Tech Radar 02/06/2026: NVIDIA RTX Spark & Intel 18A tại Computex

🇬🇧 Read the English version of this article on tanhdev.com

Hôm nay là 02/06/2026. Nối tiếp bản radar ngày 30 tháng 5 về Dự luật AI của bang Illinois SB 315 và cú tăng vọt $60B mảng server AI của Dell, toàn bộ ngành công nghiệp công nghệ hướng về Computex 2026 tại Đài Bắc — sự kiện phần cứng quan trọng nhất trong nửa đầu năm nay. Dưới chủ đề “AI Together,” Jensen Huang, Lip-Bu Tan và các nhà lãnh đạo ngành bán dẫn đã công bố thế hệ hạ tầng tính toán (compute infrastructure) tiếp theo, từ edge PC cho tới hyperscale data center.

Cùng lúc đó, thị trường consumer AI ghi nhận bước chuyển cấu trúc: Nền tảng Claude của Anthropic báo cáo chỉ số bùng nổ tăng trưởng 130% tháng-qua-tháng (month-over-month) trên ứng dụng desktop. Và tại phòng thí nghiệm ở Melbourne, các nhà khoa học vừa công bố đột phá mảng photonic computing (điện toán quang học) có khả năng định hình lại nền tảng vật lý của AI inference trong thập kỷ tới.

Dưới đây là các màn mổ xẻ phân tích về kỹ thuật lẫn kiến trúc cho các tín hiệu nổi cộm hôm nay.

1. NVIDIA RTX Spark: Siêu Chip “Trợ Lý AI Cá Nhân” Định Hình Lại Mảng Windows PC

Điểm nhấn truyền thông quan trọng nhất của Computex 2026 chính là khoảnh khắc CEO NVIDIA Jensen Huang chính thức ra mắt NVIDIA RTX Spark — dòng siêu chip hệ Windows chạy kiến trúc ARM hợp tác phát triển cùng MediaTek, đánh dấu bước tiến đầu tiên của NVIDIA vào thị trường consumer PC silicon.

Kiến Trúc: Tích Hợp CPU Grace + GPU Blackwell

RTX Spark không phải là card GPU rời thông thường. Đây là con system-on-chip (hệ thống trên một vi mạch) tích hợp hai mô hình tính toán tách biệt trên cùng vi mạch:

Cải tiến kiến trúc quan trọng là unified memory pool (bể bộ nhớ dùng chung): CPU, GPU và các tác vụ AI inference sử dụng chung bể bộ nhớ 128 GB, gỡ bỏ thắt nút cổ chai PCIe giúp tối ưu hóa truyền tải dữ liệu giữa CPU DRAM và GPU VRAM. Kiến trúc này tương tự mô hình bộ nhớ dùng chung trên Apple Silicon, nay được áp dụng trực tiếp cho nền tảng Windows AI.

Đích Nhắm: Personal AI Agents Cắm Rễ Local

NVIDIA định vị RTX Spark như nền tảng phần cứng dành cho kỷ nguyên personal AI agent:

• Các AI agent có thể vận hành hiệu quả trên hệ điều hành Windows, tự động gọi công cụ (tools) và xử lý chuỗi tác vụ phức tạp.
• Vận hành các mô hình lớn lên tới 120B parameters chạy 100% on-device — triệt tiêu rủi ro rò rỉ dữ liệu (data exfiltration) lên cloud.
• Hợp tác cùng Microsoft phát triển NVIDIA OpenShell, một runtime tích hợp sâu trong hệ điều hành để quản trị và phân quyền an toàn cho luồng on-device agent.

flowchart TD
    A["User Prompt / Task"] --> B["NVIDIA OpenShell Runtime\nWindows 11 Arm"]
    B --> C["RTX Spark Superchip\n20-core Grace CPU · Blackwell GPU · 128GB Unified Memory"]
    C --> D["Local LLM Inference\nCân tới 120B params · 1M token context · 1 PFLOP"]
    C --> E["Tool Invocation\nHệ thống file · Browser · APIs · Thiết bị ngoại vi"]
    D --> F["Agent Response\nPlan → Execute → Verify"]
    E --> F
    style C fill:#76b900,color:#fff,stroke:#76b900
    style F fill:#1a1a2e,color:#eee,stroke:#555

Hệ Sinh Thái Software Và Chống Hack (Anti-Cheat)

NVIDIA đã nhận được sự cam kết từ hơn 100 nhà cung cấp phần mềm lớn bao gồm Adobe, Blender, cùng các nhà phát triển game như Riot Games và Krafton. Điểm đáng chú ý là hai giải pháp anti-cheat Epic Anti-Cheat và BattlEye đã cam kết hỗ trợ ARM64 native — giải quyết rào cản lớn nhất của mảng Arm-based Windows gaming.

