طی دو دهه‌‌ی گذشته، میلیون‌‌ها نفر در سرتاسر جهان از فعالان سیاسی و زیست‌‌محیطی گرفته تا انقلابیون و نظریه‌‌پردازان، تلاش کرده‌‌اند تا مانع از حرکت جهان به‌‌سوی قطبیدگی اقتصادی و فروپاشی اکولوژیکی شوند؛ تلاشی که علی‌‌رغم هیاهوی بسیار تاکنون دستاورد چشمگیری به‌‌همراه نداشته و از دیدگاه انتقادی‌‌تر، چه‌‌بسا با شکست‌‌هایی نیز مواجه شده است. اما شاید جست‌وجوی علت این ناکامی در روش اعمال فشار معترضین یا مواضع سیاسی دولتمردان امری بیهوده باشد. شاید آن‌‌گونه که از نتیجه‌‌ی گفتمان‌‌های اخیرمان درباره‌‌ی تغییرات اقلیمی برمی‌‌آید، زمان آن رسیده که در نگرش ناقص خود درباره‌‌ی فناوری و اقتصادی بازنگری کنیم.

باید پذیرفت که تغییرات اقلیمی تنها پیامد روند افزایش انتشار گازهای گلخانه‌‌ای نیست. این روند روزبه‌‌روز ما را بیش‌‌تر گرفتار پدیده‌‌ای با نام «نگرانی اقلیمی» کرده است. در بسیاری از کشورها سطح نگرانی افکار عمومی از پیامدهای تغییرات اقلیمی به‌‌شدت رشد کرده است. هر روز با تیترهای خبری هولناک‌‌تری مواجه می‌‌شویم که یادآور سناریوی فیلم‌های آخرالزمانی هستند. دانشمندان سرتاسر جهان مدام هشدار می‌‌دهند که برای جلوگیری از آخرالزمان، میزان انتشار کربن در جهان باید طی ۱۰ سال به نصف میزان فعلی خود برسد. بسیاری از تحرکات اخیر زیست‌‌محیطی ما نظیر «جنبش انقراض» به‌‌خوبی گویای وحشت از اتفاقی است که انتظارمان را می‌‌کشد. اما واقعا ما باید چه می‌‌کردیم که نکردیم؟

بیش‌‌تر دانشمندان، سیاستمداران و صاحبان کسب‌‌وکار هنوز دل در گرو پیشرفت فناوری دارند. صرف‌‌نظر از اینکه چه ایدئولوژی‌ داشته باشیم، در میان ما یک توقع جمعی درمورد فناوری وجود دارد؛ ما همه انتظار داریم، فناوری جدید روزی بتواند انرژی‌‌های تجدیدپذیر (مانند خورشیدی و بادی) را جایگزین سوخت‌‌های فسیلی کند. برخی نیز به فناوری‌‌های پیشرفته‌‌تری اعتقاد دارند که قرار است دی‌‌اکسید کربن موجود در جو را جذب کند و در مرحله‌‌ی بعدی با «مهندسی زمین» اقلیم سیاره را دستکاری کند. تمامی چنین تفکراتی از این باور نشات می‌‌گیرد که ما می‌‌توانیم با حرکت به‌‌سمت فناوری جدید، تمدن خود را نجات دهیم. اما واقعیت آن است که فناوری، چوب جادو نیست. ما نیاز به حجم عظیمی پول داریم و این به‌‌معنای نیاز به مشاغل و منابع خارجی خواهد بود؛ موضوعی که ما حتی تمایل نداریم درباره‌ی آن بیندیشیم.

هزینه‌‌ی زندگی سبز

۹۰ درصد از انرژی موردنیاز جهان از منابع فسیلی تأمین می‌‌شود. در سال ۲۰۱۷، تنها ۰/۷ درصد از انرژی کل جهان از خورشید و ۱/۹ درصد آن از طریق باد تأمین شده است. اما چرا توقع ما برای گذار به‌‌سوی انرژی‌‌های تجدیدپذیر در بلندمدت منطقی نیست؟

برای بسیاری از افراد، مفهوم حمل‌‌ونقل خورشیدی کاملا تازگی دارد.

یکی از چالش‌‌های مطرح در این گذار، بحث محدودیت‌‌های اراضی موردنیاز برای استحصال انرژی تجدیدپذیر است. متخصصان انرژی می‌‌گویند که چگالی توان منابع تجدیدپذیر بسیار پایین‌‌تر از چگالی توان سوخت‌‌های فسیلی است. چگالی توان به میزان انرژی قابل‌‌استحصال در واحد سطح اطلاق می‌شود. پایین‌‌تر بودن این شاخص برای انرژی‌‌های تجدیدپذیر بدان معنی است که برای جایگزینی سوخت فسیلی با انرژی تجدیدپذیر نیاز به سطوح وسیعی روی زمین داریم.

در پاسخ به این انتقادات، برخی از مزیت انرژی خورشیدی در بهره‌‌گیری از اراضی لم‌‌یزرع و بلااستفاده نظیر بیابان‌‌ها و صحراها سخن می‌‌گویند. اما تردید درمورد توجیه‌‌پذیری اقتصادی چنین طرح‌‌هایی همواره مانع از سرمایه‌‌گذاری عظیم جهانی شده است. به‌‌عنوان نمونه‌‌ای از این طرح‌‌های ناموفق می‌‌توان به پروژه‌‌ی  ۴۰۰ میلیارد یورویی Desertec اشاره کرد که با خروج تدریجی سرمایه‌‌گذاران به‌‌کلی متوقف شد.

امروزه بزرگ‌‌ترین پروژه‌‌ی انرژی خورشیدی جهان مربوط به نیروگاه خورشیدی ورززات در مراکش است. این نیروگاه مساحتی به‌‌اندازه‌‌ی ۲۵ کیلومترمربع را پوشش می‌‌دهد و ۹ میلیارد دلار هزینه دربرداشته است. نیروگاه یادشده می‌‌تواند انرژی موردنیاز یک میلیون نفر را تأمین کند. این بدان معنی است که برای تأمین برق تمام این کشور نیاز به ۳۵ پروژه‌‌ی مشابه دیگر با مجموع سرمایه‌‌ای بالغ‌‌بر ۳۱۵ میلیارد دلار خواهیم داشت. حتی اگر نخواهیم به حجم عظیم این سرمایه‌‌گذاری و نحوه‌‌ی تأمین آن بیندیشیم، باز هم نمی‌‌توان از اثرات قابل‌‌توجه این مزارع وسیع روی کاربری اراضی و مناظر طبیعی غافل شد.

کاهش چشمگیر قیمت پنل‌‌های خورشیدی در سال‌‌های اخیر به‌‌طور عمده، نتیجه‌‌ی انتقال خطوط تولید این تجهیزات به آسیا بوده است. حال پرسش اینجا است که آیا تلاش اروپا و آمریکا برای دستیابی به پایداری انرژی باید به‌‌ بهای سوءاستفاده از نیروی کار ارزان، منابع نایاب و تغییر کاربری زمین‌‌های پرارزش در نقاط دیگر جهان تمام شود؟ در کنار همه‌‌ی این موارد، ما باید این پرسش را از خود بپرسیم که آیا استفاده از انرژی تجدیدپذیر واقعا عاری از انتشار هرگونه کربن است؟

ساخت، نصب و نگه‌داری توربین‌‌های بادی و نیروگاه‌‌های هسته‌‌ای خود به‌‌شدت وابسته به مصرف سوخت‌‌های فسیلی است و هر واحد انرژی برق تولیدشده از منابع غیرفسیلی جایگزین تنها یک‌‌دهم از هر واحد انرژی برق تولیدشده از منابع فسیلی خواهد شد. با این نرخ رشد ضعیف، باید اقرار کرد که انقلاب تجدیدپذیر با سرعت بسیار کم‌‌تری از آنچه تصور می‌‌شد، در حال وقوع است.

در همین بحبوحه، غلظت CO2 در اتمسفر همچنان به روند صعودی خود ادامه می‌‌دهد. از آنجا که این روند توقف‌‌ناپذیر به نظر می‌‌رسد، بسیاری امیدوار هستند که فناوری بتواند CO2 خروجی واحدهای نیروگاهی و صنعتی را به‌‌دام بیاندازد و معدوم کند.

شاید گفتن این نکته چندان خوشایند نباشد؛ اما واقعیت این است که پنل‌‌های خورشیدی نیز امروزه با مصرف سوخت‌‌های فسیلی تولید می‌‌شوند. حتی با فرض اینکه تمام برق مصرفی ما از منابع تجدیدپذیر تأمین شوند، باز هم برقی‌‌کردن کل ناوگان وسایل‌‌ نقلیه‌‌ی هوایی و دریایی هنوز مفهومی دور از دسترس است. به‌‌همین ترتیب، برخی از صنایع زیرساختی ما نظیر تولید سیمان و فولاد (که ازقضا برای احداث ساختگاه‌‌های تجدیدپذیر خود بدان وابسته هستیم) نیز همچنان مقادیر عظیمی گازهای گلخانه‌‌ای تولید خواهند کرد.

نیروگاه خورشیدی ورززات در مراکش با وسعتی معادل ۲۵ کیلومترمربع تنها ۱/۳۵ نیاز انرژی الکتریکی این کشور را تأمین می‌‌کند.

حامیان برخی برنامه‌‌های محرک اقتصادی نظیر Green New Deal نوعی باور تزلزل‌‌ناپذیر مبنی بر توانایی مهندسان جهان در حل بحران اقلیمی دارند. استدلال چنین دیدگاه‌‌هایی آن است که با اعمال یک تحول عظیم به‌‌سوی توسعه‌‌ی انرژی‌‌های تجدیدپذیر و سرمایه‌‌گذاری سنگین در زیرساخت‌‌های جدید می‌‌توان زمینه را برای رشد یک اقتصاد جهانی سبز فراهم کرد.

معضل فناوری جهانی

به نظر می‌‌رسد اجماع جهانی بر آن است که می‌‌توان معضل تغییرات اقلیمی را تنها با جایگزینی یک فناوری انرژی با انواعی جدیدتر حل‌‌وفصل کرد. اما بینش تاریخی ما می‌گوید که هر ایده‌‌ی فناورانه‌‌ای به‌‌طور گسست‌‌ناپذیری با شیوه‌ی تأمین سرمایه در ارتباط است. به همین علت است که نمی‌‌توانیم به‌‌ همان‌‌ سادگی که تصور می‌‌کنیم، دست به بازطراحی بزنیم. گذار از یک فناوری بنیادین در بخش انرژی تنها شامل یک جایگزینی ساده در زیرساخت‌‌ها نمی‌‌شود؛ بلکه دربرگیرنده‌‌ی تغییر در کل نظام اقتصادی جهان خواهد بود. به‌‌عنوان مثال، تصور رایج این است که موتور بخار تنها یک ابداع مبتکرانه برای مهار انرژی زغال‌‌سنگ بوده است. شاید این تصور تاحدودی صحیح باشد؛ اما احداث آن کارخانجات عظیم مبتنی‌‌بر موتورهای بخار در قرن نوزدهم نمی‌‌توانست بدون شکل‌‌گیری مثلث تجاری سه قاره و تجارت برده، کتان و منسوجات ممکن شود. فناوری موتور بخار تنها یک ابداع مهندسی در نظام طبیعت نبود؛ بلکه این فناوری (به‌‌مانند تمام فناوری‌‌های پیچیده‌‌ی دیگر) به‌‌صورت تنگاتنگی با نیاز ما برای مبادلات جهانی پیوند داشت.

وابستگی فناوری به ارتباطات اجتماعی جهان تنها با پول قابل‌تعریف نیست. حیات فناوری موتور بخار وابسته به نیروی انسانی و منابع سرمایه‌‌گذاری‌‌شده در تولید الیاف کتان در آمریکا، تولید زغال‌‌سنگ در بریتانیا و استخراج سنگ آهن در سوئد بود. بنابراین باید گفت، فناوری مدرن محصولی از متابولیسم یک جامعه‌‌ی جهانی است و نه یک کشف ساده از قوانین جاری در طبیعت.

هر واحد انرژی برق تولیدشده از منابع غیرفسیلی جایگزین تنها یک‌‌دهم از هر واحد انرژی برق تولیدشده از منابع فسیلی خواهد شد.

بسیاری بر این باور هستند که درصورت دراختیار داشتن فناوری صحیح دیگر نیازی به کاهش حمل‌‌ونقل یا صرفه‌‌جویی در مصرف انرژی نیست و اقتصاد جهانی نیز می‌‌تواند کماکان به رشد خود ادامه دهد. اما آیا این تصور چیزی جز یک توهم است؟

شاید ما معنای واقعی فناوری را درک نکرده باشیم. ظهور خودروهای برقی و بسیاری دیگر از تجهیزات پاک دیگر ممکن است بسیار امیدبخش باشند؛ ولی در نگاه دقیق‌‌تر این فناوری‌‌ها تنها دسیسه‌‌ای هستند تا توجه ما از مسئولیت زیست‌‌محیطی و شغلی پنهان در پس این تولیدات منحرف شود؛ ما در پس ظاهر شیک و دلپذیر خودروهایی بدون اگزوز و دود، دیگر قادر به دیدن شرایط کاری سخت کارگرانی نیستیم که در معادن کشورهایی مانند کنگو و مونگولیا مشغول به کار هستند. از دید خیل عظیم هواداران فناوری سبز، این خودروها تنها محصولی از پایداری و زیبایی است؛ اما آنچه در پس‌‌زمینه روی می‌‌دهد تثبیت نوعی جهان‌‌بینی عجین با کوته‌‌بینی است که ریشه‌‌ی آن به دوران اختراع موتور بخار باز می‌‌گردد.

آیا هدف غایی از این تلاش‌‌ها نباید پایان‌‌دادن به چرخه‌ی معیوب تولید و مصرف نظام سرمایه‌‌داری باشد؟ اگر چنین است، چه قدمی باید برداشت؟

از آنجا که بشر همواره به‌‌دنبال معامله‌‌ی هرچیزی با قدرت پول بوده است؛ از این رو، مردم نیز همواره به‌‌دنبال سودآورترین معامله‌‌ی ممکن هستند. پس طبیعی است که نتیجه‌‌ی چنین فرایندی نهایتا منجر به استخدام نیروی کار با حداقل دستمزد و استخراج منابع از کشورهای کمتر توسعه‌‌یافته باشد.

شکی نیست که بسیاری از جنبش‌های فعلی نظیر تانبرگ یا جنبش انقراض با نیاتی خیراندیشانه شکل گرفته‌‌اند؛ اما مطالبات واقعی این جنبش‌‌ها همچنان در پرده‌‌ای از ابهام قرار دارد. هواداران چنین جنبش‌‌هایی نیز مانند بسیاری از افراد عادی تنها می‌‌خواهند انتشار گازهای گلخانه‌‌ای متوقف شود؛ اما به نظر می‌‌رسد آن‌‌ها نیز دچار این خطای شناختی شده‌‌اند که موضوع گذار انرژی در جهان با مقتضیات فعلی نظام اقتصادی، بازارهای جهانی و تمدن مدرن ما هیچ‌‌گونه منافاتی ندارد.

بازطراحی زمین بازی

برای اینکه بهتر بتوانیم درک کنیم که مشکل بنیادین ما، تصور غلط مبتنی‌‌بر کارکرد پول است، باید با روش‌‌های جایگزین داد و ستد آشنا شویم. ما باید درک کنیم که تمامی قراردادهای نظام پولی ما مانند قوانین بازی تخته نرد ساخته و پرداخته‌‌ی خود بشر است و بنابراین می‌‌توانند درصورت لزوم، بازطراحی شوند.

تعریف واحد پولی محلی نظیر پروژه‌‌ی «پوند بریستول» نمی‌‌تواند مشکل وابستگی ما را به واردات جهانی حل کند.

