MIT Technology Review توضیح می‌دهد: نویسندگان ما دنیای پیچیده و آشفته علم و فناوری را برایتان روشن می‌کنند تا بدانید در آینده چه چیزی در انتظارمان است. مطالب بیشتری از این مجموعه را اینجا بخوانید.

عصر روز ۲۹ دسامبر ۱۹۵۹، در نشست انجمن فیزیک آمریکا در Caltech، ریچارد فاینمن، فیزیک‌دان، سخنرانی‌ای با عنوان «در پایین، فضای زیادی هست» ایراد کرد و در آن توضیح داد که چگونه می‌توانیم چیزها را در مقیاسی بسیار کوچک دست‌کاری و کنترل کنیم. او استدلال کرد که هیچ قانون فیزیکی مانع از آن نمی‌شود که تمام Encyclopædia Britannica را روی سر یک سوزن بنویسیم، یا همه کتاب‌هایی را که تاکنون نوشته شده‌اند در چیزی به‌اندازه ذره‌ای غبار ذخیره کنیم؛ یا در نهایت، ماده را اتم‌به‌اتم کنار هم بچینیم. زیست‌شناسی پیش‌تر نمونه‌هایی از این کار را انجام داده است (یک سلول زنده دستورالعمل‌هایش را در رشته‌ای باریک از DNA نگه می‌دارد)، بنابراین قوانین فیزیک آشکارا چنین کارهایی را مجاز می‌دانند. فقط هنوز ابزارهای لازم را نساخته بودیم.

به‌عبارت دیگر، در پایین فضای زیادی بود. فاینمن درست می‌گفت و ما طی دهه‌ها تقریباً بی‌هزینه به این فضا فرود آمدیم. ترانزیستور ــ کلیدی که در قلب تراشه‌های رایانه‌ای قرار دارد ــ بارها به نصف اندازه قبلی کوچک‌تر شد و در نتیجه، تراکم ترانزیستورها در تراشه‌ها دو برابر شد؛ رایانه‌ای که زمانی یک اتاق را پر می‌کرد، حالا درون یک ساعت جا می‌شود. اما این فرود آسان اکنون متوقف شده است و روشن‌ترین نشانه آن، گسترش مراکز داده است. شش ابرمقیاس‌گر بزرگ، یعنی شرکت‌هایی که بزرگ‌ترین مراکز داده جهان را اداره می‌کنند، در مسیر آن هستند که امسال بیش از ۷۰۰ میلیارد دلار برای زیرساخت‌های محاسباتی هزینه کنند؛ رقمی حدود دو برابر رکوردی که در سال ۲۰۲۵ ثبت کردند. این شرکت‌ها در حال ریختن بتن و به‌کارگیری مس و سیلیکون در تأسیسات جدید، سریع‌تر از آن هستند که شبکه برق بتواند انرژی‌شان را تأمین کند. این گسترش با نیروی خام، کارایی را افزایش می‌دهد و چیزهای بیشتری از آنچه از قبل می‌دانیم چگونه بسازیم، به کار می‌گیرد. اما نوع دیگر پیشرفت، همان چیزی که تراشه‌های رایانه‌ای را بهتر کرد، بی‌سروصدا رو به پایان است.

روندهایی که بهبودهای چشمگیر عصر اطلاعات در قرن بیستم را دنبال می‌کردند، با آغاز عصر هوش در قرن بیست‌ویکم، اکنون در حال تغییر مسیرند ــ یا از هم گسیختن. قانون مور، که چگونگی افزایش تراکم ترانزیستورها روی سیلیکون را نشان می‌دهد، کند شده است؛ قانون دِنارد، که می‌گوید با افزایش تراکم ترانزیستورهای کوچک‌تر در یک بخش معین از تراشه، مصرف انرژی آن بخش ثابت می‌ماند، به پایان رسیده است؛ قانون کومی، که میزان محاسباتی را دنبال می‌کند که می‌توانیم از هر ژول انرژی استخراج کنیم، رو به افول گذاشته است؛ قانون کرایدر، که توضیح می‌دهد چطور می‌توان بیت‌ها را برای ساخت حافظه مغناطیسی فشرده‌تر کنار هم چید، به‌شدت کند شده است؛ و قانون کِک، که افزایش نمایی حجم اطلاعات قابل‌انتقال از طریق یک فیبر نوری متعارف را ترسیم می‌کند، در حال هموار شدن است.