Hành động kỹ thuật: Đối với các hệ thống phần mềm agentic xử lý dữ liệu nhạy cảm (ngành luật, y tế, tài chính), cấu hình RTX Spark + OpenShell là giải pháp hạ tầng cho mảng production agentic AI với rủi ro rò rỉ dữ liệu giảm về 0.

2. NVIDIA Vera Rubin: Đóng Mộc Chạy Full Production, Cất Cánh Giao Hàng Vào H2 2026

Bên cạnh mảng RTX Spark, Jensen Huang đã xác nhận nền tảng Vera Rubin đã bắt đầu sản xuất hàng loạt (full production) — hệ thống AI data center platform mạnh mẽ nhất của NVIDIA.

Thông Số Nền Tảng Kèm Pháo Đài Hệ Thống (Flagship System)

Nền tảng Vera Rubin được thiết kế cho các “agentic AI factories” (Công xưởng AI) — tập trung vào điều phối hệ thống multi-agent ở tầm hyperscale:

Khách VIP Bốc Hàng Đợt 1

Danh sách khách hàng tiếp nhận đợt đầu bao gồm các nhà cung cấp cloud hyperscale:

• AWS, Google Cloud, Microsoft Azure, Oracle Cloud
• CoreWeave, Lambda, Nebius, Nscale

flowchart LR
    A["Vera Rubin Platform\n(Full Production — Tháng 6 2026)"] --> B["Vera Rubin NVL72\nSingle AI Supercomputer"]
    B --> C["AWS · GCP · Azure · Oracle"]
    B --> D["CoreWeave · Lambda · Nebius · Nscale"]
    A --> E["Khởi động ship H2 2026"]
    style A fill:#76b900,color:#fff

Hành động kỹ thuật: Nếu đội ngũ kỹ thuật đang thiết kế hạ tầng data center AI cho năm 2027, hệ thống Vera Rubin NVL72 sẽ trở thành tiêu chuẩn hiệu năng mới. Cần đánh giá sớm giải pháp tản nhiệt chất lỏng (liquid cooling) do lượng nhiệt tỏa ra từ các Rubin GPU sẽ vượt quá khả năng của hệ thống tản nhiệt khí truyền thống.

3. Intel 18A Chào Sân: Chip Xeon 6+ “Clearwater Forest” Đổ Bộ Computex

Chủ tịch Intel Lip-Bu Tan công bố bước đi chiến lược tại Computex: sự ra mắt của vi xử lý Xeon 6+ “Clearwater Forest”, dòng chip data center đánh dấu việc ứng dụng tiến trình 18A tiên tiến nhất của Intel vào sản xuất thương mại.

Tiến Trình 18A: Cải Tiến Nền Tảng

Intel 18A không chỉ đơn thuần là thu nhỏ diện tích vi mạch (die shrink), mà mang lại hai cải tiến nền tảng cho ngành bán dẫn:

• RibbonFET: Cấu trúc Gate-all-around (GAA) transistors tối ưu hóa khả năng kiểm soát tĩnh điện ở quy mô vi mô, hạn chế hiện tượng rò rỉ điện (leakage) và cho phép đạt xung nhịp cao (higher clock frequencies) ở mức điện áp cực thấp.
• PowerVia: Mạng lưới cấp nguồn từ mặt sau (Backside power delivery network) dẫn nguồn điện từ phía sau vi mạch thay vì đi chung với tầng luồng tín hiệu. Nhờ đó tối ưu diện tích cho mật độ logic cao (high-density logic) và giảm thiểu hiện tượng sụt áp (IR drop).

