![\"\"](\"https:\/\/www.technologyreview.es\/sites\/default\/files\/mit-images\/feed_mit_image_aimarch12_0.png\")
Los ordenadores suelen ralentizarse\u00a0a medida que envejecen, ya que a\u00a0sus procesadores les cuesta trabajar con un software m\u00e1s nuevo. Apple incluso\u00a0ralentiza sus iPhones<\/a>\u00a0deliberadamente<\/a>\u00a0a medida que sus bater\u00edas se degradan. Ahora, un equipo de investigaci\u00f3n de Google ha hecho p\u00fablicos los\u00a0detalles de un proyecto que podr\u00eda\u00a0conseguir\u00a0que un ordenador port\u00e1til o un\u00a0smartphone\u00a0<\/em>vaya aprendiendo a\u00a0ejecutar sus funciones mejor y m\u00e1s r\u00e1pido\u00a0con el tiempo.<\/strong><\/p>\nLa compa\u00f1\u00eda se ha centrado en una t\u00e9cnica com\u00fan en inform\u00e1tica llamada\u00a0prefetching<\/em>\u00a0(o b\u00fasqueda anticipada), que\u00a0consiste en acelerar la ejecuci\u00f3n de un programa a trav\u00e9s de la reducci\u00f3n del tiempo de espera del procesador mediante instrucciones de la memoria central.\u00a0Los ordenadores tardan menos en procesar la informaci\u00f3n que en extraerla de la memoria.<\/strong>\u00a0As\u00ed que para evitar los cuellos de botella, intentan predecir qu\u00e9 informaci\u00f3n tiene m\u00e1s probabilidades de ser necesaria en el futuro para extraerla con antelaci\u00f3n. Pero a medida que los ordenadores aumentan su potencia, el proceso de elaborar estas predicciones se va complicando.<\/p>\n El\u00a0informe<\/a>\u00a0publicado\u00a0online<\/em>\u00a0esta semana, detalla c\u00f3mo el equipo de Google\u00a0ha usado el aprendizaje profundo para mejorar el proceso de b\u00fasqueda anticipada. Aunque los investigadores no especifican qu\u00e9 mejoras aporta su proceso, podemos suponer que ser\u00e1 un avance importante. Basta con ver los impulsos que el\u00a0aprendizaje profundo ha aportado a otras tareas<\/a>.<\/p>\n El investigador visitante de la Universidad de California (EE. UU.) que ha participado en el proyecto,\u00a0Heiner Litz<\/a>,\u00a0afirma. “El trabajo que hemos hecho es solo la punta del iceberg”. En su opini\u00f3n,\u00a0el aprendizaje profundo puede aplicarse a todos los componentes de un ordenador,\u00a0<\/strong>desde el sistema operativo de bajo nivel hasta el software con el que los usuarios interact\u00faan.<\/p>\n Este tipo de avances ser\u00edan muy oportunos. La Ley de Moore\u00a0ha empezado a ralentizarse, pero el dise\u00f1o fundamental de los chips de ordenador no ha cambiado<\/a>\u00a0mucho en los \u00faltimos a\u00f1os. El profesor asociado del MIT (EE. UU.)\u00a0Tim Kraska<\/a>, que tambi\u00e9n est\u00e1 explorando c\u00f3mo el aprendizaje autom\u00e1tico mejorar el funcionamiento de\u00a0los ordenadores funcionen, dice que\u00a0el enfoque tambi\u00e9n podr\u00eda ser \u00fatil para los algoritmos de alto nivel<\/strong>. Una base de datos podr\u00eda aprender autom\u00e1ticamente una forma de manejar los datos financieros que ser\u00eda distinta a la del procesamiento de la informaci\u00f3n procedente de las\u00a0redes sociales, por ejemplo. O una aplicaci\u00f3n podr\u00eda autoense\u00f1arse\u00a0a responder a los h\u00e1bitos de un usuario concreto de manera m\u00e1s efectiva.<\/p>\n Kraska\u00a0apunta: “tendemos a construir sistemas y hardware gen\u00e9ricos.\u00a0El aprendizaje autom\u00e1tico permite\u00a0que el sistema se personalice autom\u00e1ticamente<\/strong>, desde su n\u00facleo hasta los datos espec\u00edficos y patrones de acceso de un usuario”. Pero\u00a0\u00a0tambi\u00e9n advierte que el\u00a0aprendizaje autom\u00e1tico todav\u00eda requiere una gran potencia computacional, lo que impedir\u00e1\u00a0que\u00a0los sistemas inform\u00e1ticos\u00a0cambien de la noche a la ma\u00f1ana.\u00a0“Sin embargo, si se superan esas limitaciones, las t\u00e9cnicas actuales para desarrollar dichos sistemas podr\u00eda cambiar fundamentalmente en el futuro”, a\u00f1ade el experto.<\/p>\n Litz es m\u00e1s optimista: “El objetivo es lograr un sistema capaz de monitorizarse\u00a0y autoaprender constantemente.\u00a0Es el comienzo de algo realmente grande<\/strong>“.<\/p>\n