اما این قوانین مقیاس‌پذیری، صرفاً مشاهداتی درباره سامانه‌هایی هستند که خودمان مهندسی کرده‌ایم؛ آن‌ها قوانین بنیادی فیزیک نیستند. محدودیت‌های فیزیکی محاسبات و ارتباطات ــ که مکانیک کوانتومی، نسبیت عام و نظریه اطلاعات آن‌ها را تعیین می‌کنند ــ بسیار فراتر از هر چیزی قرار دارند که امروزه در مراکز داده می‌بینیم. قوانین مقیاس‌پذیری، مسیری را ترسیم می‌کنند که تاکنون پیموده‌ایم. محدودیت‌های بنیادی فیزیک، فضایی را نشان می‌دهند که هنوز پیش رو داریم.

شاید در عمل، دستیابی به برخی از این محدودیت‌ها بسیار دور از دسترس باشد. اما بررسی آن‌ها همچنان ارزشمند است، چون این تلاش دو دستاورد دارد: یکی در توسعه فناوری و دیگری در علم بنیادی. سامانه‌ای آزمایشی که به یکی از این محدودیت‌ها نزدیک شود، هم فناوری‌ای است که الگوهای متوقف‌شده را وادار به کناررفتن می‌کند و هم آزمایشی که درک ما را از خود قوانین فیزیک عمیق‌تر می‌سازد.

فرود

فاینمن در سخنرانی سال ۱۹۵۹ خود، از جیبش دو جایزه هزار‌دلاری پیشنهاد کرد. یکی از آن‌ها به نخستین کسی می‌رسید که موتوری الکتریکی کوچک‌تر از مکعبی به ضلع ۰٫۴ میلی‌متر بسازد. او انتظار داشت این چالش کسی را وادار کند فناوری میکروِ واقعاً جدیدی اختراع کند. اما حدود یک سال بعد، ویلیام مک‌للان، مهندسی آموزش‌دیده در Caltech، با موتوری آماده و در حال کار از راه رسید. این ماشین یک‌چهارم‌میلی‌گرمی، که تقریباً به‌اندازه یک دانه شن بود، زیر میکروسکوپ و با دست، با خلال‌دندان و دستگاه تراش ساعت‌سازی مونتاژ شده بود. فاینمن بنا به روایت خودش، فقط اندکی ناامید شد. این جایزه، حرفش را به بی‌هیجان‌ترین شکل ممکن ثابت کرده بود. آن فضا واقعاً در پایین وجود داشت، اما رسیدن به این نخستین نقطه عطف به هیچ فناوری تازه‌ای نیاز نداشت؛ فقط مردی به‌غایت صبور با دستانی ثابت کافی بود.

سرنوشت جایزه دوم متفاوت و آموزنده‌تر بود. این جایزه به کسی تعلق می‌گرفت که بتواند صفحه‌ای از متن را در هر دو بُعد ۲۵ هزار برابر کوچک کند، آن‌قدر که تمام Britannica روی سر یک سوزن جا شود. این جایزه یک‌چهارم قرن بی‌برنده ماند. سرانجام، تام نیومن، دانشجوی تحصیلات تکمیلی Stanford، در سال ۱۹۸۵ آن را برد. او با استفاده از دستگاه لیتوگرافی پرتو الکترونی ــ نمونه اولیه ابزارهای الگوسازی مورد استفاده در ساخت تراشه‌های امروزی ــ صفحه آغازین A Tale of Two Cities را در مقیاس موردنیاز بازنویسی کرد.