تنها راه تغییر این بازی چنین است که پایه‌‌ای‌‌ترین قوانینش را از نو طراحی کنیم. صرف‌‌نظر از اینکه از فعالان زیست‌‌محیطی باشید یا از منکران تغییرات اقلیمی، باید بدانید هر بار که اقدام به خرید خواربار ضروری خود می‌‌کنید، در واقع به تثبیت بیش‌‌تر نظام فعلی اقتصادی کمک کرده‌‌اید. تا وقتی در یک زمین بازی هستیم، به‌سختی می‌‌توانیم انگشت اتهام را به‌‌سوی دیگری دراز کنیم. ما با تبعیت از قوانین جاری، درواقع قدرت جمعی بالقوه‌‌ی خود را محدود کرده‌‌ایم.

برخی مراجع ذی‌‌صلاح در کنار پول رایج خود، اقدام به تعریف یک «واحد پولی متمم» می‌‌کنند. این واحد پولی به‌‌صورت یک درآمد پایه‌‌ی عمومی در جوامع توزیع می‌‌شود ولی با آن تنها می‌‌توان کالاها و خدماتی را خرید که در یک محدوده‌‌ی جغرافیایی خاص تولید شده باشند. البته این به‌‌معنای تعریف یک «واحد پولی محلی» (نظیر مفهوم سیستم معاملات بورس محلی) نیست. شما می‌‌توانید با پول محلی هر کالایی را در فروشگاه محلی خود بخرید؛ فارغ از اینکه این کالا در کجای دنیا تولید شده باشد. دادوستد با این واحد پولی، کوچک‌ترین اختلالی در توسعه‌‌ی سیستم فعلی بازارهای جهانی ایجاد نخواهد کرد. اما تعریف یک واحد پولی ویژه که با آن بتوان صرفا کالایی را خرید که در آن محل تولید شده باشد، عملا می‌‌تواند اختلالی هرچند کوچک در کارکرد ماشین جهانی‌‌سازی به‌‌وجود آورد.

چنین رویکردی عملا تقاضا برای حمل‌‌ونقل جهانی، یکی از بزرگ‌‌ترین منابع انتشار گازهای گلخانه‌‌ای را کاهش می‌‌دهد و در همین حال، تنوع، انعطاف‌‌پذیری و پیوستگی جامعه‌‌ی محلی را تقویت می‌‌کند. در چنین جامعه‌‌ای دیگر حقوق اندک و قوانین ضعیف زیست‌‌محیطی نمی‌‌تواند یک مزیت رقابتی در روابط تجاری محسوب شود.

البته بومی‌‌سازی اقتصاد در این سازوکار بدان معنا نیست که جوامع دیگر برای تأمین انرژی بیمارستان‌‌ها، رایانه‌‌ها و خانه‌‌های خود نیازی به کالایی مانند برق نخواهند داشت. اما می‌‌توان انتظار داشت که بخش بزرگی از زیرساخت‌‌های مبتنی‌‌بر سوخت فسیلی جهان که با هدف حمل کالاها و افراد طراحی شده بود، عملا از رده خارج شود.

در این سناریو، انرژی خورشیدی همچنان یکی از بخش‌‌های کلیدی آینده‌‌ی بشریت خواهد بود؛ البته لازمه‌‌ی تحقق چنین هدفی آن است که اقتصاد لاجستیک جهان به‌‌سوی حمل‌‌ونقل کالاهای ضروری آن هم در مسافت‌‌های کوتاه سوق یابد. باید بپذیریم که این باور و اعتقاد کورکورانه‌ نسبت‌‌به کارکرد فناوری نمی‌‌تواند ما را نجات دهد. برای افزایش شانس بقای سیاره باید اقتصاد را از نو طراحی کنیم. معضل فعلی ما فراتر از کارکردهای نظام سرمایه‌‌داری و تکیه بر توسعه‌‌ی اقتصادی است. مشکل اصلی از مفهوم پول و رابطه‌‌ی آن با فناوری نشات می‌‌گیرد.

تغییرات اقلیمی و سایر تهدیدهای پیش روی انسان امروزی بدان معنا نیست که باید دست از سوخت‌‌های فسیلی شست؛ ما باید فکری به حال ریشه‌‌ی اصلی مشکل یعنی ناپایداری مفهوم جهانی‌‌سازی کنیم.

همه‌ی ما می‌دانیم که پردازنده یا CPU در حکم مغز یک کامپیوتر است، اما این عبارت واقعاً به چه معنی است؟ چه چیزی درون یک تراشه و در میان میلیاردها ترانزیستور اتفاق می‌افتد تا یک کامپیوتر به کار بیفتد و دستورالعمل‌های پیچیده را اجرا کند؟ در این مقاله قصد داریم به واکاوی یک CPU بپردازیم و هر آنچه از درون و بیرون باعث به‌کارافتادن یک پردازنده می‌شود را شرح دهیم. در این مقالات سعی خواهیم کرد مباحثی نظیر معماری کامپیوتر، اجزای سازنده‌ی تراشه، روشِ طراحی مدارهای پردازنده، مفهوم VLSI یا تجمیع در ابعاد بسیار بزرگ، ساخت فیزیکی تراشه و فناوری‌های مربوطه و خط‌مشی آینده‌ی اجرای محاسبات در کامپیوترها را پوشش دهیم.

چرخه‌ی اجرای دستورالعمل در یک پردازنده

بحث خود را با روش کار یک پردازنده و کارهایی که این قطعه‌ی سخت‌افزاری قادر به انجام آن است، شروع می‌کنیم و خواهیم دید که چگونه بلوک‌های ساختاری در یک طراحی عملیاتی گرد هم می‌آیند. این بلوک‌های ساختاری شامل هسته‌های پردازنده، سلسله‌مراتب حافظه، پیش‌بینی‌گر انشعاب (Branch Prediction) و دیگر اجزا است.

ساده‌ترین توضیح پیرامون روش کار یک پردازنده، همان توضیح آشنایی است که به گوش همه‌ی ما رسیده است. پردازنده از یک سری دستورالعمل برای انجام پاره‌ای از اعمال روی مجموعه‌ای از ورودی‌ها پیروی می‌کند و نتایج خروجی‌ را بازمی‌گرداند. این عملیات‌ ممکن است شامل خواندن یک مقدار از حافظه، افزودن آن به مقداری دیگر و در نهایت بازگرداندن نتیجه به محل یا آدرس متفاوتی در حافظه باشد. محاسبه ممکن است پیچیده‌تر نیز باشد؛ مثلا به کامپیوتر بگوییم اگر حاصل  محاسبه‌ی قبلی بیشتر از مقدار صفر شد، دو عدد را بر یکدیگر تقسیم کن.

برای اینکه برنامه‌ای نظیر یک سیستم‌عامل یا یک بازی در کامپیوتر اجرا شود، آن برنامه که به‌صورت مجموعه‌ای از دستورالعمل‌ها در حافظه قرار دارد، برای اجرا در اختیار پردازنده قرار می‌گیرد. این دستورالعمل‌ها از حافظه بارگیری شده و در ساده‌ترین حالت ممکن، یکی پس از دیگری اجرا می‌شود تا روند اجرای برنامه پایان یابد. توسعه‌دهندگان نرم‌افزار برنامه‌های خود را با زبان‌های برنامه‌نویسی سطح بالایی نظیر C++ یا پایتون می‌نویسند که برای پردازنده به‌صورت خام قابل درک نیست. همان‌طور که می‌دانید، پردازنده‌ها فقط زبان صفرها و یک‌ها را متوجه می‌شوند، پس باید راهی پیدا کنیم که دستورالعمل‌ها یا کدهای هر برنامه و نرم‌افزار به چنین فرمتی تبدیل شوند.

کدهای برنامه‌ به مجموعه‌ای از دستورالعمل‌های سطح پایین با نام زبان اسمبلی ترجمه (کامپایل) و تبدیل می‌شوند که بخشی از معماری مجموعه دستورالعمل (‌ISA) یا به اختصار معماری پردازنده است. این همان مجموعه دستورالعمل‌هایی است که پردازنده برای درک و اجرای آن ساخته شده است. اصلی‌ترین معماری‌های مجموعه دستورالعمل یا به اختصار ‌ISAها شامل x86، آرم، MIPS، معماری PowerPC و RISC-V می‌شود. زبان‌های برنامه‌نویسی مختلف نحوه‌ی نگارش و قرارگیری کلمات و عبارات و کدهای متفاوتی دارند که به آن سینتکس گفته می‌شود؛ همان‌طور که زبان‌های سطح بالایی مثل C++ و پایتون سینتکس متفاوتی دارد، ‌ISA هم سینتکس جداگانه‌ای دارند.

مراحل تبدیل کدهای سطح بالای یک برنامه به زبان ماشین

معماری‌های مجموعه دستورالعمل به دو شاخه‌ی اصلی قابل تجزیه است؛ طول ثابت و طول متغیر. معماری RISC-V از دستورالعمل‌هایی با طول ثابت استفاده می‌کند؛ یعنی هر دستورالعمل تعداد بیت معین از پیش تعریف‌شده‌ای دارد که نوع آن دستورالعمل را تعریف می‌کند. در مقابل معماری x86 از دستورالعمل‌هایی با طول متغیر استفاده می‌کند. در معماری x86، امکان رمزنویسی (Encoding) دستورالعمل‌ها با روش‌های متفاوت و تعداد بیت‌های مختلف برای بخش‌های مختلف وجود دارد. به دلیل وجود چنین پیچیدگی، رمزگشایی (Decoding) دستورالعمل در پردازنده‌های x86 معمولاً با پیچیده‌ترین جزء در کل طراحی اجرایی می‌شود.

دستورالعمل‌های طول ثابت به دلیل ساختار متداول خود امکان رمزگشایی به مراتب ساده‌تری دارند، اما تعداد کل دستورالعمل‌هایی را که یک ‌ISA قادر به پشتیبانی از آن است، محدود می‌کند. در حالی که نسخه‌های متداول معماری RISC-V فقط چیزی در حدود ۱۰۰ دستورالعمل دارند و منبع باز هستند، معماری x86 یک دارایی فکری متعلق به اینتل است و و عدد دقیقی از تعداد دستورالعمل‌های این معماری در دسترس نیست. این باور وجود دارد که این معماری از چندهزار دستورالعمل پشتیبانی می‌کند؛ اما تعداد دقیق آن‌ها اعلام نشده است. باوجود تفاوت‌هایی که در میان معماری‌های مجموعه دستورالعمل وجود دارد، اصول زیربنایی تمامی آن‌ها ضرورتاً یکسان است.

مثالی از دستورالعمل‌های مربوط به معماری RISC-V، کدهای عملیاتی (Opcode) نگارش‌شده در سمت راست همگی ۷ بیتی (با طول ثابت) هستند و نوع دستورالعمل را تعیین می‌کند

اکنون مروری بر نحوه‌ی اجرای یک برنامه یا مجموعه‌ی کدهای نوشته‌شده‌ی آن توسط یک کامپیوتر خواهیم داشت. اجرای یک دستورالعمل در حقیقت شامل چند بخش اساسی است که در مراحل مختلف کار یک پردازنده به بخش‌های کوچکتری تجزیه می‌شوند. در ادامه این بخش‌های کلی با زبانی ساده تبیین خواهد شد.

اولین مرحله واکشی دستورالعمل (Fetch) از حافظه به پردازنده برای آغاز اجرا است. در مرحله‌ی دوم، دستورالعمل رمزگشایی (Decode) می‌شود تا پردازنده تشخیص دهد با چه نوع دستورالعملی سر و کار دارد. انواع زیادی از دستورالعمل‌ها شامل دستورالعمل‌های حسابی، دستورهای انشعاب و دستورالعمل‌های حافظه ممکن است برای اجرا در اختیار پردازنده قرار گیرد. به محض آنکه پردازنده دانست با چه نوع دستورالعملی سروکار دارد، عملوند‌های (Operand) مرتبط با دستورالعمل از حافظه یا ثبات‌های داخلی در CPU جمع‌آوری می‌شود. برای توضیح بیشتر، اگر بخواهیم طبق دستورالعمل، عدد A و عدد B را با یکدیگر جمع کنیم، تا زمانی‌که مقادیر دقیق عملوند‌های A و B مشخص نباشد، انجام عمل جمع ناممکن است. پس از آنکه پردازنده عملوندها را برای جایگذاری در دستورالعمل فراخواند، وارد مرحله‌ی اجرای دستورالعمل می‌شود که در آن عملیاتی روی مقادیر ورودی انجام می‌شود. این عملیات می‌تواند جمع اعداد ورودی، انجام یک عملیات دستکاری منطقی روی اعداد یا عبور دادن اعداد بدون اصلاح آن‌ها باشد. پس از محاسبه‌ی نتیجه ممکن است نیاز به دسترسی به حافظه برای ذخیره‌ی مقدار نتیجه باشد یا ممکن است پردازنده نتیجه را فقط در یکی از ثبات‌های داخلی خود نگه دارد. پس از ذخیره‌سازی نتیجه، پردازنده وضعیت المان‌های مختلف را به‌روزرسانی می‌کند و آماده‌ی اجرای دستورالعمل بعدی می‌شود.

بیشتر پردازنده‌های مدرن ۶۴ بیتی هستند؛ یعنی مقادیر داده‌ها را با پهنای باند ۶۴ بیتی از آدرس‌های حافظه و ثبات‌ها فرا می‌خوانند و مورد پردازش قرار می‌دهند و نتایج پردازش را به آدرس‌های حافظه باز می‌گردانند. بنابراین یک معماری پردازنده ۶۴ بیتی در مقایسه با یک مدل ۳۲ بیتی امکان فراخوانی و پردازش دو برابر داده را در آن واحد دارد.

توضیحاتی که در در مورد نحوه‌ی عملکرد یک پردازنده ارائه شد، بسیار خلاصه و ساده‌سازی شده بود. بیشتر پردازنده‌های مدرن مراحل معدود یادشده را برای افزایش بازدهی به دست‌کم ۲۰ مرحله‌ی خردتر تقسیم می‌کنند. به عبارت دیگر، هر چند یک پردازنده در هر چرخه‌ی کاری یا سیکل کلاک اجرای چندین دستورالعمل را شروع می‌کند، ادامه می‌دهد و به سرانجام می‌رساند؛ اما برای اجرای هر دستورالعمل از آغاز تا اتمام، ممکن است ۲۰ سیکل کلاک یا حتی بیشتر لازم باشد. به چنین مدلی در اصطلاح یک پایپ‌لاین اطلاق می‌شود. پر شدن یک خط لوله با سیال در جریان مدتی به طول می انجامد، اما پس از آن یک خروجی پایدار و ثابت از آن سیال به دست می‌آید. در پایپ‌لاین پردازنده، به‌جای سیال دستورالعمل‌ها به جریان می‌افتند.

چرخه‌ی کامل اجرای یک دستورالعمل فرایندی پیچیده و محاسبه‌شده است، اما این به‌معنای اجرای هم‌زمان تمامی دستورالعمل‌ها نیست. برای مثال عمل جمع با سرعت بسیار زیاد اجرا می‌شود؛ اما عملیات‌هایی مثل تقسیم یا بارگذاری از حافظه ممکن است صدها سیکل کلاک به طول بیانجامد. به‌جای معطل‌کردن کل ساختار پردازنده برای اتمام یک دستورالعمل کنداجرا، بیشتر پردازنده‌های مدرن به نحوی بدون پیروی از نظم و ترتیب خاص کار می‌کنند. به عبارت دیگر پردازنده تعیین می‌کند که اجرای چه دستورالعملی در زمانی معین بیشترین سودمندی را دارد و در عین حال سایر دستورالعمل‌هایی را که هنوز آماده اجرا نیست، بافر می‌کند. اگر دستورالعمل جاری هنوز آماده‌ی اجرا نباشد، پردازنده در خطوط کد به جلو پرش می‌کند و به‌دنبال به بخشی از دستورالعمل که آماده‌ی اجرا است می‌گردد.

