برای فهم اهمیت این خبر باید به مشکلی برگشت که هفتاد سال است در معماری رایانه‌ها لانه کرده و به «گلوگاه فون نویمان» مشهور است.
در رایانه‌های امروز، حافظه و پردازنده دو قطعهٔ جدا هستند. برای هر محاسبه باید داده از حافظه برداشته، به پردازنده منتقل، پردازش، و نتیجه دوباره ذخیره شود. این رفت‌وبرگشت خودش زمان و انرژی می‌برد — و در بارهای کاری هوش مصنوعی، که ماهیتشان جابه‌جایی حجم عظیمی از اعداد است، سهم این جابه‌جایی از مصرف انرژی اغلب از سهم خودِ محاسبه بیشتر است.
به بیان دیگر، بخش عمدهٔ برقی که یک مرکز دادهٔ هوش مصنوعی می‌سوزاند، صرف فکر کردن نمی‌شود؛ صرف حمل‌ونقل می‌شود.
### ایدهٔ «محاسبه در حافظه»راه‌حلی که دهه‌هاست مطرح است، ساده به نظر می‌رسد: کاری کنیم که محاسبه همان‌جا که داده هست انجام شود. به این رویکرد «محاسبه در حافظه» می‌گویند و چند فناوری مختلف — از ممریستور تا حافظه‌های تغییر فاز — برای تحققش آزموده شده‌اند.
آنچه این پژوهش را متمایز می‌کند، انتخاب مادهٔ اولیه است. DNA به‌عنوان رسانهٔ ذخیره‌سازی چند ویژگی چشمگیر دارد: چگالی اطلاعاتی فوق‌العاده بالا، پایداری بلندمدت، و مصرف انرژی بسیار پایین در حالت سکون. ضعف تاریخی‌اش هم روشن بوده: کُندی خواندن و نوشتن، که تاکنون کاربردش را عملاً به بایگانی بلندمدت محدود کرده است.
ترکیب با نیم‌رسانا کوششی است برای برداشتن همین مانع — نگه‌داشتن مزیت انرژیِ DNA، در کنار سرعتی که الکترونیک فراهم می‌کند.
### فاصله تا کاربرداینجا باید صریح بود: میان یک قطعهٔ آزمایشگاهی و سخت‌افزاری که در مرکز داده کار کند، فاصله‌ای است که بسیاری از فناوری‌های امیدبخش هرگز آن را طی نکرده‌اند.
پرسش‌هایی که هنوز پاسخ روشنی ندارند کم نیستند: آیا ساخت این قطعه در مقیاس صنعتی ممکن است؟ دوام آن در چرخه‌های مکرر نوشتن چقدر است؟ و آیا با فرایندهای تولید موجود صنعت نیم‌رسانا سازگار است یا به خط تولید تازه‌ای نیاز دارد؟
پژوهشگران خود نیز محتاطانه سخن گفته‌اند و از واژهٔ «در آینده» استفاده کرده‌اند، نه از وعدهٔ محصولی نزدیک.
### چرا با این حال مهم استاهمیت این خبر را باید در کنار گزارش خرداد سازمان ملل خواند که مصرف برق مراکز داده را تا ۲۰۳۰ نزدیک به دو برابر برآورد کرده بود.
در برابر آن روند، دو راه وجود دارد: کاهش تقاضا، یا تغییر بنیادی در بازدهی محاسبات. راه نخست تاکنون در تاریخ فناوری اطلاعات مؤثر نبوده است. راه دوم به پژوهش‌هایی از این دست وابسته است — که بیشترشان به جایی نمی‌رسند، اما همان اقلیتی که می‌رسند، مسیر صنعت را عوض می‌کنند.
نکتهٔ درخور توجه این است که پرهزینه‌ترین مسئلهٔ هوش مصنوعی امروز، مسئله‌ای نرم‌افزاری نیست. مسئلهٔ فیزیک است: انتقال بار الکتریکی از یک نقطه به نقطهٔ دیگر، میلیاردها بار در ثانیه.