在今年超級電腦年度盛事 SC18 所公布的最新全球超級電腦榜單上，基於 NVIDIA GPU 加速的系統大放異彩，包括台灣杉 2 等多套新超級電腦系統在象徵性能的 Top500 與能耗效能的 Green 500 雙雙入榜，取得相當亮眼的表現，也驗證 NVIDIA 執行長表示透過 GPU 加速將持續推動產業摩爾定律的說法；而在 SC18 正式開始前一天， NVIDIA 執行長黃仁勳也進行主題演講，聚焦在 NVIDIA 如何透過軟硬體結合推動新一代超級電腦創新。
黃仁勳表示， NVIDIA 在 10 年前的 SC08 大會首度宣布基於 Tesla GPU 加速的個人超級電腦，而十年後的今日，基於 Tesla V100 GPU 的 Summit 成為全球最快的超級電腦，同時歐洲與日本最快的超級電腦也是基於 Tesla V100 ，並且在今年 Green 500 節能超級電腦榜單的前 25 名當中奪得 22 席，展現極高的能源效率，也證實 GPU 加速為超級電腦產業帶來全新的局面。
同時，為了面對越來越複雜的應用並用於更多的分析與研究，新一代的超級電腦也有全新的需求，為了提供不同類型的運算，混合精度運算與結合機械學習的超級電腦已成趨勢，尤其透過機器學習與深度學習的方式提升運算效率，更為超級電腦帶來更好的運算效率。
NGC 為 HPC 帶來容器化的下載後導入的易使用特色， RAPIDS 開源平台可為數據分析透過 GPU 大幅加速
然而，光是硬體並不足以讓 NVIDIA GPU 能在超級電腦領域有如此優異的表現，軟體與硬體的結合是相當重要的關鍵；透過 CUDA 持續不斷的發展， CUDA 在超級電腦業界與分析研究應用已廣泛的被支援，加上 NVIDIA 持續在硬體架構與 CUDA 軟體持續演進，促使每一版的 CUDA 都不斷使效能再攀升。
同時， NVDIA 也試圖讓開發者、研究人員更容易發揮與使用 GPU ，推出 NVIDIA GPU CLOUD 平台與 RAPIDS 開源加速平台兩項平台，分別提供深度學習 HPC 的容器下載與整合的數據分析資料庫工具，讓基於 GPU 的系統更容易安裝，以及能夠將數據分析更有效率的透過 GPU 執行。同時， NVIDIA 已經透過總部所架設的超級電腦系統進行測試，確保工具的性能、相容性與可靠性，使開發者不必擔心這些釋出的工具的品質，只需下載並使用。
NVIDIA GPU CLOUD ( NGC )藉由提供不斷更新的各式深度學習與 HPC 應用容器，並以圖像化與分類的方式幫開發者預先過濾不同類型的容器，註冊的使用者可直接透過 NGC 下載，同時這些容器可在跨工作站、 Cluster 與雲平台等 NGC Ready 平台執行，並支援單加速器到大量加速器。
至於 RAPIDS 則是希望能解決過往複雜的超級電腦分析工具的平台，透過 In GPU Memory 的方式大幅加速這些數據分析的效率，其中針對資料分析、機器學習與影像分析個別提供 cuDF 、 cuML 與 cuGRAPH 等不同類型的工具，基於 Apache Arrow ，並有近似 pandas API 的特性，以開源方式拋磚引玉吸引開發者採用。在今天的活動， NVIDIA 更展示銀河的模擬，藉由 NGC 所下載與安裝的容器，搭配兩套 DGX2 將達 7TB 的數據透過 ParaView 模擬出約銀河系 1/5 規模的星系，並將結果轉化為 3D 的可視化影像。
藉 NVLink 與 NVSwitch 為超級電腦 Scale UP
提到超級電腦的性能提升，就會回歸到 Scale Up 單一系統縱向擴張與 Scale Out 系統規模橫向擴展兩者孰優孰劣，然而若以當前 CPU 的發展，乍看下要進行 Scale Up 似乎不太實際，然而黃仁勳表示，透過 GPU 加速的方式仍能為單一系統的效能帶來變革。
過往 GPU 加速在超級電腦的限制，取決在 GPU 上的記憶體雖較 CPU 的記憶體效能更高但容量卻不足，同時傳統的加速運算主控權握在 CPU 上，運算的結果需要反覆在 CPU 與 GPU 之間多次的傳輸，而多張 GPU 之間又須透過 CPU 控制，且以當前的 PCIe 介面亦不足以負擔多張 GPU 運算所需的效能，甚至在連接達 16 張 GPU 時，由於頻寬阻塞與管理問題，反而使性能下降。
有鑑於此， NVIDIA 在 Pascal 架構的 Tesla P100 導入 NVLink 技術，不僅提供比起 PCIe 更大的頻寬，亦可使 GPU 與 GPU 直接溝通，同時還可讓串聯在同一個 NVLink 上的最多 8 個 GPU 的記憶體共享，也解決一部分的問題。
而在採用 Tesla V100 的 DGX2 上， NVIDIA 進一步透過 NVSwitch 將兩組 NVLink 上共 16 個 GPU 構成一個更大型的 GPU ，不僅再度使 GPU 規模增加獲得更高的運算力，不會如過往多 GPU 連接時效能會有顯著折損的現象，當連接到 16 個 GPU 時的性能依舊呈現線性提升，同時並可更進一步使單一超級電腦上的 GPU 加速器有更大的記憶體容量。就結果來說，原本模擬阿爾卑斯山附近約一百萬平方公里範圍的一日天氣預測，約需要達 175 台 CPU 超級電腦的規模，現在僅須透過一台 DGX-2 以 1/6 的功耗，即可在 20 分鐘內達成，達到以一抵百的表現。
透過 Turing 圖靈架構的 Tesla T4 Cloud GPU 為超級電腦縱向 Scale UP 、橫向 Scale Out
黃仁勳也提出，除了單一系統的性能擴張以外，為了讓大規模的系統能夠獲得飛躍的效能提升，同步進行系統擴張與規模擴展是必行知道；其中的關鍵就是甫於日本 GTC 所發表、基於 Turing 圖靈架構的 Tesla T4 Cloud GPU 。 Turing 圖靈架構除了具備 CUDA Core 外，透過加入 Tensor Core AI 加速核心，藉具備包括多精度運算的 Tensor Core 大舉提升如機器學習與深度學習的性能，同時僅 75W 的 TDP 亦使 Tesla T4 的尺寸相當小巧。
也因此， NVIDIA 與合作夥伴也將兩張 Tesla T4 配置在業界標準規範的 OPC 模組當中，使採用 OPC 模組化的機架式伺服器能夠一舉進行縱向擴張性能，同時搭配 NGC 與 RAPIDS ，使多個伺服器的 GPU 資源得以進行橫向擴展；在今天的主題演講，亦透過 RAPIDS 調配 Google Cloud 的 Tesla T4 GPU 進行花卉的種類分類的影像辨識，僅須透過複製一行指令，即可在原本僅支援單一系統、 4 張 GPU 變成可動用達 32 個 Tesla T4 GPU 使效率倍增，達到一秒辨識 5 萬張以上花朵圖片的性能。