برخی از پردازنده‌های مدرن امروزی، علاوه بر اجرای نامنظم دستورالعمل‌ها، روشی با نام معماری سوپراسکالر را به کار می‌بندند. با این روش در هر زمان معین، پردازنده در حال اجرای دستورالعمل‌های بسیاری در یک مرحله‌ی خاص از پایپ‌لاین (مثل مرحله‌ی واکشی، رمزگشایی، اجرا و ذخیره‌سازی) است. در عین حال ممکن است پردازنده منتظر صدها دستورالعمل دیگر برای آغاز اجرا باشد.

در شکل فوق، هر مربع رنگی نشان‌دهنده‌ی یک دستورالعمل (کد) در پایپ‌لاین، در انتظار ورود به آن یا اجراشده و خارج‌شده از پایپ‌لاین است. در هر مرحله از پایپ‌لاین کدهای متفاوتی در حال پردازش بوده و در عین حال ممکن است دستورالعمل‌های زیادی در بافر منتظر ورود به پایپ لاین باشند.

در اینجا بهتر است با مفهوم IPC که تأثیر به‌سزایی در سطح عملکرد یک پردازنده دارد، آشنا شویم. IPC مخفف عبارت Instruction per Clock است که مفهوم آن میانگین تعداد دستورالعمل‌های اجراپذیر در هسته‌های پردازنده در هر سیکل کلاک است. محاسبه‌ی IPC در یک ماشین کار نسبتا پیچیده‌ای است. برای انجام این کار مجموعه‌ای به‌خصوص از کدها برای اجرا به ماشین داده می‌شود و تعداد دستورالعمل‌های سطح ماشین برای تکمیل اجرای آن کدها محاسبه می‌شود. در گام بعد، با استفاده از زمان‌سنج‌های سطح بالا تعداد سیکل‌های کلاک موردنیاز برای کامل‌کردن آن تعداد دستورالعمل روی سخت‌افزار واقعی اندازه‌گیری می‌شود. با تقسیم تعداد دستورالعمل‌ها بر تعداد سیکل‌های کلاک اندازه‌گیری‌شده، رقم IPC ماشین مورد نظر محاسبه می‌شود. با ضرب IPC اندازه‌گیری‌شده در سرعت کلاک (بر حسب هرتز) و تعداد هسته‌های پردازنده، تعداد دستورالعمل اجراشدنی در هر ثانیه یا تعداد عملیات‌های ممیز شناوری محاسبه می‌شود که در هر ثانیه به‌وسیله‌ی پردازنده‌ی مدنظر اجراشدنی است. در نهایت، تعداد دستورالعمل‌های اجراشدنی به‌وسیله‌ی پردازنده در هر ثانیه که با واحد گیگافلاپس یا میلیارد عمل اعشاری در ثانیه بیان می‌شود، معیاری از سطح عملکرد پردازنده‌ی مدنظر است.

تعداد دستورالعمل‌های اجراپذیر در هر سیکل کلاک برای پردازنده عدد ثابتی نیست و بستگی به نحوه‌ی تعامل و برهمکنش نرم‌افزار و برنامه‌ی در حال اجرا با بخش سخت‌افزاری سیستم دارد. با وجود این، طراحان تراشه سعی می‌کنند، با تکیه بر روش‌هایی مانند استفاده از چندین واحد محاسبه‌گر منطقی (ALU) در هر هسته و پایپ‌لاین‌های دستورالعمل کوتاه‌تر، عدد IPC را در مقایسه با مقدار متوسط آن افزایش دهند.

مجموعه دستورالعمل‌ها (Instruction Set) نیز بر عدد IPC پردازنده تأثیرگذار است. هرچه مجموعه دستورالعمل‌ها ساده‌تر باشد، IPC پردازنده افزایش می‌یابد و هرچه با دستورالعمل‌های پیچیده‌تری روبه‌رو باشیم، بالتبع IPC کاهش پیدا می‌کند. بنابراین، IPC پردازنده برای اجرای محاسبات ممیز شناور با دقت واحد (FP32) در مقایسه با اجرای محاسبات با دقت مضاعف (FP64) عدد بزرگ‌تری است. آنچه میزان کارایی پردازنده را مشخص می‌کند، ترکیبی از IPC و سرعت کلاک و تعداد هسته‌ها است. با این حال، سازندگان پردازنده عموما عدد IPC را در مشخصات رسمی آن ذکر نمی‌کنند.

برای آنکه پردازنده به‌طور هم‌زمان قادر به اجرای دستورالعمل‌های زیادی باشد، ممکن است کپی‌های زیادی از هر مرحله پایپ‌لاین ایجاد کند. اگر پردازنده بداند که دو دستورالعمل به‌طور هم زمان آماده‌ی اجرا است و وابستگی بین آن‌ها وجود ندارد و نیازی به اتمام یکی و آغاز دیگری نیست، هر دو دستورالعمل را در یک زمان به اجرا در می‌آورد. یکی از راه‌های پیاده‌سازی این راهکار، پردازش چندرشته‌ای هم‌زمان (Simultaneous Multithreading ) یا SMT است. پردازنده‌های اینتل و AMD در حال حاضر از شیوه‌ی SMT دوخطی استفاده می‌کنند. در این پردازنده‌ها هر هسته‌ی فیزیکی به دو هسته مجازی تقسیم‌بندی شده و هر هسته‌ی به‌دست‌آمده یک ترد یا رشته نام‌گذاری می‌شود. بدین ترتیب هر هسته امکان اجرای دو جریان یا دو رشته دستورالعمل را به‌طور هم‌زمان خواهد داشت. IBM در حال توسعه‌ی پردازنده‌هایی با قابلیت اجرای SMT هشت خطی است.

مولتی تردینگ یا پردازش هم‌زمان چند رشته در هر هسته، باعث کاهش چشمگیر زمان اجرای دستورالعمل می‌شود

برای اجرای حساب‌شده‌ی چنین فرایندی، یک پردازنده علاوه بر هسته‌های اصلی از اجزای اضافی زیادی برخوردار است. صدها ماژول مجزا در یک پردازنده وجود دارد که هر یک هدف خاصی را برآورده می‌کنند. در این مقاله به جهت پرهیز از اطاله‌ی کلام تنها به بررسی دو قسمت اصلی حافظه کش و پیش‌بینی‌گر انشعاب بسنده خواهیم کرد. اجزای دیگری نظیر بافرهای بازآرایی، Register Alias Table و ایستگاه‌های رزرواسیون وجود دارد که در این مقاله از توضیح آن‌ها صرف‌نظر می‌شود.

مفهوم حافظه‌ی کش ممکن است کمی گیج‌کننده باشد، چرا که آن‌ها درست مثل رمِ سیستم یا درایو SSD داده‌ها را در خود ذخیره می‌کنند؛ اما آنچه باعث تمایز حافظه‌ی کش از قطعات مشابه خود می‌شود، سرعت بسیار بالاتر و تأخیر کمتر در دسترسی به داده‌ها است. هر چند حافظه‌ی رم سیستم بسیار سریع است، سرعت آن برای همگام‌شدن با فرآیندهای اجرای دستورالعمل پردازنده همچنان بسیار نارسا است. تأمین داده‌های مورد نیاز پردازنده از سوی حافظه‌ی رم ممکن است صدها سیکل کلاک به طول بیانجامد و امکان تغذیه‌ی به‌هنگام پردازنده‌ای که تنها در یک سیکل کلاک چندین دستورالعمل را اجرا می‌کند، با چنین سرعتی وجود ندارد. حالا اگر داده‌ها هنوز روی حافظه‌ی رم قرار نگرفته باشد، دسترسی به داده‌های مورد نیاز در حافظه SSD ده‌ها هزار سیکل کلاک به طول می‌انجامد. بدون وجود حافظه‌های به مراتب سریع‌تر کش، پردازنده از کار باز خواهد ماند.

سلسله مراتب و میزان تأخیر در دسترسی پردازنده به اجزای مختلف حافظه در سیستم

پردازنده‌ها به‌طور معمول ۳ سطح از حافظه‌ی کش را در خود دارند که بخشی از ساختاری با نام سلسله‌مراتب حافظه را شکل می‌دهد. کش سطح ۱ (L1) کوچک‌ترین و سریع‌ترین حافظه‌ی کش موجود در تراشه است، کش سطح ۲ (L2) از این نظر وضعیت متعادلی دارد و سومین سطح از حافظه‌ی کش (L3) کندترین و بیشترین بخشِ حافظه‌ی کش را به خود اختصاص می‌دهد. در سلسله مراتب حافظه‌ی یک پردازنده، ثبات‌های کوچک یک مرحله بالاتر از حافظه‌ی کش قرار دارد که در خلال محاسبه یک مقدار داده‌ی واحد (۱ بیت) را به خود می‌گیرد. این ثبات‌ها سریع‌ترین تجهیزات ذخیره‌سازی در یک سیستم کامپیوتری هستند که سرعت آن‌ها چندین‌برابر اجزای دیگر است. زمانی‌که کامپایلر برنامه سطح بالا را به زبان اسمبلی ترجمه می‌کند، بهترین راه به‌کارگیری این ثبات‌ها را نیز تعیین می‌کند.

زمانی‌که پردازنده داده‌ها را از حافظه فرامی‌خواند، ابتدا بررسی می‌کند آیا داده‌های مورد نظر در حال حاضر در کش سطح ۱ قرار گرفته یا خیر. اگر داده‌های مورد نظر در این کش قرار گرفته باشد، به سرعت و ظرف یکی دو سیکل کلاک در اختیار پردازنده قرار می‌گیرند. اگر داده‌ها در کش L1 قرار نگرفته باشند، پردازنده همین روال را در مورد کش سطح ۲ و سپس کش سطح ۳ پیگیری می‌کند. قطعات حافظه‌ی کش به نحوی پیاده‌سازی می‌شود که محتوای آن برای هسته کاملاً شفاف باشد. هسته تنها داده‌ها را در آدرس مشخصی از حافظه درخواست می‌کند و هر سطحی از حافظه‌ی کش که در سلسله مراتب، داده‌های مورد نظر را در خود ذخیره داشته باشد به‌سرعت پاسخ پردازنده را خواهد داد. با حرکت به سمت مراحل بعدی در سلسله مراتب حافظه، اندازه و میزان تأخیر حافظه عموماً تا چندین برابر افزایش می‌یابد. در آخر اگر پردازنده نتواند داده‌ها را در یکی از سطوح کش بیابد، به ناچار و با واسطه‌ی جزیی از پردازنده با نام کنترلر حافظه، به حافظه اصلی (رم) مراجعه خواهد کرد.

در یک پردازنده‌ی معمولی، هر هسته از دو جزء حافظه کش سطح یک برخوردار است؛ یکی از آن‌ها برای ذخیره‌‌ی داده و دیگری برای ذخیره‌ی دستورالعمل‌ها استفاده می‌شود. ظرفیت کش سطح یک در مجموع حدود ۱۰۰ کیلوبایت است و اندازه‌ی آن بسته به نوع تراشه، نسل و فناوری ساخت متغیر است. معمولاً هر هسته با یک کش سطح ۲ اختصاصی همراه می‌شود؛ گرچه گاه این قطعه از حافظه کش بین دو هسته به اشتراک گذارده می‌شود. ظرفیت کش سطح دو معمولاً از چند صد کیلو بایت تجاوز نمی‌کند. در نهایت کش سطح ۳ بین تمام هسته‌ها به اشتراک گذارده می‌شود و ظرفیتی معادل چند ده مگابایت دارد.

نحوه‌ی توزیع حافظه‌ی کش در بین هسته‌های پردازنده‌ای با معماری ذن AMD

وقتی یک پردازنده در حال اجرای یک قطعه کد است، دستورالعمل‌ها و مقادیر داده‌ای که به آن نیاز است، در حافظه‌ی کش ذخیره‌سازی شده یا به اصطلاح کش می‌شود. با این شیوه سرعت اجرا به‌طور چشمگیری افزایش می یابد؛ چرا که پردازنده برای دستیابی به داده‌های مورد نیاز خود نیازی به تعامل دائمی با حافظه‌ی اصلی ندارد. در مورد نحوه‌ی قرارگیری حافظه‌ی اصلی و SSD در زیر لایه‌های بعدی سلسله‌مراتب حافظه، در ادامه بیشتر صحبت خواهیم کرد.

گذشته از حافظه‌ی کش، یکی از بلوک‌های ساختاری کلیدی هر پردازنده‌ی مدرن بخشی است که پیش‌بینی‌گر انشعاب خوانده می‌شود. دستورالعمل‌های انشعاب شبیه به گزاره‌ی «اگر» برای یک پردازنده است. اگر شرایطی برقرار باشد (If True)، یک مجموعه از دستورالعمل‌ها اجرا می‌شود و اگر آن شرایط برقرار نباشد (If False)، مجموعه دستورالعمل دیگری به اجرا گذارده می‌شود. برای مثال دو مقدار عددی با یکدیگر مقایسه می‌شود و اگر آن دو مقدار برابر باشد، عملیات معینی اجرا می‌شود. حال اگر این دو مقدار نابرابر باشد، بایستی عملیات دیگری اجرا شود. چنین دستورالعمل‌های انشعابی به‌شدت در پایپ‌لاین رایج بوده و ممکن است حداکثر ۲۰ درصد تمامی دستورالعمل‌ها را دربرگیرد.

این دستورالعمل‌های انشعاب در ظاهر ممکن است چندان مسئله‌ی مهمی به نظر نرسد، اما در عمل چالشی بر سر راه عملکرد درست یک پردازنده است. از آنجایی که پردازنده در هر مقطع زمانی ممکن است در حال اجرای ۱۰ یا ۲۰ دستورالعمل به‌طور هم‌زمان باشد، دانستن اینکه چه دستورالعمل‌هایی باید به اجرا درآید، حائز اهمیت است. پنج سیکل کلاک برای شناسایی یک دستورالعمل انشعاب لازم است و ده سیکل کلاک دیگر باید طی شود تا مشخص گردد، آیا شرایط مورد نظر انشعاب برقرار هست یا نیست. در این بازه‌ی زمانی، پردازنده ممکن است پردازش ده‌ها دستورالعمل اضافی را بدون آنکه حتی بداند دستورالعمل‌های درستی (از نظر سازگاری با انشعاب) برای اجرا انتخاب شده‌اند، آغاز کند. 

برای غلبه بر این مشکل، تمامی پردازنده‌های رده‌بالا از تکنیکی با نام Speculation استفاده می‌کنند. با این شیوه پردازنده با برخورداری از واحدی به نام پیش‌بینی‌گر انشعاب دستورالعمل‌های انشعاب را تعقیب می‌کند و حدس می‌زند که آیا انشعاب معین اختیار خواهد شد یا خیر. اگر این پیش‌بینی درست از آب در بیاید، پردازنده از قبل، اجرای دستورالعمل‌های پس‌آیند سازگاری را آغاز می‌کند و عملکرد تسریع می‌شود و بهبود می‌یابد. اما اگر پیش‌بینی نادرست باشد، پردازنده روند اجرا را متوقف می‌کند، تمامی دستورالعمل‌های نادرستی که اجرای آن‌ها آغاز شده حذف می‌شود و مراحل اجرا از آخرین نقطه‌ی درست، از سر گرفته می‌شود.

طرح کلی معماری هسته‌ی Zen 2 و جایگاه پیش‌بینی‌گر انشعاب (بلوک سبزرنگ) در آن

پیش‌بینی‌گرهای انشعاب به نوعی پایه‌ای‌ترین اشکال یادگیری ماشین هستند؛ چرا که پیش‌بینی‌گر رفتار انشعاب‌ها را با جریان یافتن دستورالعمل‌ها در آن پیش‌بینی می‌کند. اگر پیش‌بینی‌گر به دفعات زیاد پیش‌بینی غلط انجام دهد، به‌زودی رویکرد درست را خواهد آموخت. دهه‌ها تحقیق در مورد فنون پیش‌بینی انشعاب سبب شده است که در پردازنده‌های مدرن امروزی، در بیش از ۹۰ درصد موارد پیش‌بینی‌های درستی انجام شود. تکنیک Speculation پردازنده را قادر به اجرای دستورالعمل‌هایی می‌کند که به‌جای قرار گرفتن در صفوف شلوغ داده، از قبل آماده‌ی پردازش است؛ در عین حال پردازنده را در معرض آسیب‌های امنیتی نیز قرار می‌دهد. حفره‌ی امنیتی مشهور Spectre حملات خود را از راه پیش‌بینی‌گر انشعاب و با نفوذی مبتنی ‌بر Speculation تحمیل می‌کند. بنابراین برخی از جنبه‌های این تکنیک باید بازبینی و بازطراحی شود تا از نفوذ دستورالعمل‌های غیر ایمن در پایپ‌لاین و نشتی اطلاعات حافظه جلوگیری به عمل آید؛ حتی اگر تأثیر کوچکی بر سطح عملکرد بگذارد.

