苹果内部公司文件显示，2013年至2018年，苹果三大主要代工商富士康、和硕以及广达都难以遵守临时工法。

　　英伟达首席科学家兼研究院副总裁BillDally

　　雷锋网消息，在今天GTCChina2020演讲中，Dally称：“如果我们真想提高计算机性能，黄氏定律就是一项重要指标，且在可预见的未来都将一直适用。”

　　Dally用三个项目说明黄氏定律将如何得以实现。首先是为了实现超高能效加速器的MAGNet工具。英伟达称，MAGNet生成的AI推理加速器在模拟测试中，能够达到每瓦100teraops的推理能力，比目前的商用芯片高出一个数量级。

　　之所以能够实现数量级的性能提升，主要是因为MAGNet采用了一系列新技术来协调并控制通过设备的信息流，最大限度地减少数据传输。数据搬运是AI芯片最耗能的环节已经是当今业界的共识，这一研究模型以模组化实现能够实现灵活扩展。

　　Dally带领的200人的研究团队的另一个研究项目目标是以更快速的光链路取代现有系统内的电气链路。Dally说：“我们可以将连接GPU的NVLink速度提高一倍，也许还会再翻番，但电信号最终会消耗殆尽。”

　　这个项目是英伟达与哥伦比亚大学的研究团队合作，探讨如何利用电信供应商在其核心网络中所采用的技术，通过一条光纤来传输数十路信号。据悉，这种名为“密集波分复用”的技术，有望在仅一毫米大小的芯片上实现Tb/s级数据的传输，是如今互连密度的十倍以上。

　　

　　搭载160多个GPU的NVIDIADGX系统模型

　　Dally在演讲中举例展示了一个未来将搭载160多个GPU的NVIDIADGX系统模型。这意味着，利用“密集波分复用”技术，不仅可以实现更大的吞吐量，光链路也有助于打造更为密集的系统。

　　想要发挥光链路的全部潜能，还需要相应的软件，这也是Dally分享的第三个项目——全新编程系统原型Legate。Legate将一种新的编程速记融入了加速软件库和高级运行时环境Legion，借助Legate，开发者可在任何规模的系统上运行针对单一GPU编写的程序——甚至适用于诸如Selene等搭载数千个GPU的巨型超级计算机。

　　

　　Dally称Legate正在美国国家实验室接受测试。

　　MAGNet、以光链路取代现有系统内的电气链路以及Legate是成功实现黄氏定律的关键，但GPU的成功才是基础。因此，GPU当下的成功以及未来的演进都尤其重要。

　　GPU是黄氏定律的基础

　　今年5月，英伟达发布了面积高达826平方毫米，集成了540亿个晶体管的7nm全新安培（Ampere架构GPUA100。相比Volta架构的GPU能够实现20倍的性能提升，并可以同时满足AI训练和推理的需求。