بااین‌حال، فرود از پیش به‌خوبی آغاز شده بود. سال پیش از سخنرانی فاینمن، جک کیلبی که به‌تازگی در Texas Instruments استخدام شده بود و هنوز مرخصی‌ای برای استفاده نداشت، در ماه ژوئیه تقریباً به‌تنهایی در آزمایشگاه ماند، درحالی‌که همکارانش از تعطیلات لذت می‌بردند. تا ماه سپتامبر همان سال، او یک ترانزیستور، یک خازن و سه مقاومت را که همگی از یک تکه ژرمانیوم ساخته شده بودند، به یکدیگر متصل کرده بود. این کار ثابت کرد که می‌توان یک مدار کامل را از یک قطعه نیمه‌رسانا ساخت.

این ماشین که تقریباً به‌اندازه یک دانه شن بود، زیر میکروسکوپ و با دست، با خلال‌دندان و دستگاه تراش ساعت‌سازی مونتاژ شده بود.

این ایده فراگیر شد و تعداد اجزای روی تراشه با چنان نظم و قاعده‌ای دو برابر می‌شد که گوردون مور در مقاله‌ای در یک مجله تخصصی در سال ۱۹۶۵، خطی روی نمودار روند کشید و آن را تا آینده امتداد داد. آن خط به قانون مور تبدیل شد.

بااین‌حال، مور هرگز ادعا نکرد که ترانزیستورها می‌توانند تا ابد کوچک‌تر شوند. او مشاهده کرد که در هر مقطع زمانی، تعداد مشخصی از اجزا وجود دارد که هزینه ساخت هرکدام را به حداقل می‌رساند. این تعداد در سال ۱۹۶۵ برابر با ۵۰ بود. اگر ترانزیستورهای بسیار کمی به کار ببرید، بخشی از ظرفیت تراشه هدر می‌رود؛ اگر تعداد زیادی را در آن جا دهید، خطاهای ساخت افزایش می‌یابد و بازده تولید سقوط می‌کند. آنچه با آهنگی ثابت دو برابر می‌شد، همین تعدادِ بهینه از نظر هزینه بود.

برای چهار دهه، فرود با مزیت دیگری نیز همراه بود: مقیاس‌پذیری دِنارد؛ اصلی که به نام رابرت دِنارد، مهندس IBM، نام‌گذاری شده و او در سال ۱۹۷۴ آن را صورت‌بندی کرد. هر بار که ترانزیستورها کوچک‌تر می‌شدند، سریع‌تر هم سوئیچ می‌کردند و به همان نسبت انرژی کمتری مصرف می‌کردند؛ بنابراین هر نسل به‌طور خودکار بهتر از نسل پیشین بود. اما حوالی سال ۲۰۰۴، این مزیت از میان رفت. تراشه‌ها دیگر نمی‌توانستند گرمای ناشی از فعالیت حداکثری همه ترانزیستورها را دفع کنند؛ سرعت کلاک که از سه گیگاهرتز فراتر رفته بود، دیگر افزایش نیافت و Intel پردازنده چهارگیگاهرتزی‌ای را که وعده داده بود لغو کرد. صنعت به‌جای سریع‌تر کردن یک هسته، به قراردادن چندین هسته پردازشی روی یک تراشه روی آورد و ماهیت پیشرفت تغییر کرد.

