前一陣子看日本綜藝節目跟拍到你家，介紹一位在東大就讀，有ADHD的女生。

初看該人的房間會嚇死，因為混亂不堪，到處都堆疊垃圾。後來聽她說明才知道，ADHD的思考決策模型，會造成她的房間規劃在一般人看來是混亂，在他們則是根據其思考與行動方式布局設計，自有一番邏輯，能在這樣的規劃中生存且覺得舒適。

當時被採訪女生說自己在學心理學，想更多了解跟自己相同狀況者的處境。

這兩天在讀人類使用說明手冊，作者除了是ADHD還是亞斯伯格症候群，第三章談到房間，也有跟前面談到的女生一樣的狀況，而她以熱力學來解釋自己的狀況。

這本書有趣的是（推薦給必須經常接觸相關人士的專業人士或本身就有相關狀況的人），作者用硬科學的知識去解讀發生在自己身上的狀況，理解人類的群聚與分工，好比說，第二章她以蛋白質解讀了人類的群聚與分工，第四章以光線的折射解讀恐懼，第五章以波理論和諧運動的觀念找出自己的和諧觀點，第六章從分子動力學談解除人類的從眾性...

社會人文科學探討人類心理與群聚現象的書不少，借用應科學來解釋人類行為的書也有一些，但由本身就有症狀的人來解讀，加了個人經驗與觀點，讓理解上更為具體且深入，毋寧幫我們多一些窺看人類的濾鏡，很值得一讀的一本書！

AI 時代的摩爾定律？黃氏定律靠的是自身技術力將 AI 性能年年加倍

作者 雷鋒網 | 發布日期 2020 年 12 月 16 日 8:45

1965 年，時任快捷半導體公司工程師，也是後來英特爾（Intel）的創始人之一的戈登·摩爾（Gordon Moore）提出了摩爾定律（Moore’s law），預測積體電路上可以容納的晶體管數目大約每經過 24 個月便會增加 1 倍。

後來廣為人知的每 18 個月晶片性能將提高 1 倍的說法是由 Intel CEO 大衛·豪斯（David House）提出。過去的半個多世紀，半導體行業按照摩爾定律發展，並驅動了一系列的科技創新。

有意思的是，在摩爾定律放緩的當下，以全球另一大晶片公司 NVIDIA 創始黃仁勳（Jensen Huang）名字命名的定律——「黃氏定律（Huang’s Law）」對 AI 性能的提升作出預測，預測 GPU 將推動 AI 性能實現逐年翻倍。

Intel 提出了摩爾定律，也是過去幾十年最成功的晶片公司之一。NVIDIA 作為當下最炙手可熱的 AI 晶片公司之一，提出黃氏定律是否也意味著其將引領未來幾十年晶片行業的發展？

AI 性能將逐年翻倍

受疫情影響，一年一度展示 NVIDIA 最新技術、產品和中國合作夥伴成果的 GTC China 改為線上舉行，黃仁勳缺席今年的主題演講，由 NVIDIA 首席科學家兼研究院副總裁 Bill Dally 進行分享。Bill Dally 是全球著名的電腦科學家，擁有 120 多項專利，在 2009 年加入 NVIDIA 之前，曾任史丹佛大學電腦科學系主任。加入 NVIDIA 之後，Dally 曾負責 NVIDIA 在 AI、光線追蹤和高速互連領域的相關研究。

在 GTC China 2020 演講中，Dally 稱：「如果我們真想提高電腦性能，黃氏定律就是一項重要指標，且在可預見的未來都將一直適用。」

Dally 用三個項目說明黃氏定律將如何得以實現。首先是為了實現超高能效加速器的 MAGNet 工具。NVIDIA 稱，MAGNet 生成的 AI 推理加速器在模擬測試中，能夠達到每瓦 100 tera ops 的推理能力，比目前的商用晶片高出一個數量級。

之所以能夠實現數量級的性能提升，主要是因為 MAGNet 採用了一系列新技術來協調並控制通過設備的訊息流，最大限度地減少數據傳輸。數據搬運是 AI 晶片最耗能的環節已經是當今業界的共識，這一研究模型以模組化實現能夠實現靈活擴展。

