今年的 GTC China 黃仁勛沒有露面，但黃式定律無處不在。

從翻倍提高 TensorCore 計算效能的新技術(shù)，到下一代光通信技術(shù)，再到一行代碼為所有模型提供 GPU 加速的軟件工具，為了讓未來的 AI 算力每年能夠提升一倍，英偉達(dá)找到了不少新方向。

在科技領(lǐng)域里，很多人都知道摩爾定律：前英特爾 CEO 大衛(wèi)·豪斯（David House）曾提出，人類制造出的芯片，每 18 個月計算效率就會提高一倍。這一「規(guī)律」在過去長達(dá)五十年間一直被實踐驗證，但在最近五六年中，由于晶體管尺寸越來越小，制程陷入瓶頸，摩爾定律逐漸失效。

而另一方面，人類對于計算機(jī)的算力需求是無限的，人工智能技術(shù)的發(fā)展更是加大了這種需求。近十年來，GPU正在讓人工智能算法的性能每年都在成倍提升，英偉達(dá)的研究人員通過架構(gòu)的提升，正在不斷尋找進(jìn)一步加快AI推理速度的芯片。

如果我們還需要在未來的一段時間里使用硅芯片，那么摩爾定律之后，我們還可以仰賴「黃氏定律」保持AI技術(shù)的發(fā)展速度。

在芯片本身無法快速提升的情況下，英偉達(dá)把目光轉(zhuǎn)向了計算架構(gòu)的很多其他方面，Bill Dally 認(rèn)為「這些方向其中的任何一個如果有效，都可以在接下來幾代的產(chǎn)品中幫助我們延續(xù)性能每年提升一倍的目標(biāo)?！?/p>

如果可以通過一個全局控制器，把數(shù)據(jù)從內(nèi)存不同的部分移動到不同計算單元以執(zhí)行計算，并針對神經(jīng)網(wǎng)絡(luò)計算的特性在數(shù)據(jù)流中加入一個存儲層，便可以解除瓶頸，將大部分能量用于計算。在特定的單元上，英偉達(dá)尚未發(fā)布的硬件產(chǎn)品可以實現(xiàn)每瓦 100 Teraops 的推理能力，而在 2019 年達(dá)到的效率還只有 29 Teraops。

看來下一代的 Tensor Core 性能又要有巨大的提升了。

其次是多卡的數(shù)據(jù)傳輸，英偉達(dá)的 GPU 通過 NVlink 和 NVswitch 互相連接，然而基于電信號的方式目前已經(jīng)接近極限了，人們預(yù)估，想要繼續(xù)讓 NVLink 中信號傳輸?shù)膸捗看嵘槐叮瑢⒆兊脴O其困難。目前英偉達(dá)能夠?qū)崿F(xiàn)的數(shù)字是每線對 50Gb/s，可預(yù)見的未來大約可以實現(xiàn)到 100-200Gb/s。英偉達(dá)也在和英特爾等科技巨頭一樣思考如何盡快把基于光學(xué)的通信技術(shù)應(yīng)用于實踐。

在英偉達(dá)的設(shè)計中，DGX 卡縱置排列，右側(cè)為光源，可為光線提供多種不同波長的光線，光學(xué)引擎以極高的數(shù)據(jù)速率把光轉(zhuǎn)換為信號。每根光纖都可以同時傳輸不同波長的光，而每種波長的光都可以用 25-50Gb/s 的速度傳輸信號。這樣一來，總數(shù)據(jù)速率將為 400Gb/s，而每根光纖的傳輸速率「保守估計」就可以達(dá)到數(shù)個 Tb/s，而且能耗還要比電信號要小。英偉達(dá)的研究團(tuán)隊正在與哥倫比亞大學(xué)的研究人員密切合作，探討如何利用電信供應(yīng)商在其核心網(wǎng)絡(luò)中所采用的技術(shù)，通過一條光纖來傳輸數(shù)十路信號——有了光通信，僅需一條 NVLink 就可以連接規(guī)模更大的系統(tǒng)。

除了更大的吞吐量，光鏈路也有助于打造更為密集型的系統(tǒng)。Dally 舉例展示了一個未來將搭載 160 多個 GPU 的 NVIDIA DGX 系統(tǒng)模型。

除了硬件方面的革新，還有軟件。今天有很多應(yīng)用都在被 GPU 加速，遠(yuǎn)超英偉達(dá)開發(fā)者們更新 CUDA 程序的速度，人們急需一種簡化的編程方式。NVIDIA 的研究人員開發(fā)了全新編程系統(tǒng)原型 Legate。開發(fā)者借助 Legate，即可在任何規(guī)模的系統(tǒng)上，運(yùn)行針對單一 GPU 編寫的程序——甚至適用于諸如 Selene 等搭載數(shù)千個 GPU 的巨型超級計算機(jī)。

對于大多數(shù)人來說，使用 Legate 我們就可以無需更改代碼即讓 Python 程序無感運(yùn)行在從 Jetson Nano 到 DGX SuperPOD 等所有包含英偉達(dá) cuda 核心的設(shè)備上。開發(fā)者所做的是基于原始的 Python 代碼，將原本的「import NumPy as NP」更改為「import legate.numpy as NP」就可以了。隨后 Legate 庫會開始運(yùn)行，自動完成之后的操作。

它的運(yùn)行速率有多快呢？從上表中可以看到，Legate 的處理速度不僅快于目前效率最高的庫，同時在并行化時也能盡量保持住自己的優(yōu)勢。

英偉達(dá)也分享了目前國內(nèi)合作伙伴使用新一代芯片的情況：阿里云、百度智能云、滴滴云、騰訊云的大型數(shù)據(jù)中心正在遷移至基于英偉達(dá) Ampere 架構(gòu)的平臺。圖像識別、語音識別，以及包括計算流體動力學(xué)、計算金融學(xué)、分子動力學(xué)在內(nèi)的 GPU 加速高性能計算場景的快速增長，催生了更多對云實例的需求。