Kiến Trúc Clearwater Forest

Vi xử lý được thiết kế theo kiến trúc chiplet phân tách (disaggregated chiplet) trải dài trên 3 tiến trình sản xuất:

flowchart TD
    A["Xeon 6+ 'Clearwater Forest'\nVi xử lý Single-Socket"] --> B["12× Mảng Compute Tiles\n(Tiến trình Intel 18A — RibbonFET + PowerVia)\nMỗi mảnh 24 Darkmont E-cores\n= Tổng cộng 288 cores"]
    A --> C["3× Mảng Base Tiles\n(Tiến trình Intel 3)\nNhồi Memory controllers · Shared L3 LLC"]
    A --> D["2× Mảng I/O Tiles\n(Tiến trình Intel 7)\nBộ đồ Input/Output"]
    B --> E["Ép mặt Foveros Direct 3D stacking\nNối dây EMIB 2.5D interconnect"]
    C --> E
    D --> E
    style B fill:#0071c5,color:#fff
    style E fill:#1e1e1e,color:#eee

Số lượng 288-core mang lại lợi thế lớn cho các tác vụ AI inference cần xử lý song song cao (high parallelism) như batched LLM inference, xử lý mạng viễn thông hay hạ tầng multi-tenant cloud ở quy mô rack (rack scale).

Hành động kỹ thuật: Đối với các hệ thống hạ tầng viễn thông, multi-tenant cloud hay cụm AI inference mật độ cao, cấu hình 288 E-core kết hợp DDR5-8000 của Clearwater Forest là lựa chọn tối ưu cho nền tảng x86 inference. Đội ngũ kỹ thuật nên đo đạc thử nghiệm (benchmark) so sánh với hạ tầng Granite Rapids-AP hiện tại trước khi quyết định kế hoạch mua sắm tiếp theo.

4. Khoảng Cách Thực Thi Agentic AI: 72% Triển Khai Nhưng Chưa Đạt Hiệu Quả

Tại Computex 2026, các chuyên gia phân tích ngành đã mổ xẻ hiện thực “AI Execution Gap” — sự lệch pha giữa số lượng dự án AI triển khai và hiệu quả doanh thu thực tế thu được.

Số Liệu Thực Tế

• 72% doanh nghiệp đã triển khai các dự án agentic AI trên môi trường production
• Khoảng 60% doanh nghiệp chưa thiết lập được khung quản trị (governance framework) cho AI agent
• Nhiều tổ chức tiêu tốn ngân sách AI hàng năm chỉ trong 90 ngày do các workflow vận hành chưa tối ưu gây lãng phí token (“token maxing”)

Nguyên Nhân Dẫn Đến Thất Bại

Các thách thức phổ biến ở nhiều ngành bao gồm:

Giải Pháp Tối Ưu Hóa

Các doanh nghiệp triển khai thành công thường áp dụng 3 nguyên tắc:

1. Đánh giá quy trình (Process audit) trước khi triển khai — xây dựng luồng công việc end-to-end và xác định các điểm kiểm soát của con người (human-judgment checkpoints).
2. Thiết lập rào chắn ngân sách (Hard spending guardrails) — giới hạn hạn ngạch token, xác định phạm vi hoạt động và bổ sung phê duyệt của con người (human-in-the-loop approval) ở các tác vụ quan trọng.
3. Ứng dụng điều phối multi-agent — phối hợp nhiều agent chuyên biệt để xử lý luồng công việc thay vì phụ thuộc vào một agent đơn lẻ.

Hành động kỹ thuật: Khi thiết kế luồng công việc agentic, đội ngũ phát triển cần ưu tiên hoàn thiện hạ tầng harness (công cụ, bộ nhớ, bối cảnh, rào chắn an toàn và cơ chế rollback) trước khi đưa hệ thống vào vận hành.

5. ASUS Tại Computex: Từ Hạ Tầng AI Factory Đến Personal AI Creator PC

ASUS giới thiệu chuỗi hạ tầng AI end-to-end — từ các rack-scale data center cho đến dòng laptop dành cho người sáng tạo nội dung — thuộc chiến lược “Ubiquitous AI” (AI Xuyên Thấu).

ASUS AI POD: Nền Tảng Enterprise Dựa Trên Vera Rubin NVL72

ASUS ra mắt ASUS AI POD, hệ thống rack-scale AI được phát triển trên nền tảng NVIDIA Vera Rubin NVL72. Hệ thống tích hợp tản nhiệt chất lỏng (liquid-cooled), cung cấp hiệu năng cao cho các tác vụ huấn luyện và inference mô hình hàng nghìn tỷ tham số trong các “AI factory”.