Dally 帶領的 200 人的研究團隊的另一個研究項目目標是以更快速的光鏈路取代現有系統內的電氣鏈路。Dally 說：「我們可以將連接 GPU 的 NVLink 速度提高一倍，也許還會再翻番，但電信號最終會消耗殆盡。」

這個項目是 NVIDIA 與哥倫比亞大學的研究團隊合作，探討如何利用電信供應商在其核心網絡中所採用的技術，通過一條光纖來傳輸數十路信號。據悉，這種名為「密集波分複用」的技術，有望在僅一毫米大小的晶片上實現 Tb/s 級數據的傳輸，是如今連網密度的 10 倍以上。

Dally 在演講中舉例展示了一個未來將搭載 160 多個 GPU 的 NVIDIA DGX 系統模型。這意味著，利用「密集波分複用」技術，不僅可以實現更大的吞吐量，光鏈路也有助於打造更為密集的系統。

想要發揮光鏈路的全部潛能，還需要相應的軟件，這也是 Dally 分享的第三個項目——全新程式語言系統原型 Legate。Legate 將一種新的編程速記融入了加速軟件庫和高級運行時環境 Legion，借助 Legate，開發者可在任何規模的系統上運行針對單一 GPU 編寫的程序——甚至適用於諸如 Selene 等搭載數千個 GPU 的巨型超級電腦。

Dally 稱 Legate 正在美國國家實驗室接受測試。

MAGNet、以光鏈路取代現有系統內的電氣鏈路以及 Legate 是成功實現黃氏定律的關鍵，但 GPU 的成功才是基礎。因此，GPU 當下的成功以及未來的演進都尤其重要。

GPU 是黃氏定律的基礎

今年 5 月，NVIDIA 發布了面積高達 826 平方毫米，整合了 540 億個晶體管的 7 奈米全新安培（Ampere）架構 GPU A100。相比 Volta 架構的 GPU 能夠實現 20 倍的性能提升，並可以同時滿足 AI 訓練和推理的需求。

憑藉更高精度的第三代 Tensor Core 核心，A100 GPU AI 性能相比上一代有明顯提升，此前報導，在 7 月的第三個版本 MLPerf Training v0.7 基準測試（Benchmark）結果中，NVIDIA 的 DGX SuperPOD 系統在性能上開創了 8 個全新里程碑，共打破 16 項紀錄。

另外，在 10 月出爐的 MLPerf Inference v0.7 結果中，A100 Tensor Core GPU 在雲端推理的基準測試性能是最先進 Intel CPU 的 237 倍。

更強大的 A100 GPU 迅速被多個大客戶採用，迄今為止，阿里雲、百度智能雲、滴滴雲、騰訊雲等眾多中國雲服務提供商推出搭載了 NVIDIA A100 的多款雲服務及 GPU 實例，包括圖像辨識、語音辨識，以及計算流體動力學、計算金融學、分子動力學等快速增長的高性能計算場景。

另外，新華三、浪潮、聯想、寧暢等系統製造商等也選擇了最新發布的 A100 PCIe 版本以及 NVIDIA A100 80GB GPU，為超大數據中心提供兼具超強性能與靈活的 AI 加速系統。

Dally 在演講中提到：「經過幾代人的努力，NVIDIA 的產品將通過基於物理渲染的路徑追蹤技術，即時生成令人驚豔的圖像，並能夠借助 AI 構建整個場景。」

與光鏈路取代現有系統內的電氣鏈路需要軟硬體的匹配一樣，NVIDIA GPU 軟硬體的結合才能應對更多 AI 應用場景苛刻的挑戰。

Dally 在此次的 GTC China上首次公開展示了 NVIDIA 對話式 AI 框架 Jarvis 與 GauGAN 的組合。GauGAN 利用生成式對抗網路，只需簡略構圖，就能創建美麗的風景圖。演示中，用戶可通過語音指令，即時生成像照片一樣栩栩如生的畫作。

GPU 是黃氏定律的基礎，而能否實現並延續黃氏定律，僅靠少數的大公司顯然不夠，還需要眾多的合作夥伴激發對 AI 算力的需求和更多創新。

黃氏定律能帶來什麼？

NVIDIA 已經在構建 AI 生態，並在 GTC China 上展示了 NVIDIA 初創加速計劃從 100 多家 AI 初創公司中脫穎而出的 12 家公司，這些公司涵蓋會話人工智慧、智慧醫療 / 零售、消費者網路 / 行業應用、深度學習應用 / 加速數據科學、自主機器 / IoT / 工業製造、自動駕駛汽車。