معماری‌های مورد استفاده در پردازنده‌های مدرن، راهی دراز و پرفرازونشیب در خلال دهه‌های گذشته پیموده است. ابداعات و طراحی‌های هوشمندانه منجر به بهبود عملکرد و به‌کارگیری بهتر اجزای ناپیدای سخت‌افزاری می‌شود. تراشه‌سازان در مورد جزئیات فناوری‌های به‌کاررفته در روند ساخت پردازنده بسیار رمزآلود عمل می‌کنند و دانستن آنچه که دقیقاً درون یک پردازنده و در خلال اجرای دستورالعمل‌ها اتفاق می‌افتد، ناممکن است. با وجود این اصول کار پردازنده‌های کامپیوتر و استانداردهایی که در روند اجرای محاسبات در پردازنده‌ها رعایت می‌شود، نسبتا مشخص است. ممکن است اینتل دست به اقدامی مخفیانه برای بهبود عملکرد حافظه‌ی کش خود بزند یا AMD از یک واحد پیش‌بینی‌گر انشعاب پیشرفته با کارایی بهتر استفاده کند، اما در مجموع هر دو دست به اقدامات مشابهی می‌زنند.

آشنایی با عناصر سازنده و اجزای یک پردازنده

‌اکنون که با روش کار پردازنده‌ها آشنا شدیم، وقت آن است که وارد لایه‌های عمیق‌تر پردازنده شویم و با اجزا و بخش‌های داخلی آن آشنایی بیشتری پیدا کنیم. همان‌طور که احتمالا می‌دانید، پردازنده‌ها و دیگر مدارات دیجیتالی مجتمع از اجزایی با نام ترانزیستور ساخته شده‌اند. ساده ترین راه برای داشتن درکی از یک ترانزیستور تصور سوئیچی با سه پایه یا پین است. گیت منطقی وسیله‌ای الکترونیکی مرکب از یک یا چند ترانزیستور است که عملیات منطقی را روی داده‌های باینری (مرکب از ۰ و ۱) انجام می‌دهد. زمانی‌که گیت باز باشد، امکان عبور جریان الکتریسیته از درون ترانزیستور وجود دارد و با بسته‌شدن گیت، جریانی عبور نخواهد کرد. ترانزیستور درست به‌مانند کلید برق روی دیوار عمل می‌کند، اما بسیار کوچک تر و بسیار سریع‌تر است و توانایی کنترل جریان را نیز دارد.

در پردازنده‌های مدرن دو نوع ترانزیستور اصلی به کار می‌رود: نوع pMOS و نوع nMOS که به اختصار به آن انواع p و n نیز گفته می‌شود. ترانزیستور nMOS با شارژ شدن گیت یا تنظیم حالت High، امکان عبور جریان را فراهم می‌کند و ترانزیستور pMOS جریان را در صورتی عبور می‌دهد که گیت دشارژ شده یا روی حالت low تنظیم شود. با ترکیب این دو نوع ترانزیستور به طوری که یکی مکمل دیگری باشد، امکان ساخت گیت‌های منطقی CMOS وجود دارد. در این قسمت از مقاله قصد نداریم وارد جزئیات فنی و ظریف نحوه‌ی کار ترانزیستور‌ها شویم.

گیت منطقی یک وسیله‌ی ساده است که ورودی را دریافت کرده، عملیاتی را روی آن اجرا می‌کند و نتیجه را به‌عنوان خروجی به دست می‌دهد. برای مثال یک گیت AND خروجی خود را اگر و تنها اگر همه ورودی‌های گیت روشن باشد، روشن خواهد کرد. یک گیت NOT یا وارونگر (Inverter) خروجی خود را در صورتی روشن می‌کند که ورودی خاموش باشد. با ترکیب این دو گیت، یک گیت NAND یا NOT-AND تشکیل می‌شود که اگر و تنها اگر هیچ یک از ورودی‌ها روشن نباشند، خروجی خود را روشن می‌کند؛ البته گیت‌های دیگری نظیر  XOR ،NOR ،OR و XNOR نیز در مدارهای منطقی یافت می‌شود. در ادامه خواهیم دید که چگونه دو نوع گیت اساسی منطقی وارونگر و NAND با استفاده از ترانزیستور‌ها طراحی می‌شود.

گیت‌های منطقی NAND و وارونگر ترکیبی از سیگنال‌های ورودی، خروجی، ترانزیستورها و البته اتصال زمین است

در گیت وارونگر، یک ترانزیستور نوع pMOS در بالای گیت قرار می‌گیرد که به خطوط حامل توان متصل است و یک ترانزیستور nMOS در پایین گیت نقش اتصال زمین را بازی می‌کند. ترانزیستور‌های pMOS را روی نقشه مدار با دایره‌ی کوچکی که به گیت خود متصل است، نشان داده شده و ترانزیستورهای nMOS تنها به شکل یک پاره‌خط کوچک عمودی بیان می‌شود. از آن رو که ترانزیستورهای pMOS با خاموش بودن ورودی، جریان را عبور می‌دهند و ترانزیستورهای nMOS در صورت شارژ ورودی اقدام به هدایت جریان می‌کنند، می‌توان دریافت که سیگنال در Out (خروجی) گیت همواره مخالف سیگنال در In (ورودی) است.

در گیت NAND چهار ترانزیستور مختلف وجود دارد و امکان تغذیه با دو ورودی فراهم است. مادامی که دست‌کم یکی از ورودی‌ها خاموش باشد، خروجی گیت روشن است. اتصال ترانزیستور‌ها در قالب شبکه‌های ساده نظیر گیت‌های یادشده، همان فرآیندی است که برای طراحی گیت‌های منطقی بسیار پیچیده و مدارات تعبیه‌شده در یک پردازنده، مورد استفاده‌ی مهندسان تراشه‌ساز قرار می‌گیرد.

با بلوک‌های ساختاری به‌سادگی گیت‌های منطقی، داشتن درکی از نحوه‌ی ترکیب و تبدیل آن‌ها به یک تراشه محاسبه‌گر پیشرفته شاید سخت به نظر برسد. فرایند طراحی چنین تراشه‌هایی در برگیرنده‌ی ترکیب گیت‌های متعدد برای ساخت مداری کوچک است که توانایی انجام یک عمل محاسباتی ساده را دارد. پس از آن تعداد زیادی از این مدار‌های کوچک ترکیب می‌شود تا ساختاری برای انجام یک عمل پیچیده‌تر به دست آید. فرایند ترکیب اجزای جداگانه‌ی ساده‌تر نظیر انواع گیت‌های منطقی و ترکیب آن‌ها برای دستیابی به یک طراحی عملیاتی و در نهایت مدار مجتمعی که قادر به اجرای محاسبات پیچیده با سرعت بسیار بالایی باشد، دقیقا همان شیوه‌ای است که امروزه در ساخت پردازنده‌های مدرن کاربرد دارد. یک تراشه‌ی امروزی ساختاری مرکب از مدارهای منطقی بی‌شمار است که میلیاردها ترانزیستور را در خود جای می‌دهد.

در اینجا یک مثال ساده باعث درک بهتری از بحث می‌شود. می‌خواهیم روش کار مدار جمع‌کننده‌ی یک‌بیتی را مرور کنیم. این مدار ۳ مقدار ورودی را دریافت می‌کند که شامل مقدار A، مقدار B و سیگنال Carry-In است و دو خروجی شامل مقدار Sum و سیگنال Carry-Out به دست می‌دهد. در طراحی مبنا از ۵ گیت منطقی استفاده می‌شود. این گیت‌ها با یکدیگر لینک می‌شوند تا جمع‌کننده‌ای با هر اندازه‌ی دلخواه بسازند. در طراحی‌های مدرن پردازنده، اگرچه این فرایند با بهینه‌سازی برخی از مدارهای منطقی و سیگنال‌های حامل داده، پیشرفت‌های زیادی به خود دیده؛ اما اصول کار همچنان یکسان است.

طرحی از یک مدار منطقی جمع‌کننده‌ی یک بیتی

خروجی Sum در صورتی روشن می‌شود که یکی از مقادیر A یا B و نه هر دو روشن باشد یا سیگنال Carry-In وجود داشته و مقادیر A و B هر دو روشن یا هر دو خاموش باشد. سیگنال Carry-Out کمی پیچیده‌تر است. این سیگنال وقتی فعال می‌شود که A و B هر دو در یک زمان روشن شود یا سیگنال Carry-In موجود باشد و یکی از دو مقدار A یا B روشن باشد. برای اتصال چند جمع‌کننده‌ی یک بیتی برای ساخت یک جمع‌کننده با پهنای بیشتر، فقط باید سیگنال Carry-Out بیت قبلی را به سیگنال Carry-In بیت جاری متصل کرد. هرچه مدارها پیچیده‌تر باشد، ازدحام گیت‌های کوچک منطقی بیشتر می‌شود؛ اما آنچه گفته شد، ساده‌ترین راه برای جمع‌بستن دو عدد است. در پردازنده‌های مدرن از مدارهای جمع‌کننده‌ی پیچیده‌تری استفاده می‌شود و بررسی چنین مدارهایی از حوصله‌ی این مقاله خارج است. پردازنده‌ها علاوه بر مدارهای جمع‌کننده، دربرگیرنده‌ی واحدهایی برای انجام عمل تقسیم، ضرب و نسخه‌های اعشاری تمامی این اعمال حسابی است.

ترکیب رشته‌ای از گیت‌ها مشابه آنچه گفته شد، برای انجام پاره‌ای از عملیات‌ها روی مقادیر ورودی با نام منطق ترکیبی شناخته می‌شود. با این حال، این نوع منطق تنها شیوه‌ی شناخته‌شده در دنیای کامپیوترها نیست. اگر نتوان داده‌ها را ذخیره کرده یا وضعیت هر پارامتری را ردیابی کرد، استفاده از این شیوه چندان راه‌گشا نخواهد بود. برای اینکه امکان ذخیره‌سازی داده‌ها وجود داشته باشد، از منطق ترتیبی استفاده می‌شود. منطق ترتیبی با اتصال دقیق وارونگر‌ها و سایر گیت‌های منطقی به نحوی انجام می‌پذیرد که خروجی‌های هر گیت بازخوردی به ورودی آن‌ها ارائه دهد. از این حلقه‌های بازخورد برای ذخیره کردن یک بیت داده استفاده می‌شود و با نام رم استاتیک یا SRAM شناخته می‌شوند. عبارت رم استاتیک در مقابل رم دینامیک در حافظه‌های DRAM قرار می‌گیرد؛ چرا که در نوع استاتیک، داده‌های در حال ذخیره همواره به‌طور مستقیم به ولتاژ مثبت یا زمین متصل هستند.

روش استاندارد برای پیاده‌سازی یک بیت واحد SRAM استفاده از ۶ ترانزیستوری است که در شکل زیر ترسیم شده است. سیگنال بالایی WL که مخفف عبارت Word Line است، آدرس بوده و زمانی‌که اعمال شود، داده‌ی ذخیره‌شده در این سلول یک بیتی به Bit Line که با حرف BL مشخص شده، ارسال می‌شود. خروجی BLB یا Bit Line Bar درست مقدار وارون‌شده‌ی Bit Line است. دو نوع ترانزیستور را در این مدار می‌توان شناسایی کرد و دریافت که ترانزیستورهای M3 و M1 و در سوی دیگر M4 و M2 تشکیل یک گیت وارونگر را داده‌اند.

طرحی از یک مدار منطقی SRAM برای ذخیره‌سازی یک بیت داده

SRAM همان عنصری است که از آن برای ساخت حافظه‌های کشِ فوق سریع و ثبات‌های درون پردازنده استفاده می‌شود. این عنصر اگرچه بسیار پایدار است، اما برای نگه‌داری یک بیت داده نیاز به ۶ تا ۸ ترانزیستور دارد؛ بنابراین ساخت چنین مداری از دیدگاه هزینه، پیچیدگی و فضای موجود در تراشه در مقایسه با DRAM بسیار گران تمام می‌شود. حافظه‌های رم دینامیک، در نقطه‌ی مقابل، به‌جای استفاده از گیت‌های منطقی و ترانزیستورها برای ذخیره‌ی داده، از خازن‌های بسیار ریز استفاده می‌کنند؛ این حافظه‌ها را دینامیک می‌نامیم چرا که خازن مستقیم به جریان برق یا زمین متصل نیست و امکان تغییر ولتاژ آن به‌صورت دینامیک وجود دارد. در این حافظه‌ها تنها یک ترانزیستور واحد وجود دارد که از آن برای دسترسی به داده‌ی ذخیره‌شده در خازن استفاده می‌شود.

مدار حافظه‌ی DRAM شامل یک ترانزیستور و یک خازن برای ذخیره‌سازی یک بیت داده

‌از آنجایی که حافظه‌ی DRAM به ازای هر بیت داده تنها به یک ترانزیستور واحد نیاز دارد و طراحی آن بسیار مقیاس‌پذیر است، امکان ساخت حافظه‌های بسیار چگال و ارزان‌قیمت از این نوع وجود دارد. یکی از اشکالات رم دینامیک این است که ظرفیت شارژ خازن آنقدر کم است که به‌طور دائم باید از نو شارژ شود. به همین دلیل است که وقتی کامپیوتر خود را خاموش می‌کنید، تمامی خازن‌ها تخلیه می‌شود و هر آنچه در این حافظه بارگذاری شده، از دست می‌رود. ترکیبی از مدارهای کوچک شکل فوق در سطر و ستون‌های پرشمار ساختار حافظه‌ی DRAM سیستم را شکل می‌دهد.

شرکت‌هایی مثل اینتل، AMD و انویدیا طرحی دقیق از نحوه‌ی کار پردازنده‌های خود ارائه نمی‌کنند، بنابراین نمایش دیاگرامی کامل از مدار‌های منطقی یک پردازنده‌ی مدرن ناممکن است؛ با وجود این، مثالی که از یک مدار جمع‌کننده‌ی ساده زده شد، می‌تواند تصور مناسبی از نحوه‌ی کار یک پردازنده و چگونگی تجزیه‌ی آن به گیت‌های منطقی، عناصر ذخیره‌سازی و در نهایت ترانزیستورها  ایجاد کند.

اکنون که با روش کار و طرز ساخت بعضی از اجزای اساسی پردازنده‌ها آشنا شدیم، باید دریابیم که چگونه همه‌ی اجزا به یکدیگر متصل و با یکدیگر همگام می‌شوند. همه اجزای کلیدی یک پردازنده به عاملی با نام سیگنال کلاک متصل می‌شوند. این سیگنال در بازه‌های از پیش تعریف‌شده با نام فرکانس، بین دو حد بالا و پایین نوسان می‌کند. سیگنال کلاک توسط قطعه‌ای با نام مولد سیگنال (Signal Generator) که یک نوسان‌ساز الکترونیکی است، تولید می‌شود. نوسان‌ساز متشکل از برد مدارات پیزوالکتریک از جنس کوارتز یا سرامیک است. این مولد، سیگنالی با زمانبندی دقیق برای همگام‌سازی عملکرد مدارهای منطقی مختلف درون تراشه تولید می‌کند. مولد سیگنال سینوسی را در ورودی دریافت کرده و طی مراحلی آن را تبدیل به یک موج مربعی ساده‌ی متقارن یا موج پیچیده‌تری می‌کند و تحویل تراشه می‌دهد.