اکنون پیشرفت عمدتاً از راه بزرگ‌تر کردن سامانه به دست می‌آید ــ با اتصال تراشه‌های بیشتر، تأمین حافظه بیشتر برای آن‌ها و افزودن توان و خنک‌سازی بیشتر ــ نه با کوچک‌تر کردن ترانزیستور. این روند در هوش مصنوعی آشکارتر از هر جای دیگری است؛ از سال ۲۰۱۰، محاسبات آموزش، یعنی مجموع عملیات حسابی صرف‌شده برای آموزش یک مدل، تقریباً هر شش ماه دو برابر شده است؛ بسیار سریع‌تر از آنچه آهنگ قانون مور اجازه می‌دهد. بخش اندکی از این پیشرفت حاصل کوچک‌تر شدن قطعات است. تراشه‌های رایانه‌ای همچنان بهتر می‌شوند و ترانزیستورها هم پیشرفت می‌کنند و فشرده‌تر کنار هم قرار می‌گیرند، اما هر نسل جدید دیرتر از نسل پیشین از راه می‌رسد و بهبود کمتری در سرعت و مصرف انرژی به همراه می‌آورد. بااین‌حال، هیچ‌یک از عوامل این کندی، قانون فیزیک نیست. اجزای محاسباتی هنوز بسیار بالاتر از محدودیت‌های بنیادی خود قرار دارند.

رایانه نهایی

پیش از پرداختن به این محدودیت‌ها، بد نیست ببینیم تاکنون تا کجا پیش رفته‌ایم. در نزدیک به هشت دهه از زمان ساخت نخستین ترانزیستور، تراکم ترانزیستورها روی تراشه ۱۰ مرتبه بزرگی افزایش یافته است؛ یعنی یک و پس از آن ۱۰ صفر، یا ضریبی برابر با ۱۰ میلیارد. اکنون در هر میلی‌متر مربع بیش از ۱۰۰ میلیون ترانزیستور جا می‌گیرد (و هر تراشه بیش از ۱۰۰ میلیارد ترانزیستور دارد). سرعت محاسبات حتی بیشتر رشد کرده و ۱۲ مرتبه بزرگی، یا ضریبی برابر با یک تریلیون، افزایش یافته است؛ انرژی مصرفی به‌ازای هر عملیات نیز ۱۷ مرتبه بزرگی کاهش یافته: از حدود ۱۰۰ ژول برای یک دستگاه اولیه مبتنی بر لامپ خلأ، به یک فمتوژول ــ یک‌کوادریلیونم ژول ــ برای هر بار تغییر وضعیت یک کلید در گیت منطقی.

این‌ها بهبودهای کوچکی نیستند. اما برای عملکرد محاسباتی، کفِ ممکن از این هم پایین‌تر است. تا کجا می‌توانیم پیش برویم؟ حوالی آغاز هزاره جدید، ست لوید، فیزیک‌دان MIT، این پرسش را به نهایت رساند: فرض کنید توده‌ای معمولی از ماده، به جرم یک کیلوگرم ــ تقریباً هم‌جرم یک لپ‌تاپ ــ در حجمی یک‌لیتری فشرده شده باشد. اگر قوانین فیزیک را تا مرز مطلقشان به کار بگیریم، این یک کیلوگرم حداکثر چه میزان محاسبه را ممکن می‌کند؟ او در مقاله‌ای در سال ۲۰۰۰ در Nature با عنوان «محدودیت‌های فیزیکی نهایی محاسبات»، پاسخ را محاسبه کرد و نام این ماشین خیالی را «لپ‌تاپ نهایی» گذاشت.

سرعتی که چنین ماشینی می‌تواند به آن برسد، به انرژی آن بستگی دارد. طبق رابطه E = mc²، یک کیلوگرم ماده حدود ۹ ×۱۰^۱۶ ژول انرژی دارد؛ تقریباً برابر با میزان برقی که کل ایالات متحده هر دو روز از شبکه برق می‌گیرد. اگر تمام این انرژی صرف محاسبات شود، لپ‌تاپ نهایی با سرعتی حدود ۵ ×۱۰^۵۰ عملیات در ثانیه کار می‌کند؛ یعنی حدود ۳۵ مرتبه بزرگی سریع‌تر از یک تراشه پیشرفته امروزی.