智慧語音正在改變我們的生活。會話人工智慧的深思維提供的是離線智慧語音解決方案，在佔有很少空間的前提下實現智慧交互，語音合成和語音辨識保證毫秒級響應。深聲科技基於 NVIDIA 的產品研發高質量中英文語音合成、聲音定制、聲音複製等語音 AI 技術。

對於行業應用而言，星雲 Clustar 利用 NVIDIA GPU 和 DGX 工作站，能夠大幅提升模型預測精確度以及解決方案處理性能，讓傳統行業的 AI 升級成本更低、效率更高。

摩爾定律的成功帶來了新的時代，黃氏定律能否成功仍需時間給我們答案。但這一定律的提出對 AI 性能的提升給出了明確的預測，並且 NVIDIA 正在通過硬體、軟體的提升和創新，努力實現黃氏定律，同時藉生態的打造想要更深遠的影響 AI 發展。

黃氏定律值得我們期待。

附圖：▲ NVIDIA GPU 助推 AI 推理性能每年提升 1 倍以上。（Source：影片截圖）
▲NVIDIA 首席科學家兼研究院副總裁 Bill Dally。
▲ 搭載 160 多個 GPU 的 NVIDIA DGX 系統模型。

資料來源：https://technews.tw/2020/12/16/huang-law-predicts-that-ai-performance-will-double-every-year/?fbclid=IwAR1vXHWAGt_b8nDRW6VUqzpAINX_n_DzJ0KwJvdBnl18s8Q1A3Thk7hgBoI

➥如何快速研發對抗新冠肺炎藥物?
迄今新冠肺炎(COVID-19)疫情依舊嚴峻，全球迫切需要有效的治療藥物以對抗疫病。


SARS-CoV-2約有25種蛋白質參與感染宿主及病毒複製的過程，其中包含在感染初期與宿主ACE2受體結合的棘蛋白(Spike protein)、可裂解病毒或人類蛋白質的蛋白酶 (proteases)、負責合成病毒RNA的RNA聚合酶 (RNA polymerase) 及RNA切割核糖核酸內切酶( RNA-cleaving endoribonuclease)。若有藥物可以和這些病毒蛋白質結合，便能影響其功能，進一步阻斷病毒後續的感染及複製。


有別於傳統費時耗工的新藥研發過程，近來以電腦運算進行結構模擬的藥物開發方法(computational structure-based drug discovery)大幅加快了新藥的研發。


此技術以分子動力學 (molecular-dynamics simulation)及整體對接(ensemble docking)方法，模擬測試藥物與目標病毒蛋白的動態對接鍵結狀況，從中挑選最有希望抑制病毒的藥物。


現今具高通量運算效能的超級電腦可以在幾天內完成超過十億種化合物的對接模擬。此技術也檢視已在臨床上使用的藥物，有助快速辨識哪些舊藥具有對治新冠肺炎的潛力。


目前，已有許多具阻斷棘蛋白潛力的化合物被挑選出，其抑制活病毒的能力也正在評估中。最後，篩選出候選藥物或化合物後，則需進行「動物實驗」和「人體實驗」驗證其療效。面對疫情，人工智慧的大數據模擬分析是我們研發藥物的強大助力。(「財團法人國家衛生研究院」吳綺容醫師 摘要整理 ➥http://forum.nhri.org.tw/covid19/virus/j_translate/j1110/)


📋 How to Discover Antiviral Drugs Quickly (2020/05/20)+中文摘要轉譯
■ Author：
Jerry M. Parks, Jeremy C. Smith.
■ Link：
(The New England Journal of Medicine) https://www.nejm.org/doi/full/10.1056/NEJMcibr2007042


🔔豐富的學術文獻資料都在【論壇COVID-19學術專區】
■ http://forum.nhri.org.tw/covid19/


#2019COVID19Academic
衛生福利部
疾病管制署 - 1922防疫達人
疾病管制署
國家衛生研究院-論壇