سیگنال کلاک ایده‌آل یک پردازنده‌ی کامپیوتری که به شکل یک موج مربعی تکرار شونده بین دو مقدار (ولتاژ) بالا و پایین است 

اجزای منطقی پردازنده همگام با اوج و فرود سیگنال دریافتی، مقادیر را تبدیل و جایگزین (سوییچ) کرده و محاسبات را اجرا می‌کنند. با همگام‌کردن تمامی اجزا با یکدیگر می‌توان اطمینان یافت که داده‌ها همواره با زمان‌بندی مناسبی تحویل و دریافت می‌شود، به‌طوری‌که هیچ خللی در کار پردازنده پدید نمی‌آید.

خوانندگان این مقاله ممکن است با مفهوم اورکلاکینگ آشنا باشند که در آن کلاک پردازنده به‌طور دستی یا از طریق متدهای نرم‌افزاری افزایش می‌یابد تا سطح عملکرد تراشه بهبود یابد. این بهبود سطح عملکرد ناشی از تسریع فرایند سوئیچ ترانزیستور‌ها و مدار‌های منطقی با سرعتی بیشتر از آن چیزی است که در طراحی پیش‌بینی شده است. از آنجایی که در هر ثانیه سیکل‌های کلاک بیشتری پیموده می‌شود، کار بیشتری قابل انجام است و پردازنده کارایی بالاتری دارد؛ هرچند این افزایش سطح عملکرد نقطه‌ی بیشینه‌ای دارد. فرکانس یا سرعت کلاک پردازنده‌های مدرن عددی بین ۳ تا ۴/۵ گیگاهرتز است و در طول یک دهه گذشته این رقم تغییر چندانی به خود ندیده است. درست همچون یک زنجیر فلزی که استحکام آن برابر با استحکام ضعیف‌ترین حلقه است، حداکثر سرعت کلاک عملیاتی یک پردازنده را کندترین بخش آن مشخص می‌کند. هر جزء واحد پردازنده با پایان یافتن یک سیکل کلاک بایستی عملیات مقرر را به اتمام رسانده باشد. اگر در این بازه‌ی زمانی بخشی از پردازنده قادر به تکمیل عملیات در حال اجرا نباشد، فرکانس کلاک برای آن پردازنده بیشتر از ظرفیت آن بوده و تراشه در این شرایط از کار بازخواهد ایستاد. طراحان این کندترین بخش تراشه را مسیر بحرانی (Critical Path) می‌نامند و این بخش تعیین‌کننده‌ی حداکثر فرکانس یک پردازنده است. تجاوز از یک فرکانس معین سبب می‌شود، ترانزیستور‌ها با سرعت کافی سوئیچ نشوند و اختلال در روند کار یا تولید خروجی‌های نادرست آغاز شود.

فرایند سوئیچ ترانزیستورها را می‌توان با افزایش ولتاژ تغذیه پردازنده تا حد معینی افزایش داد و افزایش بیش از حد ولتاژ خود ممکن است عامل ایجاد اختلال باشد. از سویی، افزایش بیش از حد ولتاژ خطر سوختن پردازنده را در پی دارد. با افزایش هر یک از دو عامل فرکانس یا ولتاژِ یک پردازنده گرمای بیشتری تولید می‌شود و توان مصرفی افزایش می‌یابد. علت این است که توان پردازنده مستقیماً متناسب با فرکانس (سرعت کلاک) و مجذور ولتاژ تغذیه است. برای تعیین توان مصرفی یک پردازنده، معمولاً هر ترانزیستور را به مثابه‌ی یک خازن کوچک تصور می‌کنیم که هنگام تغییر مقادیر، باید شارژ یا دشارژ شود.

تحویل توان پایدار به پردازنده گاه آنقدر مهم است که نیمی از پین‌های فیزیکی روی تراشه، تنها برای تأمین توان مصرفی مورد استفاده قرار می‌گیرد یا نقش اتصال زمین را ایفا می‌کند. بعضی تراشه‌ها ممکن است حین بارگذاری کامل بیش از ۱۵۰ آمپر جریان بکشند و هر میلی‌آمپر از این جریان باید با دقت و ظرافت زیادی مدیریت شود. در بیان حساسیت حجم توان مصرفی تراشه همین بس که هر پردازنده در واحد سطح میزان گرمایی بیشتر از یک راکتور هسته‌ای تولید می‌کند.

سیگنال کلاک در پردازنده‌های مدرن رقمی در حدود ۳۰ تا ۴۰ درصد مجموع توان مصرفی تراشه را به خود اختصاص می‌دهد؛ چرا که این تولید و حفظ و بهره‌برداری از این سیگنال بسیار پیچیده است و باید بخش‌های مختلف زیادی را به کار اندازد. برای صرفه‌جویی در مصرف انرژی، در طراحی‌هایی با بهره‌وری بالا اجزایی از تراشه که در حال استفاده نیست، خاموش می‌شود. این کار با خاموش‌کردن سیگنال کلاسیک در ورودی آن جزء (Signal Gating) یا قطع دسترسی به توان (Power Gating) عملیاتی می‌شود.

سیگنال کلاک چالش دیگری در طراحی پردازنده نیز به بار می‌آورد. با افزایش مداوم فرکانس کلاک پردازنده‌ها، موانع ناشی از قوانین فیزیک بیشتر می‌شود. اگر می‌توانستیم سیگنال کلاک را به یک سر تراشه متصل کنیم، در آن واحد سیگنال از سمت دیگر خارج می‌شد و فرصتی برای همگام‌سازی اجزا پدید نمی‌آمد. برای همگام‌سازی تمام اجزای تراشه، سیگنال کلاک با استفاده از ساختاری به نام H-Tree در سراسر تراشه توزیع می‌شود. این ساختار تضمین می‌کند که تمامی نقاط انتهایی، فاصله‌ی یکسانی از مرکز داشته باشند.

ساختار H-Tree برای حفظ و توزیع سیگنال کلاک در سطح پردازنده 

شاید طراحی تک به تک ترانزیستورها، سیگنال کلاک و اتصال توان در یک تراشه کاری بسیار پیچیده و ملال آور به نظر برسد و در حقیقت هم همینطور است. شرکت‌هایی مثل اینتل، کوالکام و AMD هزاران مهندس طراح تراشه دارند، اما حتی برای آن‌ها هم طراحی تمامی جنبه‌های عملی یک تراشه ناممکن است. این شرکت‌ها برای طراحی پردازنده‌های خود با آن گستردگی عظیم، از ابزارهای مختلف پیچیده‌ای استفاده می‌کنند تا طراحی‌ها و شماتیک‌های مدار مورد نظر را برای آن‌ها خلق کنند. این ابزارها شرح سطح بالایی از آنچه که هر یک از اجزای تراشه باید انجام دهد دریافت می‌کنند و در نهایت بهینه‌ترین پیکربندی سخت‌افزاری را برای برآورده‌کردن الزامات و سطح عملکرد مورد نظر به دست می‌دهند. تراشه‌سازان به سمت تکنیک جدیدی به نام High Level Synthesis گرایش یافته‌اند. این تکنیک به توسعه‌دهندگان اجازه خواهد داد تا سطح عملکرد مورد نظر خود را در قالب کدهایی بیان کنند و سپس کامپیوترها نحوه‌ی دستیابی بهینه به سخت‌افزار مورد نظر را می‌سنجند و در اختیار مهندسان قرار می‌دهند.

درست همان‌طور که برنامه‌نویسان برنامه‌های کامپیوتری را از طریق کد‌ها تعریف می‌کنند، طراحان هم می‌توانند سخت‌افزار را از طریق کد تعریف و شناسایی کنند. زبان‌های برنامه‌نویسی به‌مانند Verilog و VHDL توسعه یافته است که به طراحان سخت‌افزار اجازه می‌دهد، سطوح عملکرد مدارهای منطقی در حال ساخت را به زبانی قابل فهم برای ماشین بیان کنند. در مرحله‌ی بعد شبیه‌سازی، بررسی و اعتبارسنجی این طراحی‌ها انجام می‌پذیرد و اگر همه‌چیز مورد تأیید باشد، امکان سنتز و هم‌گذاری ترانزیستورهای خاص برای ساختن مدارات مورد نظر فراهم می‌شود. روند بررسی و اعتبارسنجی شاید به اندازه‌ی طراحی یک هسته یا قطعه‌ی کش جدید درخور توجه به نظر نرسد، اما به لحاظ منطقی از اهمیت بیشتری برخوردار است. به ازای هر مهندس طراحی که یک شرکت استخدام می‌کند، ممکن است پنج مهندس بررسی‌گر یا حتی بیشتر از آن استخدام شود.

بررسی و اعتبارسنجی یک طراحی جدید معمولاً زمان و هزینه‌ی بیشتری در مقایسه با ساخت تراشه‌ی فیزیکی واقعی می‌برد. شرکت‌ها زمان و پول زیادی را صرف بررسی و اعتبارسنجی طراحی‌ها می‌کنند؛ چرا که به مجرد آنکه تراشه‌ای به مرحله تولید رسید، دیگر فرصتی برای رفع عیوب احتمالی آن وجود ندارد. ایراد‌های نرم‌افزاری با انتشار وصله‌ها قابل رفع است، اما برای رفع ایراد‌های سخت‌افزاری غالباً راهکاری وجود ندارد. برای مثال اینتل در واحد تقسیم اعشاری برخی از پردازنده‌های پنتیوم خود باگی دارد که تا به امروز دو میلیارد دلار هزینه روی دست‌شان گذاشته است.

از دیدگاهی فراتر، تصور ساخت یک تراشه‌ی بسیار پیچیده با میلیاردها ترانزیستور و آنچه که همه آن‌ها در کنار هم انجام می‌دهند، بسیار سخت جلوه می‌کند. با وجود این اگر براساس دانسته‌هایی که از این مقاله به دست آوردیم،‌ هر پردازنده را مجموعه‌ای از اجزای ساده‌تر تصور کنیم که هر یک وظیفه‌ای با پیچیدگی کمتر را انجام می‌دهد، حل مسئله آسان‌تر می‌شود. ترانزیستورها گیت‌های منطقی را می‌سازند، ترکیبی از گیت‌های منطقی باعث تشکیل واحدهای عملیاتی می‌شود که هر یک وظیفه‌ی خاصی را اجرا می‌کنند و در نهایت این واحدهای عملیاتی به یکدیگر می‌پیوندند تا معماری‌های دستورالعملی را که در این مقاله در مورد آن‌ها صحبت کردیم، پیاده‌سازی کنند.

در قسمت دوم مقاله در مورد روش‌های ساخت فیزیکی تراشه‌های پردازنده و فناوری‌های ساخت آن‌ها صحبت خواهیم کرد و با خط‌مشی‌های کنونی و آینده‌ی توسعه‌ی معماری‌های کامپیوتری آشنا خواهیم شد.

دنیای استارتاپی و تصور زندگی کارآفرین‌های بزرگ برای بسیاری از افراد جذابیت دارد. صبحی که با ورزش و یک صبحانه‌ی سالم شروع می‌شود و احتمالا با سفر به‌وسیله‌ی دوچرخه، اسکوتر یا هر ابزار جذاب دیگر به محل کار ادامه پیدا می‌کند. کارآفرینی که انرژی خود را برای شروع یک روز کاری جدید جمع می‌کند و آینده‌ی روشنی را پیش‌روی چشمانش می‌بیند. او باید برای انواع روش‌های مدیریتی از چرخش، مقیاس‌دهی، ساختارشکنی تا بسیاری موارد دیگر استفاده کند تا دنیا به جایی بهتر برای زندگی تبدیل شود. اکثر افراد در کنار این چشم‌انداز زیبا تصور می‌کنند که کارآفرین‌ها، تنها با دنبال‌کردن رویاهای خود به موفقیت و درآمد می‌رسند.

آنچه خواندید، بخشی از کلیشه‌های همیشگی سیلیکون‌ولی محسوب می‌شود. در سال‌های اخیر پرداختن به این کلیشه‌ها به اوج خود رسیده است و امروز بیش از همیشه شاهد تبلیغ شدن‌شان هستیم. نگاهی به اینستاگرام یا حتی لینکدین کنید تا با سیلی از جمله‌های انگیزه‌بخش با هدف دنبال‌کردن رویاها روبه‌رو شوید. قطعا همه‌ی ما می‌خواهیم احساس شگفت‌انگیزی از کسب‌وکار خود داشته باشیم. به‌علاوه مقاومت و پشتکار اغلب به نتایج عالی ختم می‌شود. درنهایت ترک‌کردن شغل ثابت برای پیگیری رویای شخصی، برای هر شخصی جذاب به نظر می‌رسد.

ما شعارهای انگیزشی را در ترکیب با افراد موفق جهان، تشدید می‌کنیم. افراد تصور می‌کنند که اگر ۸۰ ساعت در هفته مشغول به فعالیت باشند و مسیر قهرمانان خود را دنبال کنند، احتمالا محصول و ابزار بزرگ بعدی را در دنیای فناوری خلق خواهند کرد. البته قطعا چنین نتیجه‌ای محتمل است، اما اغلب اتفاق متفاوتی رخ می‌دهد. چنین رویکردی اغلب باعث می‌شود که افراد باهوش، کسب‌وکاری را پیش از آماده‌بودن کامل، راه‌اندازی کنند.

آیتکین تانک، بنیان‌گذار JetForm، نظرات جالبی درباره‌ی تأسیس استارتاپ و دنبال‌کردن رویاها دارد. او با توضیح بخش‌های بالا، دنبال‌کردن رویا را ابزاری کافی برای موفقیت نمی‌داند و مفهوم بوت‌استرپ را به‌عنوان مسیر مناسب پیشرفت بیان می‌کند. او جت‌فرم را ۱۳ سال پیش تأسیس کرد که حتی گوگل هم از رقبای جدی برای تصاحب سهم بازار بود. اکنون آن‌ها پنج میلیون کاربر و ۱۴۰ کارمند دارند و آیتکین به‌هیچ‌عنوان دنبال‌کردن رویا را دلیل این موفقیت نمی‌داند. او بوت‌استرپ را به‌عنوان مسیر توسعه انتخاب کرد که در کنار ساختن کسب‌وکار مورد علاقه، آزادی و زندگی شخصی او را نیز حفظ کرد. بنیان‌گذار جت‌فرم در مسیر بوت‌استرپ درس‌های متعددی آموخت که در ادامه به ۶ مورد از آن‌ها می‌پردازیم.

شغل اصلی به‌عنوان موتور محرک کسب‌وکار

دیدگاه افراد به شغل باید چیزی فراتر از حقوق و مزایا باشد. اگر با یک کارمند صحبت کنید، قطعا به ریزه‌کاری‌ها و مهارت‌های متعددی پی می‌برید که برای حیات یک کسب‌وکار الزامی هستند. کار کردن در فضای یک شرکت همچنین درس‌های راهگشایی پیرامون ارتباطات، کار تیمی، مدیریت و کسب‌وکار به‌صورت کلی به شما می‌دهد. به‌علاوه شاید در همان شرایط کاری ایده‌ی استارتاپ به ذهنتان خطور کند که برای بسیاری از کارآفرین‌ها، همین اتفاق رخ داده است.

آیتکین داستان خود را برای توصیف شرایط کارمندی بیان می‌کند. او پس از دانشگاه به‌عنوان توسعه‌دهنده و به مدت پنج سال در یک شرکت رسانه‌ای مشغول به کار بود. نیروهای ویراستاری آن شرکت همیشه برای نظرسنجی، رای‌گیری، مسابقه و بسیاری موارد دیگر، به فرم‌های تحت وب شخصی‌سازی‌شده نیاز داشتند. ساختن فرم‌ها فرایندی خسته‌کننده و تکراری بود که او را به توسعه‌ی ابزاری راحت‌تر تشویق کرد. همین رویکرد درنهایت به ساخت JetForm انجامید.

