năng bảo mật chống giả mạo.
Lập trình viên cần đọc bài này để khám phá cách tối ưu hóa tiêu thụ năng lượng cho các thiết bị GNSS trong ứng dụng di động và IoT, giúp giảm chi phí pin và mở rộng thời gian hoạt động cho các giải pháp như theo dõi tài sản hoặc thiết bị Wearable.
Austin McChord đã port thành công trình giả lập Macintosh 68k BasiliskII lên các thiết bị phát triển ESP32-P4 của M5Stack và Waveshare, cho phép chạy hệ điều hành Mac cổ điển (từ System 7.1 đến Mac OS 8.1) trên nền tảng nhúng di động với màn hình cảm ứng, USB, WiFi. Dự án hỗ trợ CPU 68040 ảo (2-3 MIPS), RAM tối đa 16MB từ PSRAM, lưu trữ microSD, xuất video 24 FPS, âm thanh ES8388, mạng WiFi qua NAT, và phân chia tác vụ đa lõi (Core 0 xử lý video/I/O, Core 1 chạy giả lập CPU). Mã nguồn và tài liệu được chia sẻ trên GitHub.
Là người phát triển muốn khám phá cách tối ưu hóa hệ thống tích hợp với các thiết bị IoT nhẹ nhàng nhưng mạnh mẽ, bạn nên đọc để tìm hiểu cách sử dụng hai lõi CPU của ESP32-P4 để phân phối công việc hiệu quả giữa mô hình hiển thị và xử lý máy tính cổ điển, giúp tiết kiệm năng lượng và nâng cao hiệu suất cho ứng dụng emulasi đa nhiệm.
swSIM là trình giả lập SIM card hoàn toàn bằng phần mềm, mã nguồn mở, không cần phần cứng vật lý. Nó kết nối với PC qua PC/SC nhờ swICC reader, tương thích với mọi điện thoại có khe SIM, được xây dựng bằng make/gcc và không phụ thuộc runtime.
Lập trình viên phát triển ứng dụng di động hoặc hệ thống liên quan đến SIM card nên đọc để tìm hiểu cách tạo mô phỏng SIM card hoàn toàn phần mềm, giúp tiết kiệm chi phí phát triển và mở rộng khả năng tương thích với các thiết bị không cần thiết bị vật lý.
HW Media Lab giới thiệu DockFrame trên Crowd Supply, một hub USB-C mô-đun dựa trên tiêu chuẩn Expansion Card mở của Framework, tương thích với các thẻ mở rộng sẵn có (USB-A, HDMI, Ethernet, storage). Thiết bị hỗ trợ thẻ Tool Card tùy chỉnh (Multimeter, Mini Hub, Power Supply, BreadBoard) và cho phép giao tiếp qua USB serial, Wi-Fi, Bluetooth hoặc ESP-NOW, với thiết kế tháo lắp bằng vít và tương thích LEGO.
Lập trình viên nên đọc để khám phá cách DockFrame kết hợp với Expansion Card của Framework tạo ra một hệ sinh thái mở, giúp phát triển các giải pháp vật lý-điện tử thông minh, từ prototyping đến tích hợp hệ thống IoT với các card mở rộng tùy biến.
Phân tích chi phí sơ lược cho thấy suy luận (inference) AI thực sự sinh lời, với chi phí ước tính khoảng 1 USD cho mỗi triệu token đầu ra, thấp hơn nhiều so với mức giá 4,5 USD trở lên của các nhà cung cấp như OpenAI, qua đó đạt biên lợi nhuận gộp 70–80%. Suy luận AI có lợi nhuận, nhưng các phòng thí nghiệm AI như OpenAI và Anthropic sử dụng khoản lợi nhuận này để bù đắp chi phí đào tạo mô hình tốn kém.
Là người phát triển muốn tối ưu chi phí cho ứng dụng AI của mình, bài viết này giúp bạn hiểu rõ về lợi nhuận thực tế của quá trình inference AI, từ đó có thể xây dựng mô hình kinh doanh hiệu quả và tránh bỏ lỡ cơ hội tiết kiệm chi phí mà không phụ thuộc vào sự hỗ trợ từ các công ty lớn.
Trong tuần ngắn trước Ngày Độc lập, cổ phiếu chip AI mất 12% trong hai phiên giao dịch liên tiếp do báo cáo về việc SK Hynix chậm mở rộng sản xuất HBM và báo cáo việc làm yếu. Nhà đầu tư chuyển hướng sang các công ty phần mềm doanh nghiệp như ServiceNow, Snowflake và Palantir, kỳ vọng doanh thu thực tế từ AI.
Lập trình viên nên đọc bài này để hiểu rõ cách thị trường chuyển hướng từ các công ty vật lý AI (chip, bộ nhớ) sang phần mềm AI, giúp xác định những cơ hội mới trong ngành công nghệ và dự đoán xu hướng đầu tư thực sự có lợi cho tương lai.
OpenAI và Broadcom hợp tác phát triển chip AI tùy chỉnh Jalapeño nhằm cạnh tranh với Nvidia Blackwell và Google TPU, nhắm vào workloads inference. Chip này đã được thử nghiệm với mô hình GPT-5.3-Codex-Spark và dự kiến triển khai vào cuối năm 2025, trong khi tình trạng thiếu hụt HBM đang ảnh hưởng đến biên lợi nhuận của Broadcom.
Lập trình viên nên đọc bài này để hiểu cách các công ty lớn như OpenAI và Broadcom hợp tác phát triển chip AI chuyên dụng, giúp tối ưu hóa hiệu suất cho các mô hình lớn như GPT-5.3, ảnh hưởng trực tiếp đến hiệu năng và chi phí của các ứng dụng AI trong tương lai.
Giá DDR2 tăng 55-60% trong Q2/2026 do thiếu hụt DRAM trầm trọng khi các nhà sản xuất chuyển sản lượng wafer sang sản xuất HBM cho AI, dự báo tiếp tục tăng 35-40% trong Q3. Các hãng phần cứng buộc phải hạ cấp từ DDR4 xuống DDR3, rồi DDR3 xuống DDR2 để đảm bảo nguồn cung, ảnh hưởng đến hệ thống nhúng, thiết bị công nghiệp và mạng. Nguồn cung DDR2 không thể cải thiện trước năm 2027-2028 khi các nhà máy mới của SK Hynix và Micron đi vào hoạt động.
Lập trình viên nên đọc bài này vì nó giúp bạn hiểu rõ về những thách thức về nguồn cung cấp bộ nhớ DDR2, ảnh hưởng đến thiết kế phần cứng cho các ứng dụng embedded và hệ thống AI, từ đó có thể tối ưu hóa kiến trúc phần mềm và dự đoán chi phí phát triển sản phẩm trong tương lai.