اما مسئله این است که کارکردن با چنین سرعتی چه شکلی خواهد داشت. متمرکز کردن انرژی سکون یک کیلوگرم ماده برای انجام محاسبات، این ماشین را به پلاسمایی با دمای حدود یک میلیارد درجه تبدیل می‌کند؛ حالتی که بیشتر به وضعیت جهان در دقایق نخست پس از مهبانگ شباهت دارد تا چیزی که بتوانیم آن را لپ‌تاپ بنامیم.

چنین ماشینی، اگر بخواهیم ملایم بگوییم، هنوز بسیار دور از دسترس است. اما محدودیت بعدی، که تعیین می‌کند یک محاسبه ناگزیر چه مقدار انرژی را هدر می‌دهد، بسیار نزدیک‌تر است و شرکت‌ها همین حالا در مسیر رسیدن به آن هستند. رولف لاندائر، فیزیک‌دان IBM، در سال ۱۹۶۱ نشان داد که اطلاعات و ترمودینامیک به هم پیوند خورده‌اند: پاک‌کردن یک بیت باید دست‌کم مقدار مشخصی گرما آزاد کند؛ در دمای اتاق این مقدار حدود ۲٫۹ ×۱۰^-۲۱ ژول است. این رقم ناچیز است، اما تراشه‌های امروزی برای هر بار تغییر وضعیت، چندصد هزار برابر این مقدار انرژی مصرف می‌کنند.

چگالی حافظه هم محدودیتی مختص به خود دارد و این محدودیت تا گرانش پیش می‌رود. یک ناحیه از فضا چند بیت می‌تواند در خود جای دهد؟ فیزیک‌دان جیکوب بکنشتاین در سال ۱۹۸۱، هنگام بررسی ترمودینامیک سیاه‌چاله‌ها، پاسخ را به دست آورد: اطلاعات درون هر ناحیه محصور، به اندازه آن ناحیه و انرژی موجود در آن محدود است. برای ناحیه‌ای به‌اندازه لپ‌تاپ نهایی لوید، این مقدار حدود ۱۰^۴۲ بیت، یا حدود ۱۰^۳۶ بیت در هر میلی‌متر مکعب است؛ رقمی نزدیک به ۳۰ مرتبه بزرگی بیشتر از مقداری که دستگاهی با این اندازه امروزه می‌تواند ذخیره کند.

آخرین محدودیت به ارتباطات مربوط می‌شود؛ یعنی سرعت جابه‌جایی اطلاعات. در نهایت، هر سیم و هر فیبر، سیگنال خود را با کوانتوم‌ها حمل می‌کند؛ بسته‌های تجزیه‌ناپذیری که انرژی در آن‌ها جابه‌جا می‌شود (در مورد نور، این بسته‌ها فوتون هستند). الکساندر خولِوو، ریاضی‌دان شوروی، در سال ۱۹۷۳ حداکثر میزان اطلاعاتی را تعیین کرد که یک جریان از کوانتوم‌ها می‌تواند منتقل کند. یک وات نور در هر ثانیه فقط شمار معینی فوتون دارد و مکانیک کوانتومی تعیین می‌کند این فوتون‌ها به چند شکل متمایز می‌توانند به مقصد برسند؛ یعنی گیرنده در نهایت بتواند چند پیام را از یکدیگر تشخیص دهد. یک کانال منفرد با توان یک وات، اگر در حد خولِوو کار کند، می‌تواند حدود ۱۰^۱۷ بیت در ثانیه منتقل کند. پیوندهای نوری امروزی، یا اتصالات بین‌تراشه‌ای، با همان توان حدود یک‌میلیونم این نرخ را ارائه می‌دهند. اما این فاصله در مراکز داده به‌سرعت در حال کم‌شدن است؛ جایی که از هر نسل اتصالات بین‌تراشه‌ای انتظار می‌رود با توان کمتر، بیت‌های بیشتری را جابه‌جا کند، انرژی کمتری صرف تجهیزات الکترونیکی کند و برای پیمودن مسافت‌های بیشتر از نور بهره ببرد.