Laptop ProArt P16 Và P14: Cỗ Máy RTX Spark Dành Cho Creator

Dành cho các chuyên gia sáng tạo (professional creators), ASUS giới thiệu hai dòng laptop ProArt P16 và P14 tích hợp siêu chip RTX Spark với các đặc tính nổi bật:

• Chạy các mô hình AI local lên tới 120B tham số cho quy trình sáng tạo nội dung (content creation workflows)
• Hỗ trợ context window 1M token để xử lý tài liệu dài và phân tích đa phương tiện
• Đạt hiệu năng chơi game 100+ FPS trên cùng nền tảng chip xử lý AI

Bộ Ứng Dụng Phần Mềm: Zenni Claw, MuseTree, StoryCube

ASUS công bố 3 ứng dụng AI-native:

• Zenni Claw: Trợ lý agentic AI tích hợp ở tầng hệ điều hành ASUS
• MuseTree: Trợ lý AI hỗ trợ sáng tạo nghệ thuật và thiết kế đồ họa
• StoryCube: Công cụ hỗ trợ xây dựng kịch bản và sáng tạo nội dung

6. Monash University: Valleytronic Photonic Chip — Đột Phá AI Quang Học Vận Hành Ở Nhiệt Độ Phòng

Trong công bố trên tạp chí Nature Photonics, nhóm nghiên cứu tại Monash University (Melbourne, Úc) đã giới thiệu đột phá trong lĩnh vực valleytronics (điện tử thung lũng), mở ra hướng đi mới cho hạ tầng tính toán AI thế hệ tiếp theo.

Khái Niệm Về Valleytronics

Máy tính truyền thống mã hóa thông tin dựa trên điện tích của electron. Ngược lại, Valleytronics khai thác thuộc tính lượng tử của vật liệu 2D gọi là “valley degree of freedom” (bậc tự do thung lũng) — các trạng thái năng lượng tối thiểu của electron trong cấu trúc tinh thể. Bằng cách điều khiển hướng di chuyển của electron qua các thung lũng năng lượng, hệ thống có thể truyền tải và xử lý thông tin dựa trên ánh sáng chứ không phụ thuộc vào dòng điện (electrical current) liên tục.

Cải Tiến Kiến Trúc: Tích Hợp Toàn Bộ Trên Cùng Một Chip

Các nghiên cứu valleytronics trước đây thường chỉ thực hiện riêng rẽ việc phát hoặc phát hiện tín hiệu quang. Nhóm nghiên cứu tại Monash đã đạt được bước tiến quan trọng khi tích hợp toàn bộ (full integration) các thành phần trên cùng một vi mạch:

flowchart LR
    A["Tín Hiệu Đầu Vào (Input)"] --> B["Nguồn Phát Quang\n(Vật liệu 2D Tungsten Disulfide / Diselenide)"]
    B --> C["Định Tuyến Quang Học Valley-Selective\n(Kiến trúc quang học Metasurface)"]
    C --> D["Chuyển Đổi Quang-Điện Light-to-Electrical\n(Đọc dữ liệu on-chip)"]
    D --> E["Tín Hiệu Đầu Ra (Output)"]
    style B fill:#4a90d9,color:#fff
    style C fill:#7b2d8b,color:#fff
    style D fill:#27ae60,color:#fff

Ứng Dụng Trong Hạ Tầng AI

Giới hạn nhiệt động lực học của máy tính bán dẫn truyền thống xuất phát từ lượng nhiệt phát ra từ chuyển động của electron. Chip quang học (photonic chip) truyền tải thông tin bằng ánh sáng với tốc độ cực cao và lượng nhiệt tỏa ra tiệm cận 0. Điều này mang lại lợi thế vượt trội cho hạ tầng AI inference:

• Tối ưu hiệu suất năng lượng (Energy efficiency): Giảm chi phí điện năng cho phép tính nhân ma trận (matrix multiplication) xuống nhiều lần.
• Độ trễ cực thấp (Latency): Hạt photon di chuyển với vận tốc ánh sáng giúp tiệm cận giới hạn lý thuyết về độ trễ.
• Mật độ xử lý cao (Density): Khả năng truyền dữ liệu song song trên nhiều bước sóng khác nhau (dựa trên kỹ thuật wavelength-division multiplexing).