پیداکردن راهی برای حل چالش‌ها

کلمه‌ی اشتیاق به‌اندازه‌ی کلیشه‌ی استارتاپ گسترش پیدا کرده است. امروز همه‌ی افراد به اشتیاق و موضوع مورد علاقه‌ی خود می‌اندیشند تا به‌عنوان ایده‌ی استارتاپ از آن استفاده کنند. دراین‌میان موفق‌ترین استارتاپ‌ها آن‌هایی هستند که مشکلی را از کاربران حل می‌کنند.

برخی کارشناسان کسب‌وکار اعتقاد دارند که بهترین ایده‌های استارتاپی نشان‌دهنده‌ی چیزی هستند که بنیان‌گذار آن‌ها می‌خواهد. از نظر آیتکین، ایده‌ها باید درباره‌ی نیازهای مردم (و نه بنیان‌گذاران) باشد. بنیان‌گذارها تنها باید توانایی ساختن محصول و راهکاری برای رفع آن نیاز را داشته باشند. شروع کردن با نیاز کنونی مردم، کارآفرین را در رقابت استارتاپی کیلومترها جلوتر از رقیبی قرار می‌دهد که تنها به اشتیاق خود می‌اندیشد.

رشد طبیعی

دنبال‌کردن رویاها اغلب به‌معنای مقیاس‌دهی پیش از اتمام سرمایه‌ی موجود استارتاپ است. ساعت معکوس پیشرفت یا شکست استارتاپ از همان زمانی تیک‌تاک می‌کند که استعفا از شغل روزمره را امضا می‌کنید. دراین‌میان آزمایش ایده به‌عنوان فعالیت جانبی و ادامه‌دادن آن تا زمان معقول شدن، رویکرد هوشمندانه‌تری خواهد شد. درنهایت بدون فشارهای سرمایه‌گذار یا اهداف بیش‌از‌حد بزرگ، هیچ‌کس تلاش خارق‌العاده‌ای برای رشد سریع و همه‌جانبه ندارد.

فعالیت بدون حضور سرمایه‌گذار، رشد طبیعی را آسان‌تر می‌کند. همان‌طور که گفته شد، فشار کمتری برای مقیاس‌دهی وجود دارد، اما قطعا کار زیادی نیاز خواهد بود. به‌علاوه زمان پیشرفت هم در مسیر بوت‌استرپ طولانی‌تر می‌شود. ساختن کسب‌وکار با استفاده از هزینه‌ی مشتریان و بدون نیاز به سرمایه‌گذار خطرپذیر، حساسیت بالایی دارد، اما به‌هرحال ارزش نهایی آن بیشتر خواهد بود. فراموش نکنید، کاربری که برای سرویس و محصول شما هزینه پرداخت می‌کند، به‌نوعی کسب‌وکار را تأیید کرده است.

یک فاکتور برای موفقیت

ما عموما از فاکتورهای موفقیت پوچ مانند جذب مشتری شگفت‌زده می‌شویم. به‌علاوه کارآفرین‌هایی را تحسین می‌کنیم که جذب سرمایه‌ی عظیم انجام داده‌اند. وقتی با استفاده از فرایند بوت‌استرپ کسب‌وکار خود را تأسیس کنید، تنها یک فاکتور برای شما مهم خواهد بود: سودآوری. سودآوری به‌بیان ساده یعنی درآمد شما بیشتر از هزینه‌ها باشد.

تعریف بالا برای همه‌ی انواع کسب‌وکار صادق نیست؛ به‌عنوان مثال خرده‌فروشی‌ها، رستوران‌ها و کسب‌وکارهای مشابه احتمالا به سرمایه‌گذاری نیاز خواهند داشت. هیچ کسب‌وکاری شبیه دیگری نیست و کارآفرین برای پیداکردن مسیر و ابزار مناسب، باید درک بالایی از ماهیت استارتاپ خود داشته باشد. دراین‌میان هدف‌گذاری برای سودآوری از همان ابتدای فعالیت، اهمیت بالایی دارد.

به‌تنهایی پرواز کنید

آیتکین برای مثالی پیرامون رشد تنهای بنیان‌گذارها، استارتاپ Parachute و بنیان‌گذار آن، آریل کای را بیان می‌کند. او تابستان گذشته سرمایه‌گذاری ۳۰ میلیون دلاری را در دور سوم جذب سرمایه دریافت کرد. شرکت تحت مدیریت آریل از زمان تأسیس (۲۰۱۴) رشد سالانه‌ی ۴۰۰ درصد را تجربه کرد و او به‌تنهایی از موفقیت‌ها سود برد.

اکثر مشاوران کسب‌وکار و سرمایه‌‌گذارهای خطرپذیر به کارآفرین‌ها می‌گویند که شریک و همکار پیدا کنند. آن‌ها پیداکردن یک هم‌بنیان‌گذار با مهارت‌های مکمل را بیش از همه پیشنهاد می‌دهند. بسیاری از استارتاپ‌های بزرگ امروزی هم بیش از یک بنیان‌گذار دارند. به‌هرحال از نظر آیتکین، پیداکردن فرد مناسب به زمان و انرژی بالایی نیاز دارد. درصورت مخالف‌بودن شرکا هم چالش‌های زیادی انتظار آن‌ها را می‌کشد. درنهایت اگر بنیان‌گذارها ایده‌های مشترک داشته باشند، شاید بتوان به موفقیت همکاری آن‌ها امیدوار بود.

اجبار به تمرکز

اداره‌کردن کسب‌وکار به‌معنای تقسیم زمان، انرژی و تمرکز کاری خواهد بود؛ به‌عنوان مثال باید استراتژی‌های سطح بالا را با جزئیات عملیاتی مقایسه و تحلیل کنید و عموما این فرایند باید با سرعت بالایی انجام شود. دراین‌میان اگر سرمایه‌‌گذار هم داشته باشید، کارهای دیگر همچون آماده‌کردن ارائه‌های خسته‌کننده هم به وظایف شما افزوده می‌شود.

شرکت‌هایی که با بوت‌استرپ اداره می‌شوند، تنها به مشتریان و کاربران خود پاسخگو هستند. آن‌ها سهام‌دار یا سرمایه‌گذار خطرپذیری در فهرست خود ندارند. درنهایت بنیان‌گذار چنین استارتاپی برای ساختن محصول یا سرویس بهتر، تنها به باارزش‌ترین منبع خود یعنی مشتری رجوع می‌کند.

مطالب بالا نشان می‌‌دهد که بدون تمرکز صرف بر رویا و اشتیاق کارآفرین، نیاز به جذب سرمایه‌ی سریع و مقایس‌دهی عظیم تاحدودی از بین می‌رود. درنتیجه کارآفرین می‌تواند با فرایند بوت‌استرپ و با سرعتی طبیعی به رشد ادامه دهد. همین رویکرد شاید در موفقیت آهسته‌ی استارتاپ و کاهش استرس‌های کاری بنیان‌گذار مؤثر باشد.

یکی از مدیران اجرایی اوراکل در سخنرانی خود تمرکز زیادی روی پیشرفت بلاک‌چین در دنیای کنونی داشت. او ادعا می‌کند که پیشرفت‌های بیشتر در سال‌های پیش‌رو، بلاک‌چین را به یکی از پنج اولویت اصلی کسب‌وکارها تبدیل خواهد کرد. بلاک‌چین در تعریف ساده، راهکاری جایگزین برای ذخیره‌سازی تراکنش‌های داده‌ای محسوب می‌شود. ذخیره‌سازی با بلاک‌چین، امکان مدیریت و حفاظت از داده‌ها را افزایش می‌دهد.

بلاک‌چین توانایی بهینه‌سازی و ساده‌سازی فرایندهای بسیار زیادی را دارد که از میان آن‌ها می‌توان به زنجیره‌ی تأمین، تأیید هویت، پرداخت‌های فرامرزی و تشخیص و شناسایی کلاهبرداری و تقلب اشاره کرد. فرانک زیونگ، معاون ارشد گروه توسعه‌ی محصولات بلاک‌چین در اوراکل می‌گوید، زنجیره‌ی تأمین بیش از بخش‌های دیگر قابلیت بهره‌برداری از ظرفیت‌های فناوری جدید را دارد. درواقع از نظر او، نفوذ بلاک‌چین به این بخش بیشتر خواهد بود چون تنظیم‌گری قانونی کمتری در زنجیره‌ی تأمین وجود دارد.

مؤسسه‌ی تحقیقاتی گارتنر، فقدان استانداردهای هم‌کنش‌پذیری (قابلیت سیستم‌ها و ساختارها برای کار کردن با یکدیگر) را مانع اصلی توسعه‌ی فراگیر بلاک‌چین می‌داند. آن‌ها می‌گویند به‌خاطر نبود استانداردهای مذکور نمی‌توان تا حداقل سه سال آینده، انتظار نفوذ بلاک‌چین به اکوسیستم‌ خدمات مالی را داشت. استانداردها برای سرویس‌های مالی مفاهیم الزامی محسوب می‌شوند چون این سرویس‌ها دائما درحال جابه‌جایی دارایی‌ها بین مشتریان، شرکا و دیگر سازمان‌های دخلی هستند.

پلتفرم‌های بلاک‌چینی متفاوت

درحال حاضر پلتفرم‌های بلاک‌چین متعددی در بازار وجود دارند. از میان آن‌ها می‌توان به Corda، Hyperledger و Digital Asset اشاره کرد. از میان استانداردهای بلاک‌چین هم عموما می‌توان بیت‌کوین، اتریوم کاردانو، EOS و Tezos را نام برد. زیونگ می‌گوید، شرکتش برای توسعه‌ی فناوری همکاری نزدیک خود را با جامعه‌ی هایپرلجر ادامه خواهد داد. همکاری آن‌ها در ارائه‌ی نسخه‌های جدید از پلتفرم و همکاری در جامعه‌ی متن‌باز دیده می‌شود.

فرانک زیونگ

فابیو چسینی، مدیر ارشد تحقیقات در گارتنر می‌گوید، استانداردهای بلاک‌چین برای شرکت‌های خدمات مالی تا پیاده‌سازی و آمادگی نهایی به سه تا پنج سال زمان نیاز دارند. تحلیل‌گران گارتنر می‌گویند تا سه سال آینده تمامی شرکت‌های ارائه‌کننده‌ی خدمات ERP و CRM ظرفیت‌های بلاک‌چین را در کنار نرم‌افزارهای کنونی خود و همچنین سرویس‌های SaaS عرضه می‌کنند.

اوراکل از فعالان جدی صنعت دیتاسنتر محسوب می‌شود. مدیر بخش بلاک‌چین شرکت می‌گوید، فناوری جدید بخش مهمی برای آ‌ن‌ها است. از نظر او اوراکل که به‌عنوان شرکت مدیریت داده فعالیت می‌کند، قطعا باید به فناوری بلاک‌چین به‌عنوان ابزاری کاربردی در صنعت دیتابیس بپردازد. اوراکل سال گذشته نسخه‌‌‌ی ابری پلتفرم بلاک‌چین خود را به بازار عرضه کرد و امسال نیز نسخه‌ای مخصوص مشتریان تجاری عرضه شد که امکان نصب پلتفرم را در دیتاسنترهای اختصاصی آن‌ها ایجاد می‌کند.

پیاده‌سازی همه‌جانبه

امروزه اکثر کاربران و مدیران دنیای فناوری به ظرفیت بالای بلاک‌چین در صنایع گوناگون پی برده‌اند. بااین‌حال هنوز آمار استفاده از فناوری جدید بالا نیست. درواقع شرکت‌ها توانایی پیاده‌سازی شبکه‌ی بلاک‌چین را در اکوسیستم کنونی خود ندارند.

شرکت مطالعات بازار The Insight Partners در گزارش‌های خود می‌گوید، بازار بلاک‌چین در سال ۲۰۱۸ ارزش ۱/۵۷ میلیارد دلاری داشته است و تا سال ۲۰۲۷ به ۱۶۲/۴۸ میلیارد دلار خواهد رسید. طبق بررسی‌های آن‌ها، فناوری مذکور رشد سالانه‌ی ۶۸/۱ درصدی را تجربه می‌کند.

اوراکل در کنار بازیگران بزرگ دیگر در صنعت ابری همچون IBM، SAP و مایکروسافت، بلاک‌چین را به‌عنوان سرویس به مشتریان خود عرضه می‌کند. مشتریان سازمانی با استفاده از خدمات آن‌ها، فناوری دفتر کل توزیع‌شده را در زیرساخت‌های خود پیاده می‌کنند.

درحال حاضر اوراکل در سرتاسر جهان هشت مرکز ابری دارد که از پلتفرم بلاک‌چین استفاده می‌کنند. دو مرکز آن‌ها در آمریکا دو عدد در اروپا قرار دارند. مناطق ژاپن، تورنتو، کره‌ی جنوبی و بمبئی نیز هر کدام یک مرکز ابری مجهز به بلاک‌چین دارند. زیونگ با اشاره به این آمار می‌گوید که اوراکل بیش از ۱۵۰ مشتری دارد و ۴۰۰ برنامه نیز به‌صورت آزمایشی در جریان هستند. او درنهایت به خدمات ترکیبی دیتاسنتر و بلاک‌چین اشاره می‌کند که شرکتش در دسترس مشتریان سازمانی قرار می‌دهد.

IBM از یک کامپیوتر کوانتومی جدید به‌همراه مرکز رایانش کوانتومی در نیویورک رونمایی کرد. محصول جدید قدرت پردازشی بیش از دو برابر نسخه‌ی قبلی ارائه می‌کند. IBM کامپیوتر جدید خود را با قدرت پردازشی ۵۳ کیوبیت تولید کرد، در حالی که نسخه‌ی قبلی ۲۰ کیوبیت قدرت پردازشی داشت. افزایش کیوبیت در کامپیوترهای کوانتومی به‌معنای افزایش نمایی و بسیار زیاد کارایی و قدرت آن‌ها خواهد بود. درنتیجه می‌توان ادعا کرد که غول کوانتومی جدید IBM، قدرتی چندین برابر (بسیار بیشتر از دو برابر) نسبت به نسخه‌ی قبلی دارد.

کامپیوتر کوانتومی جدید IBM در میانه‌ی ماه اکتبر به بازار عرضه خواهد شد. این کامپیوتر لقب بزرگ‌ترین و قدرتمندترین کامپیوتر کوانتومی جهان را به خود اختصاص می‌دهد. IBM در محصول جدید علاوه بر افزایش کیوبیت، بهبودهای دیگر همچون طراحی بهینه‌ی پردازنده را هم اعمال کرده است. به‌علاوه قطعات الکترونیکی اختصاصی جدید با حداقل نرخ خطا در کامپیوتر کوانتومی جدید به کار رفته‌اند.

IBM قبلا اعلام کرده بود که علاقه‌ای به افزایش صرف کیوبیت در کامپیوترهای کوانتومی ندارد. به‌همین دلیل آن‌ها مفهوم و فرمولی به‌نام «حجم کوانتوم» مطرح کردند. در فرمول جدید، تعداد کیوبیت در ترکیب با نرخ خطا محاسبه می‌شود. به‌همین دلیل با درنظرگرفتن فرمول آ‌ن‌ها، تعداد بالاتر کیوبیت بدون کاهش نرخ خطا معنای خاصی نخواهد داشت. ازسوی دیگر کامپیوتر کوانتومی با نرخ خطای صفر هم کاربردی نیست. درواقع محصول بهینه باید تعداد کیوبیت بالا و نرخ خطای پایین (و نه صفر) داشته باشد. به‌علاوه هر دو فاکتور نیاز به بهینه‌سازی‌های بسیار زیاد دارند تا در سال‌های آینده بتوان انتظار نتایج کاربردی از کامپیوترهای کوانتومی داشت.