پس چهار محدودیت، کف واقعی را مشخص می‌کنند و از سه نظریه بنیادی ما سرچشمه می‌گیرند. مکانیک کوانتومی سرعت محاسبات ماشین را تعیین می‌کند. نسبیت عام سقفی برای میزان اطلاعاتی می‌گذارد که ماشین می‌تواند به خاطر بسپارد. نظریه اطلاعات نیز هم سرعت ارتباطات را محدود می‌کند و هم مشخص می‌سازد که هزینه انرژی یک گام برگشت‌ناپذیر تا چه اندازه می‌تواند پایین باشد. هیچ نقشه راهی برای رسیدن به این محدودیت‌ها وجود ندارد و آن‌ها چه کسی در تلاش برای رسیدن به آن‌ها باشد و چه نباشد، پابرجا هستند. در مقایسه با این محدودیت‌ها، فرود تازه آغاز شده است.

فضای پیش رو

بزرگ‌ترین فاصله مربوط به سرعت محاسبات است: میان وضعیت فعلی فناوری و محدودیت آن، ۳۵ مرتبه بزرگی فاصله وجود دارد. این فاصله با تفاوت میان یک نانوثانیه و ۲۰۰ میلیون برابر عمر جهان برابری می‌کند. از میان این چهار فاصله، عبور از این یکی از همه دشوارتر است. برای پرکردن آن باید راه کاملاً متفاوتی برای ساخت رایانه پیدا کرد؛ رایانه‌ای که بتواند با تمام انرژی موجود در یک توده ماده محاسبه کند.

اگر رایانه‌های کوانتومی بتوانند هر درجه آزادی در یک توده ماده ــ هر اتم و هر شیوه حرکت یا چرخش آن ــ را به یک عنصر محاسباتی تبدیل کنند که بتوانیم با اطمینان دست‌کاری‌اش کنیم، می‌توانند بخشی از این مسیر را بپیمایند. اما در عمل، رایانه‌های کوانتومی کنونی مسیر عکس را می‌روند و برای ساخت هر عنصر محاسباتی، مقدار زیادی ماده مصرف می‌کنند. برای ساخت هر بیت کوانتومی، یا کیوبیت، یعنی همتای کوانتومی بیت در یک رایانه معمولی، به تریلیون‌ها اتم نیاز است. از آنجا که هر کیوبیت شکننده است، باید ده‌ها تا هزاران کیوبیت را به هم پیوند داد تا یکی از آن‌ها برای محاسبات کاربردی به‌اندازه کافی قابل‌اعتماد شود.

محدودیت انرژی از همه به کف نزدیک‌تر است. تراشه‌های امروزی کمتر از شش مرتبه بزرگی بالاتر از حداقل لاندائر کار می‌کنند. منطق محاسباتی متعارف فقط می‌تواند بخشی از این فاصله را پر کند. برای آنکه یک کلید قابل‌اعتماد باشد، باید با انرژی‌ای به‌اندازه کافی بالا تغییر وضعیت دهد تا نوسانات گرمایی نتوانند آن را تصادفی تغییر دهند. همین حاشیه، ترانزیستور را صرف‌نظر از شیوه بهبود آن، بین صد تا چند هزار برابر بالاتر از حد لاندائر نگه می‌دارد.

اما ایده‌هایی برای کاهش این انرژی با تغییر فیزیک محاسبات وجود دارد. چارلز بنت، از IBM، در سال ۱۹۷۳ نشان داد که می‌توان هر محاسبه‌ای را طوری سازمان داد که هیچ‌چیزی دور ریخته نشود. چنین محاسبات برگشت‌پذیری هیچ هزینه‌ای برای پاک‌کردن اطلاعات نمی‌پردازند، چون می‌توان هر گام را معکوس کرد و داده‌های ورودی را بازیابی کرد.