Công nghệ này dự kiến cần 5–10 năm để thương mại hóa. Việc đạt được khả năng vận hành ở nhiệt độ phòng (room-temperature) chính là chìa khóa giải quyết rào cản thương mại lớn nhất của máy tính quang học.

Độ tin cậy (Confidence): Cao (High) — công trình nghiên cứu đã được phản biện đồng cấp (peer-reviewed) và đăng tải trên tạp chí Nature Photonics.

7. Chiến Lược Chủ Quyền AI Tại Nhật Bản: Liên Minh MHI Và Preferred Networks

Ngày 02/06/2026, hai tập đoàn Mitsubishi Heavy Industries (MHI) và Preferred Networks (PFN) đã công bố liên minh chiến lược nhằm phát triển hạ tầng AI tự chủ cho Nhật Bản (Japan-sovereign AI), phục vụ các nhiệm vụ trọng điểm quốc gia và an ninh quốc phòng (national security).

Mục Tiêu Chiến Lược

Liên minh này kết hợp thế mạnh chuyên môn của MHI trong các lĩnh vực hàng không vũ trụ (aerospace), quốc phòng (defense) và hệ thống công nghiệp (industrial systems) với nền tảng công nghệ AI của PFN.

Lĩnh Vực Ứng Dụng

• Hạ tầng xã hội (Social infrastructure): Lưới điện, hệ thống giao thông vận tải, hệ thống điều khiển công nghiệp.
• An ninh quốc phòng (National security): Hệ thống đánh giá tình huống tự động (autonomous situational assessment) và tình báo quốc phòng.

Hai bên dự kiến hoàn tất các thỏa thuận liên minh chính thức trong năm tài khóa 2026. Đây là thỏa thuận hợp tác thương mại thực tế nhằm tích hợp trực tiếp công nghệ AI vào hạ tầng phần cứng chiến lược của Nhật Bản.

Hành động kỹ thuật: Đối với các đội ngũ kỹ thuật đang theo dõi chiến lược AI tự chủ (AI sovereignty), bước đi này cho thấy xu hướng tích hợp phần cứng AI chuyên dụng (như dòng chip MN-Core của PFN) vào các dự án hạ tầng quốc gia và an ninh quốc phòng.

8. Claude Tăng Trưởng 130% MoM: Thị Trường Consumer AI Thay Đổi Cấu Trúc

Báo cáo Comscore March 2026 Consumer AI Chatbot Rankings đưa ra bức tranh chi tiết về thị phần phân khúc consumer AI chatbot.

Xếp Hạng Người Dùng Desktop Tại Mỹ — Tháng 3/2026

Tổng lượng người dùng đạt 44.4 triệu desktop unique visitors, tăng 21.3% so với tháng 2.

Phân Tích Động Lực Tăng Trưởng 130% Của Claude

Xét về con số tuyệt đối, Claude đứng ở vị trí thứ 4. Tuy nhiên, mức tăng trưởng 130% month-over-month từ quy mô người dùng sẵn có thể hiện bước chuyển cấu trúc rõ rệt. Các yếu tố thúc đẩy đà tăng trưởng bao gồm:

1. Hiệu năng của dòng mô hình Claude 4: Dòng mô hình Opus 4.7 và Sonnet 4.x mang lại bước tiến vượt trội về khả năng sinh mã, suy luận phức tạp và tuân thủ chỉ dẫn (instruction following).
2. Sự tăng trưởng từ phân khúc B2B Enterprise: Lượng khách hàng doanh nghiệp sử dụng Claude tăng mạnh, tạo hiệu ứng lan tỏa sang phân khúc người dùng cá nhân (word of mouth).
3. Chiến lược xây dựng uy tín thương hiệu: Việc hợp tác với các quỹ đầu tư lớn, Quỹ Gates Foundation và cam kết an toàn AI giúp tăng cường niềm tin từ người dùng và tổ chức.

Mặc dù ChatGPT vẫn duy trì vị trí dẫn đầu với 33.86M lượt truy cập, thị trường đang chuyển dịch từ thế độc tôn sang mô hình cạnh tranh đa cực (competitive quadropoly).

Độ tin cậy (Confidence): Cao (High) — Dữ liệu được đo lường độc lập bởi Comscore theo phương pháp luận chuẩn hóa.