داریو گیل، مدیر تحقیقات IBM در بیانیه‌ای رسمی پیرامون کامپیوتر کوانتومی جدید گفت:

از سال ۲۰۱۶ که اولین کامپیوتر کوانتومی در فضای ابری قرار گرفت، سرعت رشد فناوری به‌صورت جهانی بسیار بالا بوده است. قرار دادن کامپیوترها در فضای ابری نیز با این هدف بود که رایانش کوانتومی از فضاهای بسته و محدود آزمایشگاهی و دسترسی برخی سازمان‌های معدود خارج شود و در دسترس ده‌‌ها هزار کاربر علاقه‌مند قرار بگیرد.

هدف مشترک این جامعه‌ی کاربری، رسیدن به مفهومی به‌نام «برتری کوانتومی» است. این مفهوم یعنی سیستم‌های کوانتومی ساخته شوند که توانایی حل مسائل واقعی روز را داشته باشند؛ مسائلی که با روش‌های کلاسیک کنونی قابل حل نیستند. ما اعتقاد داریم که با ساختن هرچه بیشتر سیستم‌های کوانتومی IBM، می‌توان به هدف مذکور دست یافت.

IBM برای برتری کوانتومی از عبارت «Quantum Advantage» استفاده می‌کند که برابر با عبارت «Quantum Supremacy» گوگل است. هر دو شرکت در تلاش هستند تا کاربردهایی فراتر از کامپیوترهای کلاسیک، برای کامپیوترهای کوانتومی پیدا کنند. درواقع آن‌ها اثبات می‌کنند که حداقل برخی وظایف رایانشی با کامپیوترها کوانتومی (نسبت به قوی‌ترین ابرکامپیوترهای جهان) سریع‌تر انجام می‌شوند. 

شرکت IBM ادعا می‌کند که ۸۰ شراکت تجاری، سازمانی و آموزشی در حوزه‌ی رایانش کوانتومی دارد. همین شراکت‌ها، کارایی سیستم‌های کوانتومی شرکت را تاحدودی (حداقل برای مصارف تحقیقاتی)‌ اثبات می‌کنند. درنهایت رقابت بین غول‌های فناوری برای پیش‌گامی در صنعت راسانش کوانتومی با جدیت دنبال می‌شود. دراین‌میان شاید اولین دستاوردهای تجاری و کاربردهای واقعی بتوانند عصر جدیدی در دنیای پردازش شروع کنند.

معمولا در این فصل از سال، سوراخ لایه‌ی ازون در جنوبگان به حداکثر اندازه‌ی خود می‌رسد. هنوز روزهای اول فصل است اما دانشمندان می‌گویند، سوراخ لایه‌ی ازون امسال حالت غیرعادی دارد و شاید کوچک‌ترین مورد مشاهده‌شده طی سه دهه‌ی اخیر باشد.

مشاهدات اخیر سرویس نظارت بر اتمسفر کوپرنیک (CAMS)، یک سرویس تحت نظارت اتحادیه‌ی اروپا که به‌طور مداوم وضعیت اتمسفر را رصد می‌کند، نشان می‌دهد که سوراخ لایه‌ی ازون سال جاری بر فراز جنوبگان، کوچک‌ترین سوراخ لایه‌ی ازونی است که از اواسط دهه‌ی ۱۹۸۰ به بعد دیده شده است. به‌گزارش CAMS، در هفته‌ی گذشته، سوراخ لایه‌ی ازون رفتاری غیرمعمول داشته اما به‌طور کلی کوچک‌تر از حالت معمول بوده است.

سوراخ لایه‌ی ازون (به رنگ آبی) در تاریخ ۱۶ سپتامبر سال ۲۰۱۹

سوراخ لایه‌ی ازون هر سال طی بهار جنوبگان بر فراز این منطقه تشکیل می‌شود (اواخر ماه اوت آغاز می‌شود و در دسامبر پایان می‌یابد). طی این زمان مقدار ازون موجود در اتمسفری که بالای جنوبگان قرار دارد، می‌تواند تا ۶۰ درصد تخلیه شود. اگرچه طی چند روز و هفته‌ی اول فصل سوراخ لایه‌ی ازون امسال، شکاف اتمسفر به شکل معمول خود باز نشده  و اندازه‌ی این سوراخ کاملا کوچک‌تر از سوراخی است که به‌طور معمول طی این زمان از سال مشاهده می‌شود. از این گذشته، منطقه‌ی نازک شدن لایه‌ی ازون درست بالای قطب جنوب قرار نگرفته بلکه به آمریکای جنوبی نزدیک‌تر شده است. آنتی اینس، دانشمند ارشد CAMS می‌گوید:

امسال، ما دیدیم که سوراخ لایه‌ی ازون بسیار غیرعادی بود. این سوراخ نسبتا زود ایجاد شد. در آغاز سپتامبر، گرم شدن ناگهانی استراتوسفر گرباد قطبی سردی ایجاد کرد که موجب ایجاد سوراخ لایه‌ی ازون شد.

براساس گزارش CAMS، استراتوسفر گرم‌تر منجر به تشکیل ابرهای استراتوسفری کمتری شد. این امر به نوبه‌ی خود باعث شد، ازون کمتری تخلیه شود. در همین حین، جهت غیرمعمول سوراخ به‌سمت آمریکای جنوبی به این معنا است که هوای سرشار از ازون از خارج از گردباد می‌تواند به درون آن نفوذ کند و منجر به تشکیل سوراخ ازون کوچک‌تری شود.

منطقه‌ی نازک شدن لایه‌ی ازون در سال ۲۰۱۹ نسبت‌به سال‌های دیگر

به‌گزارش BBC، مشاهدات هفته‌ی اخیر CAMS نشان‌دهنده‌ی وجود منطقه‌ی نازکی به وسعت ۵ میلیون کیلومتر مربع است. در همین زمان از سال ۲۰۱۷، وسعت منطقه‌ی نازک شدن لایه‌ی ازون به حدود ۲۰ میلیون کیلومتر مربع می‌رسید. طبق پیش‌بینی CAMS، این هفته هم سوراخ کوچک باقی خواهد ماند و هنوز در روندی قرار دارد که طی ۳۰ سال گذشته بی‌سابقه باشد.

ازون مولکول مهمی است که از زمین دربرابر تابش‌های فرابنفش خورشید محافظت می‌کند. ازون اتمسفری در چرخه‌ی دائمی تولد و تخریبی قرار دارد که تحت شرایط طبیعی در وضعیت تعادل است. فعالیت‌های انسانی مانند انتشار هالوکربن‌ها این توازون را بر هم می‌زند و موجب تخریب لایه‌ی ازونی می‌شود که در فاصله‌ی ۲۰ تا ۳۰ کیلومتری سطح زمین قرار دارد.

اواسط دهه‌ی ۱۹۸۰ و زمانی‌که دانشمندان متوجه وجود شکاف بزرگی در این لایه شدند، توجه جهان به لایه‌ی ازون معطوف شد. این امر منجر به تصویب پروتکل مونترال در سال ۱۹۸۷ شد. جهان تلاش جمعی خود را برای کاهش انتشار هالوکربن‌های تخریب‌کننده‌ی ازون به کار برد. این ترکیب‌ها به‌وسیله‌ی یخچال‌ها، مطبوع‌کننده‌های هوا، افشانه‌ها و ضدعفونی‌کننده‌های پزشکی تولید می‌شدند.

امروزه، پروتکل مونترال مشمول ۱۹۶ کشور امضاکننده است و به‌نظر می‌رسد این پروتکل نتیجه‌بخش بوده باشد. لایه‌ی ازون هرچند به‌آهستگی ولی در حال ترمیم است. براساس گزارش سال گذشته‌ی سازمان ملل، انتظار می‌رود که لایه‌ی ازون طی حدود ۴۰ سال به سطح قبل از دهه‌ی ۱۹۸۰ بازگردد.

گفته می‌شود، سوراخ کوچک لایه‌ی ازون امسال ربطی به پروتکل مونترال ندارد. ریچارد انگلن از CAMS می‌گوید:

این موضوع ارتباطی با پروتکل مونترال ندارد که طی آن سعی کردیم کلر و برم را در اتمسفر کاهش دهیم، زیرا آن‌ها هنوز در اتمسفر وجود دارند. این بیشتر مربوط به یک رویداد پویا است. برخی در زمینه‌ی ارتباط کاهش اندازه‌ی سوراخ لایه‌ی ازون و تغییرات اقلیمی پرسش می‌کنند اما در این مرحله نمی‌توانیم به‌سادگی به این پرسش پاسخ دهیم.

انگلن می‌گوید برای درک طبیعت لایه‌ی ازون امسال باید پژوهش‌های بیشتری انجام شود. با همه‌ی این‌ها، ما باید به حمایت از پروتکل مونترال ادامه دهیم و از همکاری مداوم کشورهای مختلف جهان در این زمینه اطمینان حاصل کنیم. به‌عنوان مثال، سال گذشته دانشمندان شاهد افزایش مرموزی در انتشارات غیرمجاز CFC-11 بودند که بعدا مشخص شد منشا آن شرق چین است. دولت چین برای رعایت پروتکل مونترال با این موضوع برخورد کرد اما این موضوع نشان‌دهنده‌ی اهمیت نظارت زیست‌محیطی برای شناسایی متجاوزان احتمالی است. حفظ زمین دربرابر کسانی که می‌خواهند از آن سوء استفاده کنند، نیاز به مراقبت دائم دارد.

گوگل در اندروید 4 (Kitkat)، تکنولوژی مبتنی‌بر NFC به‌نام اندروید بیم (Android Beam) را رونمایی کرد که به‌کمک آن امکان اشتراک‌گذاری فایل‌ها را میان دستگاه‌های مختلف و در فاصله نزدیک فراهم می‌کرد.

باوجوداین، نرم‌افزار مذکور در اکوسیستم اندروید هرگز نتواست محبوبیتی مانند AirDrop اپل به‌دست آورد. سرعت کُند و دشواربودن روند ارسال ازجمله دلایل استقبال‌نکردن کاربران از این نرم‌افزار بود. خوشبختانه گوگل در اندروید ۱۰ با پایان پشتیبانی از این نرم‌افزار، نرم‌افزاری جدید به‌نام Fast Share را جایگزین این نرم‌افزار قدیمی و ناکارآمد کرده است که شباهت زیادی به AirDrop دارد.

نرم‌افزار Fast Share از بلوتوث برای پیداکردن دستگاه و از وای‌فای برای انتقال فایل استفاده می‌کند؛ درصورتی‌که در اندروید بیم، تنها از بلوتوث برای جابه‌جایی بیت و بایت‌ها استفاده می‌شد. تصاویر جدید پیشرفت این نرم‌افزار و طراحی مجدد رابط کاربری آن به‌دست گوگل را نشان می‌دهد.

برای مشاهده‌ی تصاویر در ابعاد اصلی روی آن‌ها کلیک کنید.

در این نرم‌افزار، ویژگی‌های جدیدی مانند تعویض حساب و کلمه‌ی عبور برای انتقال پرونده اضافه شده است. تنظیمات از منو حساب گوگل (Google account menu) به منو اتصالات اندروید (Android's connections menu) جابه‌جا شده‌اند. برگه‌ی اشتراک‌گذاری جدیدی اضافه شده است که امکان نام‌گذاری دستگاه و تعیین سطح اشتراک‌گذاری را به کاربر می‌دهد.

درکنار بهبود ویژگی‌ها، رابط کاربری نرم‌افزار نیز دوباره طراحی شده است. در نسخه‌ی اولیه، Fast Share به‌صورت تمام‌صفحه اجرا می‌شد، اما تصاویر جدید رابط کاربری به‌روزتری را نشان می‌دهند که تنها پایین صفحه‌نمایش را پوشش می‌دهد.

برای مشاهده‌ی تصاویر در ابعاد اصلی روی آن‌ها کلیک کنید.

با اینکه این نرم‌افزار در حال حاضر اجراکردنی نیست، کاربران می‌توانند نحوه‌ی عملکرد و فرایند اشتراک‌گذاری در این نرم‌افزار را به‌طور کلی مشاهده کنند. به‌عنوان مثال، در زمان اشتراک‌گذاری می‌توان دستگاه‌هایی مانند ساعت هوشمند و کروم‌بوک و آیفون را به‌عنوان جامعه‌ی هدف این نرم‌افزار مشاهده کرد. باید دید آیا این نرم‌افزار از سیستم‌عامل IOS نیز پشتیبانی می‌کند یا خیر. انتظار می‌رود گوگل در رویداد اکتبر و درکنار معرفی پیکسل‌ها، این نرم‌افزار را نیز رونمایی و ویژگی‌های آن را معرفی کند.

مجله‌ی مادربورد در اوت امسال پرونده‌ای را به مایکروسافت و گوش‌دادن به صدای کاربران ایکس‌باکس اختصاص داد. در آن پرونده، گفته شد ردموندی‌ها برای بهبود کارایی سرویس خود، صدای ضبط‌شده‌ی کاربران را به پیمان‌کاران ارسال می‌کنند تا به آن‌ها گوش دهند. در ابتدای همان ماه، خبر مشابهی درباره‌ی گوش‌دادن به صدای کاربران اسکایپ و دستیار صوتی کورتانا منتشر شده بود. طبق ادعای پیمان‌کاران، برخی از محتوای بررسی‌شده‌ی کاربران حاوی اطلاعات بسیار شخصی آنان بود.

مایکروسافت یکی از شرکت‌های متعددی است که از نیروی انسانی برای نظارت و بررسی داده‌های کاربران استفاده می‌کند. در ماه‌های اخیر، برنامه‌های مشابهی در گوگل و آمازون و فیسبوک گزارش شده‌اند و حتی اپل که ادعا می‌کند به داده‌های کاربرانش بسیار اهمیت می‌دهد، رویکردهای مشابهی داشته است.

دستیارهای هوشمند صوتی و چت‌بات‌ها روز‌به‌روز محبوب‌تر می‌شوند. در این‌ میان، شرکت‌های فناوری با مشکل بزرگ و جدیدی روبه‌رو هستند. الگوریتم‌های هوش مصنوعی آن‌ها برای کار با پیچیدگی‌های زبانی انسان‌ها طراحی نشده‌اند؛ به‌ همین دلیل، آن‌ها عموما در درک زمینه و موضوع دستورهای کاربران با مشکل مواجه می‌شوند.

درحال‌حاضر، بهترین راه برای رفع مشکل مذکور، استخدام نیروی انسانی است که الگوریتم‌ها را به مسیر صحیح هدایت کند. برای پیاده‌سازی این راهکار نیز عموما پیمان‌کاران باید به صدای کاربران واقعی گوش دهند. آن‌ها برخی اوقات با مکالمه‌های بسیار شخصی کاربران سروکار دارند که باید به متن تبدیل شوند.

مسئله‌ی درک زبان

دستیارهای صوتی مبتنی‌بر صدا مانند الکسا و سیری و کورتانا به‌‌دلیل فناوری یادگیری عمیق به پیشرفت‌های کنونی دست یافته‌اند. یادگیری عمیق زیرمجموعه‌ای از هوش مصنوعی محسوب می‌شود که در سال‌های اخیر، بیش از همه در صدر اخبار بوده است. الگوریتم‌های یادگیری عمیق عموما در پیداکردن الگوهای مشابه و دسته‌بندی اطلاعات قوی هستند.

وقتی الگوریتم یادگیری عمیق میلیون‌ها صدای ضبط‌شده را به‌همراه متن هرکدام به‌عنوان ورودی دریافت می‌کند، در تبدیل مکالمه‌های جدید به متن، دقت بسیار زیادی می‌یابد. یادگیری عمیق در پیش‌بینی رخدادها نیز بسیار قدرتمند است. وقتی الگوریتم هوش مصنوعی را با داده‌های بسیار زیاد تربیت کنید، توانایی تشخیص روابط ریاضی را در ترتیب کلمه‌های هر متن و مکالمه پیدا می‌کند و درنهایت، وظایفی همچون کامل‌سازی جمله‌ها را با قدرت بیشتری انجام خواهد داد.