این رویکرد «منطق آدیاباتیک» یا «منطق برگشت‌پذیر» نام دارد و اکنون نخستین تلاش‌های تجاری برای آن در جریان است. برای نمونه، Vaire Computing، استارتاپی که با هدف تجاری‌سازی منطق برگشت‌پذیر تأسیس شده، نخستین تراشه خود را در سال ۲۰۲۵ آزمایش کرد؛ این تراشه مدارهای تشدیدی دارد که بخشی از انرژی سوئیچینگ را بازیابی می‌کنند، نه اینکه آن را به شکل گرما آزاد کنند.

در همین حال، کم‌کردن فاصله با حداکثر چگالی حافظه مستلزم ساخت دستگاه‌هایی است که در مقیاس مولکولی از هر سه بُعد استفاده کنند. DNA ملموس‌ترین نمونه است؛ این مولکول اطلاعات را در مقیاس اتم‌های خودش ذخیره می‌کند و زیست‌شناسی چهار میلیارد سال است که از آن به‌عنوان رسانه ذخیره‌سازی بهره می‌برد. فاینمن، با نگاهی محافظه‌کارانه، حدس می‌زد که هر بیت به مکعبی با ۱۲۵ اتم نیاز داشته باشد. DNA آن را در حدود ۳۰ اتم جا می‌دهد. چیزی که مانع استفاده از ذخیره‌سازی DNA در مراکز داده شده، نه چگالی آن، بلکه هزینه و سرعت نوشتن اطلاعات روی آن است؛ این دو عامل هنوز چندین مرتبه بزرگی با هر چیز کاربردی فاصله دارند. کتابخانه‌ای که فاینمن تصور می‌کرد در ذره‌ای غبار جا شود، از نظر فیزیکی ممکن است و تنها ساخت آن مانع دارد.

ارتباطات حدود شش مرتبه بزرگی ــ یعنی تنها ضریبی یک‌میلیونی ــ با حد خولِوو فاصله دارد؛ آستانه‌ای که احتمالاً صنعت زودتر از بقیه به آن خواهد رسید. تعداد اتصالات بین‌تراشه‌ای سریع‌تر از توان تأمین برق شبکه در حال افزایش است؛ بنابراین صنعت به‌سوی فرستنده‌ها و گیرنده‌هایی می‌رود که به‌ازای هر بیت انرژی کمتری مصرف می‌کنند. Nvidia و Broadcom اکنون اتصالات نوری‌ای عرضه می‌کنند که درست در کنار سیلیکون ساخته شده‌اند، به‌طوری‌که سیگنال از همان ابتدا، در قالب فوتون، از بسته تراشه خارج می‌شود. در مقابل، رایانه‌های کوانتومی کم‌کم به اتصالاتی متکی می‌شوند که اطلاعات را در قالب سیگنال‌های کوانتومی، معمولاً به شکل تک‌فوتون، رمزگذاری می‌کنند. هم‌زمان با کاهش منابعی که اتصالات کلاسیک برای هر بیت مصرف می‌کنند، این فناوری‌ها به محدوده‌ای نزدیک می‌شوند که اتصالات کوانتومی هم‌اکنون در آن کار می‌کنند. حد خولِوو جایی است که این دو به هم می‌رسند.

میان کف و سقف

منصفانه است اگر کسی بگوید فاصله‌ای به‌اندازه ۳۵ مرتبه بزرگی سرابی بیش نیست؛ محدودیتی چنان دوردست که چیزی درباره عملکرد هر ماشین واقعی در آینده به ما نمی‌گوید و اشاره به آن مانند راه‌یابی با نگاه‌کردن به افق است. این ایراد بی‌پایه نیست. منطق برگشت‌پذیر، رایانش کوانتومی و ذخیره‌سازی DNA هر سه، ۴۰ سال است که همواره «۱۰ سال دیگر» با ما فاصله دارند. و احتمالاً هرگز ساخت رایانه‌ای که از تمام انرژی موجود در یک توده ماده استفاده کند، عملی نخواهد بود.