FAQ: Giải Đáp Thắc Mắc Kỹ Thuật

NVIDIA RTX Spark có đòi hỏi thay đổi chuẩn mainboard (form factor) không?
Không. RTX Spark là dòng System-on-Chip (SoC) được thiết kế cho laptop và các dòng desktop nhỏ gọn (compact desktop). Các đối tác OEM như ASUS, Dell, Lenovo sẽ cung cấp dưới dạng máy bộ nguyên chiếc, không phải là linh kiện nâng cấp rời (drop-in upgrade) cho các chuẩn mainboard ATX/mATX truyền thống.

Intel Xeon 6+ Clearwater Forest có tương thích với hạ tầng server Xeon 6 hiện tại không?
Có. Clearwater Forest sử dụng chung chuẩn socket LGA 7529 với các nền tảng Xeon 6 hiện tại và chỉ cần cập nhật BIOS. Các doanh nghiệp đang vận hành hệ thống Granite Rapids-AP có thể nâng cấp trực tiếp mà không cần thay thế hạ tầng tủ rack (rack refresh).

Khi nào công nghệ valleytronic chip của Đại học Monash có thể thương mại hóa?
Công trình hiện mới ở giai đoạn bằng chứng thực nghiệm (proof-of-concept) đăng trên tạp chí Nature Photonics. Quá trình thương mại hóa hoàn chỉnh dự kiến sẽ mất khoảng 5–10 năm để hoàn thiện quy trình đóng gói và sản xuất hàng loạt. Việc đạt được khả năng vận hành ở nhiệt độ phòng là bước ngoặt quan trọng giúp vượt qua rào cản lớn của máy tính quang học.

Tốc độ tăng trưởng 130% MoM của Claude có thể duy trì được lâu không?
Mức tăng trưởng 130% mỗi tháng rất khó duy trì liên tục, nhưng Anthropic vẫn giữ đà tăng trưởng hai chữ số mạnh mẽ trong các quý tiếp theo nhờ sự đóng góp từ phân khúc B2B Enterprise, cải tiến chất lượng mô hình và uy tín thương hiệu.

Hệ thống ASUS AI POD khác biệt gì so với NVIDIA DGX SuperPOD?
ASUS AI POD là giải pháp rack-scale được đóng gói sẵn bởi OEM dựa trên kiến trúc NVIDIA Vera Rubin NVL72, kết hợp với hạ tầng tản nhiệt và tầng quản lý của ASUS. Trong khi NVIDIA DGX SuperPOD là giải pháp chuẩn từ chính NVIDIA, ASUS AI POD cung cấp lựa chọn tích hợp với dịch vụ bảo hành, cam kết SLA và hỗ trợ kỹ thuật địa phương từ ASUS.

Tóm Tắt Tín Hiệu Kỹ Thuật Quan Trọng

Tổng Kết Radar Takeaway

Các diễn biến tại Computex 2026 khẳng định hai xu hướng hạ tầng AI song song: Hạ tầng AI đang mở rộng mạnh mẽ theo hai hướng — phát triển các cụm siêu máy tính hyperscale data center và đưa khả năng tính toán AI trực tiếp về thiết bị đầu cuối (edge / local device).

Sự ra mắt của NVIDIA RTX Spark đánh dấu bước ngoặt đưa các mô hình lớn (lên tới 120B tham số) vận hành trực tiếp trên thiết bị cá nhân với tính bảo mật cao. Đồng thời, nền tảng Vera Rubin từ NVIDIA và vi xử lý Clearwater Forest từ Intel tiếp tục thúc đẩy mật độ tính toán và hiệu suất năng lượng trong data center.

Đối với các đội ngũ kỹ thuật, thách thức cốt lõi hiện nay không chỉ dừng ở việc lựa chọn mô hình, mà nằm ở khả năng xây dựng khung vận hành (harness), cơ chế quản trị dữ liệu và kiểm soát chi phí hiệu quả cho các hệ thống AI tự trị trong sản xuất.

🔗 Đọc thêm các chuyên đề liên quan:

• Kiến trúc Microservices Golang & DDD
• Triển khai Agentic AI Swarm trong Production với OpenClaw & LiteLLM
• Kiến trúc Microservices Golang gRPC: Protobuf, TLS & Middleware