کامپیوتر بعدی شما با بالارفتن سن بهتر کار می‌کند

به‌طور کلی، هرچه از عمر کامپیوترها می‌گذرد سرعت آن‌ها پایین‌تر می‌آید. پردازنده‌ این دستگاه‌ها در مواجهه و کار با نرم‌افزارهای جدیدتر به‌مشکل برخورد می‌کنند. حتی همان‌طور که در اخبار خوانده بودید اپل عمدا با مستعمل شدن باتری آیفون سرعت آن‌ها را پایین می‌آورد. اما محققان گوگل اطلاعات تازه‌ای را منتشر کردند که حکایت از یک پروژه جدید دارد. در این پروژه، لپ‌تاپ یا اسمارت‌فون یاد می‌گیرد که با گذشت زمان کارها و پردازش‌ها را بهتر و سریع‌تر از قبل انجام دهد.

محققان برای این مسئله با یکی از مشکلات عمومی در محاسبات و علم کامپیوتر به‌نام prefetching (پیش واکشی دستورالعمل‌ها) روبرو بودند. کامپیوترها اطلاعات را خیلی سریع‌تر از زمانی‌که از حافظه برای پردازش بیرون می‌کشند پردازش می‌کنند. آن‌ها برای جلوگیری از گلوگاه‌ها در تلاش برای پیش‌بینی اطلاعاتی هستند که احتمال استفاده از آن‌ها بیشتر است و به‌همین دلیل از قبل اطلاعات را بیرون می‌کشند. با توجه به این‌که قدرت کامپیوترها دائما در حال افزایش است، پیش‌بینی این فرآیند خیلی سخت‌تر از گذشته می‌شود.

تیم گوگل در گزارشی که چند روز پیش منتشر شد توضیح می‌دهد که برای بهینه شدن prefetching از سیستم یادگیری عمیق استفاده می‌کند. البته محققان مشخص نکردند که سرعت حاصل تا چه میزان بیشتر می‌شود، اما با شناختی که از یادگیری عمیق و نتایج به‌کارگیری آن در سایر حوزه‌ها پیدا کرده‌ایم باید تأثیر زیادی داشته باشد.

«هاینر لیتز» از دانشگاه کالیفرنیا، سانتا کروز، که یکی از محققان دعوت شده به این پروژه است می‌گوید: "کاری که ما انجام دادیم تنها بخش کوچکی از یک دریای بیکران است." به‌عقیده لیتز این امکان وجود دارد که یادگیری عمیق را وارد هر بخشی از کامپیوتر کرد، از سیستم‌عامل‌های سطح پایین گرفته تا نرم‌افزارهایی که کاربران با آن‌ها در تعامل هستند.

چنین پیشرفت‌هایی عالی هستند. بالاخره سرعت قانون مور در حال کاهش است و طراحی زیربنایی چیپ‌های کامپیوتر در طی سال‌های اخیر تغییرات زیادی نداشته است. «تیم کراسکا»، پروفسور دانشگاه MIT که وی نیز در حال تحقیق و بررسی میزان تأثیر یادگیری ماشین بر روی بهتر شدن کار کامپیوترها است، می‌گوید این روش می‌تواند برای الگوریتم‌های سطح بالا بسیار سودمند باشد. به‌طور مثال، ممکن است یک پایگاه داده به‌طور خودکار یاد بگیرد که چگونه اطلاعات مالی را مدیریت کند یا این‌که یک اپلیکیشن می‌تواند خودش را برای پاسخ‌گویی بهتر و کارآمدتر به عادت‌های خاص کاربر آموزش دهد.

کراسکا می‌گوید: "ما تمایل داریم تا سیستم‌ها و سخت‌افزارهایی بسازیم که برای اهداف عمومی و کلی باشند. اما، یادگیری ماشین این امکان را به‌وجود می‌آورد تا هسته یک سیستم، بعضی از داده‌های خاص و ویژه آن و الگوهای دسترسی یک کاربر به‌طور خودکار سفارشی‌سازی شوند."

با این حال، کراسکا تذکر می‌دهد که استفاده از یادگیری ماشین هم‌چنان هزینه‌های محاسباتی بسیار گزافی دارد و به‌همین دلیل، سیستم کامپیوترها یک شبه تغییر نمی‌کند. وی ادامه می‌دهد: "با این وجود، اگر می‌توان بر این محدودیت‌ها فائق آمد، پس روشی که برای توسعه سیستم‌ها استفاده می‌کنیم می‌تواند در آینده تغییرات بنیادین داشته باشد."

لیتز در این خصوص خوش‌بین‌تر است: "هدف بزرگ ما برای آینده سیستمی است که دائما در حال مانیتور کردن خود و یادگیری است. این نقطه شروع یک چیز خیلی بزرگ است."