یادگیری عمیق با وجود همه‌ی مزایا، در درک معنی کلمه‌ها و جمله‌ها ناتوان است. چنین وظیفه‌ای هیچ‌گاه فقط با تکیه بر مهارت‌های ریاضی و آمار انجام‌شدنی نخواهد بود. گری مارکوس، دانشمند علوم شناختی و مدیرعامل شرکت Robust AI، درباره‌ی درک صحبت و فهم زبان طبیعی ازطریق هوش مصنوعی می‌گوید:

تشخیص گفتار و درک زبان طبیعی به‌نظر مشکلات مشابهی هستند؛ اما درنهایت، آن‌ها تفاوت‌های عمده‌ای باهم دارند. در تشخیص گفتار، سیلاب‌ها و واج‌های محدودی در زبان دارید. به‌علاوه، تلاش می‌کنید جریانی صوتی را به مفهومی در دسته‌بندی‌های محدود تبدیل کنید.

زبان انگلیسی به‌عنوان پرکاربردترین زبان جهان برای بررسی قدرت هوش مصنوعی بررسی می‌شود. درحال‌حاضر، ده‌هاهزار کلمه‌ی پرکاربرد در این زبان وجود دارد. در دوران کنونی که به‌نام «کلان‌داده» شناخته می‌شود، می‌توان به‌آسانی میلیون‌ها مثال از هریک از کلمه‌ها پیدا کرد و هوش مصنوعی را به‌‌کمک آن‌ها آموزش داد.

درمقابل درک کلمه‌ها، تجزیه و تفسیر جمله‌ها فرایندی بسیار دشوارتر خواهد بود. در موضوع تنوع جمله‌ها، می‌توان تعداد نمونه‌ها را بی‌شمار دانست که هرکدام هم معانی متفاوتی دارند. در این‌ میان، معانی کلمه‌ها هم بسته به موقعیت قرارگیری در جمله و کلمه‌های قبل و بعد متفاوت می‌شود. مارکوس درادامه‌ی صحبت‌های خود درباره‌ی درک و تفسیر جمله‌ها می‌گوید:

تقریبا تمامی جمله‌هایی که روزانه می‌شنویم، جمله‌‌ی منحصربه‌فرد محسوب می‌شوند؛ البته تعداد بسیار محدودی از آن‌ها از این قائده مستثنی هستند. درواقع، هیچ داده‌ی مستقیمی از جمله‌ها نداریم و درنتیجه، در تفسیر و درک آن‌ها با مشکل مواجه خواهیم بود. روش‌هایی که اکنون برای دسته‌بندی موارد و جانمایی آن‌ها در گروه‌های متعدد استفاده می‌شوند، برای درک جمله‌ها کاربردی نخواهند بود. درک زبان به‌‌معنای اتصال درک کنونی شما از جهان پیرامون به کلمه‌هایی است که مخاطبان برای توضیح آن به‌کار می‌برند.

مارکوس کتاب جدیدی به‌نام Rebooting AI دارد که در آن به مشکلات درک و رمزگشایی زبان انسانی به‌وسیله‌ی هوش مصنوعی اشاره می‌کند. از توانایی‌های که ما انسان‌ها در درک جمله‌ها داریم، می‌توان به استفاده از دانش کنونی درباره‌ی جهان برای گره‌گشایی از مسئله‌ها و پیچیدگی‌های زبان نوشتاری و گفتاری مخاطبان اشاره کرد.

مکالمه‌های روزمره ابهام‌های زیادی دارند. به‌عنوان مثال، می‌توان به‌معنی متفاوت کلمه‌ی «در» در جمله‌های گوناکون اشاره کرد. در جمله‌ای «در» می‌تواند ورودی اتاق یا ساختمان یا هر مفهوم بسته باشد و در مثالی دیگر، «در» برای مفهوم داخل چیزی بودن استفاده می‌شود. انسان‌ها با شنیدن جمله‌های شامل این کلمه، دشواری زیادی در تشخیص مفهوم آن نخواهند داشت؛ چون ترکیب کلمه‌های قبل و بعد و شرایط گفتن جمله را درک می‌کنند.

چرخه‌ی بی‌پایان آموزش

همه‌ می‌دانیم ابزارهای یادگیری عمیق، عقل سلیم به‌معنای عقل انسانی ندارند. آن‌ها فاقد دانشی جامع از جهان هستند و شرکت‌های فناوری برای بهبود آن‌ها هیچ چاره‌ای جز افزایش آموزش با مثال‌های متنوع نخواهند داشت. درواقع، آن‌ها امیدوار هستند تمامی نمونه‌ها و انواع مثال‌های داده را به‌عنوان ورودی به الگوریتم وارد کنند تا همه‌ی آن‌ها را بشناسد؛ درنتیجه، شرکت‌ها به نیروی انسانی نیاز پیدا می‌کنند که عموما هم به‌صورت دورکار و پیمان‌کاری، وظایف را انجام می‌دهند. آن‌ها کارایی هوش مصنوعی شرکت را بررسی و اعتبارسنجی و داده‌های صوتی را به متن تبدیل می‌کنند که الگوریتم از تبدیل آن‌ها عاجز است.

انسان‌ها برای توضیح انواع موضوعات، از مفاهیم و تعریف‌های گوناگونی استفاده می‌کنند و هرروز نیز به تعداد تعریف‌ها و عبارت‌ها افزوده می‌شود؛ درنتیجه، آموزش بیشتر مانند راهکاری موقت برای چالش هوش مصنوعی خواهد بود.

درواقع، همیشه مثال‌هایی وجود دارند که هوش مصنوعی برای درک آن‌ها آموزش ندیده است. پیشرفت و تکامل زبان بشری نیز همیشه ادامه دارد. تمام آنچه گفته شد، نیاز به آموزش را تشدید می‌کنند و درنتیجه، بازهم داستان‌ها و اخباری درباره‌ی گوش‌دادن نیروی انسانی به صداهای کاربران را شاهد خواهیم بود.

مارکوس درباره‌ی روش‌های کنونی تکامل هوش مصنوعی می‌گوید:

ضعف فناوری کنونی در نیاز همیشگی آن به داده دیده می‌شود؛ به‌ویژه در مسائل باز همچون درک مفاهیم زبان طبیعی، چنین نیازی بیشتر می‌شود؛ درنتیجه شرکت‌ها برای تأمین نیاز فناوری، انواع فعالیت‌ها را انجام می‌دهند. از دیدگاه من، جمع‌آوری داده‌ی بیشتر به حل مشکلات شرکت‌ها کمک نمی‌کند. شاید این رویکرد تا حدودی به کاهش مشکلات کمک کند؛ اما قطعا آن‌ها را به‌صورت کامل رفع نمی‌کند.

بدون تزریق مفهوم عقل جامع و دانش پایه‌ای به الگوریتم‌های یادگیری عمیق، نمی‌توان هیچ امیدی به حل کوتاه‌مدت مشکل آن‌ها داشت. تا وقتی شرکت‌ها برای آموزش الگوریتم‌های خود داده‌های کاربران را جمع‌آوری و تفسیر می‌کنند، باید برای واکنش شدید حامیان حریم خصوصی و اقدام‌های احتمالی قانون‌گذاران این حوزه آماده باشند. همین موارد باعث شد تعدادی از شرکت‌ها سرعت روند جمع‌آوری و تفسیر داده‌های کاربران را کاهش دهند؛ ولی به‌صورت کامل آن را متوقف نکردند.

اپل در اوت امسال، بیانیه‌ی عذرخواهی در وب‌سایت خود منتشر کرد که به اشتراک‌ دستورهای کاربران در سیری با پیمان‌کاران مرتبط بود. کوپرتینویی‌ها متعهد شدند تنها درصورت مشارکت مستقیم کاربر در طرح‌های آزمایشی و تحلیل داده‌ از اطلاعات او برای آموزش هوش مصنوعی استفاده خواهند کرد. گوگل هم فعالیت‌های تحلیل داده‌های کاربران را در اروپا متوقف کرده است. قوانین حفاظت از داده‌های کاربران در این قاره با جدیت بیشتری اجرا می‌شوند؛ البته برنامه‌ی اهالی مانتین‌ویو در مناطق دیگر جهان نیز ادامه دارد.

مایکروسافت هم مانند غول‌های دیگر دنیای فناوری اسناد سیاست حریم خصوصی خود را به‌روزرسانی کرد. اکنون کاربران آن‌ها می‌دانند شاید مکالمه‌ها و دستورهای صوتی‌شان را نیروی انسانی شنیده و بررسی کرده باشد. درنهایت، آمازون نیز سیاست‌های خود را تغییر و امکان خروج از برنامه‌ی تفسیر داده را به کاربران داد؛ هرچند بسیاری از آن‌‌ها به چنین امکانی توجه نمی‌کنند یا از آن اطلاع ندارند.

مارکوس اعتقاد دارد در طولانی‌مدت باید چشم‌اندازهای جدیدی در حوزه‌ی هوش مصنوعی ایجاد شود. او درپایان مصاحبه می‌گوید:

باید در حوزه‌ی هوش مصنوعی بیشتر تحقیق کنیم. درواقع، باید فرهنگ را از ساختار مبتنی‌بر داده و رباضیات به فرهنگی تبدیل کنیم که ایده‌های موجود در زمینه‌های دیگر همچون روان‌شناسی و فلسفه و زبان‌شناسی را هم بپذیرد. زمینه‌های مذکور مطالعه‌ی دقیقی درباره‌ی چگونگی فعالیت ذهن انسان کرده‌اند و احتمالا به ساختن تجربه‌های بهتر و دقیق‌تر هوش مصنوعی کمک می‌کنند.

گیگابایت یکی از بزرگ‌ترین تولیدکننده‌های مادربورد در جهان محسوب می‌شود. آن‌ها همیشه با روند توسعه‌ی پردازنده‌های کامپیوتری هماهنگ هستند و محصولات خود را مبتنی‌بر هماهنگی با انواع پردازنده‌ی جدید طراحی و عرضه کرده‌اند. این شرکت اخیرا فهرستی به کمیسیون اقتصادی اوراسیا (EEC) ارائه کرده است که مادربوردهایی هماهنگ با محصولات اینتل و AMD را دربر می‌گیرد.

ماه‌های پیش‌ رو برای بازار پردازنده‌ها بسیار جذاب خواهد بود. AMD اخیرا اعلام کرد خانواده‌ی Ryzen Threadripper 3000 موسوم به کستل پیک (Castle Peak) در نوامبر به بازار عرضه خواهند شد. اینتل نیز خبری مشابه برای خانواده‌ی Core X 10000 موسوم به کسکید لیک ایکس (Cascade Lake-X) منتشر کرد که در ماه آینده‌ی میلادی عرضه خواهد شد. سری اصلی پردازنده‌های دسکتاپ Core 10000 موسوم به کامت لیک اس (Comet Lake-S) هم به‌زودی معرفی می‌شوند؛ اما تاریخ دقیقی از عرضه‌ی آن‌ها در دست نیست. به‌هرحال، کارشناسان فصل اول ۲۰۲۰ را به‌عنوان تاریخ عرضه تخمین می‌زنند.

مادربوردهای گیگابایت کستل پیک

منابع خبری ادعا می‌کنند کستل پیک با سوکت TR4 به پردازنده‌های AMD متصل خواهد شد. گیگابایت احتمالا سه تراشه‌ی جدید را برای کامپیوترهای حرفه‌ای رومیزی موسوم به HEDT ارائه خواهد کرد: TRX40 و TRX80 و WRX80. دو پردازنده‌ی اول احتمالا برای مادربوردهای مخصوص مصرف‌کننده عرضه می‌شوند و محصول سوم متمرکز بر بازار تجاری خواهد بود.

مادربوردهای گیگابایت کسکید لیک ایکس

تراشه‌های کسکید لیک ایکس هماهنگی با سوکت LGA 20600 را حفظ می‌کنند؛ درنتیجه، این پردازنده‌ها به‌راحتی در مادربوردهای مبتنی‌بر X299 می‌توانند نصب شوند. به‌هرحال، فهرست گیگابایت نشان می‌دهد آن‌ها مادربوردهایی مخصوص کسکید لیک ایکس عرضه خواهند کرد. مدل‌های جدید احتمالا با نام‌گذاری X299X عرضه خواهند شد که X برای تمایز مدل‌های جدید و قدیمی به‌کار می‌رود.

مادربوردهای گیگابایت کامت لیک اس

اطلاعات منتشرشده از مادربوردهای جدید گیگابایت تا حدی قابل استناد هستند و برخی منابع نیز آن‌‌ها را با صحت زیاد تأیید کرده‌اند. طبق اطلاعات همان منابع، کامت لیک اس احتمالا در سوکت جدید LGA 1200 عرضه خواهد شد. مادربوردهای جدید مبتنی‌بر تراشه‌های سری 400 اینتل خواهند بود؛ البته مانند همیشه نمونه‌های متعدد با تمرکز بر بازارهای گوناگون عرضه خواهند شد. به‌هرحال، تاکنون تراشه‌های B460 ،H410 ،H470 ،Q470 و Z490 تأیید شده‌اند. قبلا فهرست بلندبالایی از مادربوردهای سری 400 گیگابایت را مشاهده کرده‌ایم؛ اما فهرست جدید آن خانواده را بزرگ‌تر می‌کند.

ژوئن امسال، آکیرا ماروموتو، مدیرعامل مزدا، وعده داد سال آینده اولین خودرو تمام‌الکتریکی مزدا را روانه‌ی بازار کند. اوایل این ماه نیز، مزدا تعدادی از خبرنگاران را به اسلو، پایتخت نروژ، دعوت کرد تا اطلاعات بیشتری از برنامه‌ی این شرکت برای تولید خودروهای الکتریکی را دراختیار آن‌ها بگذارد. در این برنامه، مزدا از ساخت خودرویی آزمایشی با سیستم محرک e-TPV خبر داد. نام e-TPV درحقیقت مخفف electric-Technology Prove-out Vehicle است. مزدا سپس تصمیم گرفت سیستم e-TPV را در کراس‌اور جدید خود با نام CX-30 به‌کار ببرد. 

مزدا این مجموعه‌ی فنی را به‌تنهایی طراحی و تولید کرده و هدف اصلی آن پاسخ‌گویی به نیازهای خریدارانی است که خودرو را بیشتر در مسیرهای درون‌شهری استفاده می‌کنند. باتری ۳۵.۵ کیلووات‌ساعتی این مدل انرژی موردنیاز یک موتور برقی به قدرت ۱۴۱ اسب‌بخار و گشتاور ۲۶۴ نیوتن‌متر را تأمین می‌کند. شعاع حرکتی این خودرو ۲۰۰ کیلومتر عنوان شده که به‌نظر می‌رسد با استاندارد WLTP اروپا یا خود ژاپنی‌ها محاسبه شده باشد. این احتمال می‌رود که در دنیای واقعی و آزمایش‌های آژانس حفاظت از محیط‌زیست آمریکا (EPA) شعاع حرکتی خودرو کمتر از این میزان باشد. ازنظر شعاع حرکتی، خودرو برقی مزدا را باید در جایگاهی بین هیوندای کُنا با باتری ۲۸ کیلووات‌ساعتی و نیسان لیف با باتری ۴۰ کیلووات‌ساعتی بدانیم. براساس آزمایش‌های EPA، هیوندای کُنا که باتری کوچک‌تری دارد، می‌تواند ۲۰۰ کیلومتر و نیسان لیف ۲۵۰ کیلومتر را طی کند. 

درباره‌ی بازارهای خودرو برقی مزدا نیز عنوان شده است اولین بازارهای هدف این خودرو چین و ژاپن و اروپا هستند؛ چون در این مناطق، شعاع حرکتی حدود ۲۰۰ کیلومتری کاملا نیازهای روزانه‌ی خریداران را پوشش می‌دهد. احتمال استفاده‌ی مزدا از پیشرانه‌ی احتراقی روتاری به‌عنوان ژنراتور به‌منظور افزایش ظرفیت پیمایش خودرو نیز وجود دارد. برای کسب اطلاعات بیشتر از این خودرو باید تا ماه آینده صبر کرد. نمایشگاه خودرو توکیو ۲۰۱۹ اوایل آبان برپا خواهد شد.