اما این فاصله‌ها دعوتی برای پیشرفت‌اند. یک سقف وجود دارد که آنچه می‌توانیم بسازیم تعیینش می‌کند: شمار دستگاه‌هایی که می‌توانیم تولید کنیم؛ توانی که می‌توانیم برای به‌کارانداختن آن‌ها فراهم کنیم؛ و سرمایه، زمین و آب خنک‌کننده‌ای که می‌توانیم در یک سامانه واحد گرد هم آوریم. در سوی دیگر، کفی هست که مشخص می‌کند از هر ژول، هر ثانیه و هر گرم ماده تا چه اندازه می‌توان برای محاسبه، ذخیره‌سازی یا انتقال اطلاعات بهره گرفت. می‌توانیم با ساختن دستگاه‌های بیشتر یا نزدیک‌شدن به کف پیشرفت کنیم؛ یعنی هر دستگاه را وادار کنیم با منابع کمتر، کار بیشتری انجام دهد.

این فاصله‌ها دعوتی برای پیشرفت‌اند. می‌توانیم با ساختن دستگاه‌های بیشتر یا نزدیک‌شدن به کف پیشرفت کنیم؛ یعنی هر دستگاه را وادار کنیم با منابع کمتر، کار بیشتری انجام دهد.

در بیشتر سال‌های قرن گذشته، هر دو مسیر را هم‌زمان پیمودیم. رایانه‌های بیشتری ساختیم و خود رایانه‌ها نیز کوچک‌تر و بهتر شدند. اکنون عمدتاً فقط تعداد بیشتری رایانه می‌سازیم و سقف دارد از راه می‌رسد. شبکه برق فقط توان انتقال تعداد معینی گیگاوات را دارد و هر منطقه نیز فقط می‌تواند مقدار مشخصی زمین و آب در اختیار بگذارد. بااین‌حال، همه نقشه‌های راه آینده از یک نقطه آغاز می‌شوند: ماشین‌هایی که همین حالا داریم. با ساختن نمونه‌های بیشتر از آن‌ها به‌سوی سقف می‌رویم؛ با ساختن ماشین‌های بهتر کمی پایین‌تر می‌رویم، اما فقط تا کف خود ترانزیستور. مسیر سومی هم وجود دارد: کار را با آزمایشی فیزیکی آغاز کنیم که در کفِ محدودیت‌ها کار می‌کند و از آنجا رو به بالا بسازیم.

این کار پیش‌تر انجام شده است. ترانزیستور پیش از آنکه به صنعتی تبدیل شود، یک آزمایش فیزیکی بود؛ لیزر پیش از آنکه گفت‌وگوهای جهان را از زیر اقیانوس‌ها منتقل کند، کنجکاوی‌ای آزمایشگاهی بود؛ و مقاومت مغناطیسی بزرگ از یک کشف فیزیکی، در کمتر از یک دهه به هدخوان همه درایوهای دیسک تبدیل شد. در هر مورد، آزمایش فیزیکی نخست انجام شد و نشان داد چه چیزی ممکن است؛ سپس مهندسان آن را به ماشینی تبدیل کردند که می‌توان آن را در مقیاس بزرگ‌تر ساخت. کاری که باقی مانده، ساخت آزمایش‌هایی است که در این محدودیت‌های بنیادی کار می‌کنند و سپس بزرگ‌کردن مقیاس آن‌ها بدون ازدست‌دادن عملکردشان است. ماشین‌های بعدی از راه فرود به دست نمی‌آیند؛ آن‌ها از پایین به بالا ساخته خواهند شد. هنوز در پایین فضای زیادی هست.

Volkan Gurses پژوهشگر پسادکتری در MIT و پژوهشگر مهمان در Nvidia است. او دکترای مهندسی برق خود را از Caltech گرفته است. گورسس محدودیت‌های بنیادی فیزیکی فناوری‌های اطلاعاتی را بررسی می‌کند و مدارها و سامانه‌های یکپارچه‌ای می‌سازد که به این محدودیت‌ها نزدیک می‌شوند.