Apple vừa trình làng Siri thế hệ mới tại WWDC 2026 ngày 8/6, và thay đổi lớn nhất không nằm ở giao diện hay giọng nói mà ở kiến trúc bên dưới: một hệ thống định tuyến ba tầng quyết định mỗi câu hỏi của bạn sẽ được xử lý ở đâu. Đây là bước chuyển quan trọng vì nó giải quyết đồng thời hai bài toán vốn mâu thuẫn nhau: giữ dữ liệu riêng tư trên thiết bị nhưng vẫn khai thác được sức mạnh của mô hình ngôn ngữ lớn hàng nghìn tỷ tham số.
Tầng 1: Xử lý ngay trên iPhone
Khi bạn yêu cầu đặt báo thức, bật nhạc hay điều khiển đèn thông minh, Siri xử lý hoàn toàn trên chip Apple Silicon của iPhone. Apple đã huấn luyện các mô hình neural nhỏ gọn chạy trực tiếp trên Neural Engine, không cần kết nối mạng. Không một byte dữ liệu nào rời khỏi thiết bị. Đây là tầng nhanh nhất vì không có độ trễ mạng, và an toàn nhất vì dữ liệu không bao giờ đi đâu cả. Phần lớn các thao tác hằng ngày như hẹn giờ, gọi điện, gửi tin nhắn đều nằm ở tầng này.
Tầng 2: Private Cloud Compute
Nếu câu hỏi phức tạp hơn, chẳng hạn tóm tắt một email dài hoặc viết lại đoạn văn, Siri chuyển yêu cầu lên Private Cloud Compute của Apple. Đây là cụm máy chủ chạy trên chip Apple Silicon tùy chỉnh, hoạt động theo nguyên tắc "không trạng thái": mỗi phiên xử lý là tạm thời, dữ liệu bị xóa ngay sau khi trả kết quả. Apple thiết kế phần cứng máy chủ dưới dạng các node kín, nghĩa là ngay cả kỹ sư Apple cũng không thể trích xuất dữ liệu đang xử lý. Kiến trúc này tương tự như một phòng sạch trong nhà máy chip: bạn đưa nguyên liệu vào, nhận sản phẩm ra, nhưng không ai nhìn thấy quá trình bên trong.
Tầng 3: Google Cloud với GPU NVIDIA Blackwell
Với những tác vụ nặng nhất, ví dụ phân tích hình ảnh phức tạp, suy luận nhiều bước, hoặc viết nội dung dài, Siri gửi yêu cầu đến Google Cloud. Apple đã ký hợp đồng khoảng 1 tỷ USD mỗi năm để sử dụng một phiên bản tùy chỉnh của mô hình Gemini với khoảng 1,2 nghìn tỷ tham số, lớn gấp 8 lần so với mô hình Apple tự xây dựng cho tầng 2. Các máy chủ Google chạy trên GPU NVIDIA Blackwell B200, cung cấp đủ sức mạnh tính toán cho mô hình khổng lồ này.
Cơ chế định tuyến hoạt động ra sao?
Điểm thú vị nằm ở cách Siri quyết định câu hỏi đi đâu. Một bộ phân loại chạy ngay trên thiết bị sẽ đánh giá độ phức tạp của mỗi yêu cầu trong vài mili giây. Nếu bộ phân loại nhận diện đây là thao tác đơn giản, nó giữ lại tầng 1. Nếu cần suy luận sâu hơn nhưng vẫn trong khả năng của mô hình 150 tỷ tham số, nó chuyển lên tầng 2. Chỉ khi nào tác vụ thực sự vượt ngưỡng, nó mới đẩy lên tầng 3. Trước khi gửi lên đám mây, hệ thống ẩn danh hóa và token hóa dữ liệu để cả Apple lẫn Google đều không thể liên kết yêu cầu với người dùng cụ thể.
Tại sao Apple không tự làm hết?
Câu trả lời nằm ở quy mô. Chạy mô hình 1,2 nghìn tỷ tham số trên Private Cloud Compute quá chậm để phục vụ hàng trăm triệu thiết bị cùng lúc. Google có sẵn hạ tầng GPU khổng lồ và kinh nghiệm vận hành mô hình lớn. Liệu có phải đánh đổi quyền riêng tư? Apple giảm thiểu rủi ro bằng cách chỉ gửi truy vấn đã được ẩn danh hóa, không gửi ngữ cảnh thiết bị hay lịch sử hội thoại. Mô hình ba tầng này cho thấy tương lai của AI trên thiết bị di động không phải là "tất cả trên đám mây" hay "tất cả trên máy", mà là sự phối hợp thông minh giữa cả hai, với quyền riêng tư là tiêu chí định tuyến.
