图灵奖花落高性能计算：72岁美国田纳西大学教授唐加拉获奖

　　记者 / 邵文

　　3月30日，“计算领域的诺贝尔奖”图灵奖公布，美国田纳西大学电气工程和计算机科学系教授Jack J. Dongarra（杰克·唐加拉）因其对高性能计算发展的贡献而得到表彰。

　　Jack J. Dongarra自1989年起即为田纳西大学电气工程和计算机科学系特聘教授，也是美国橡树岭国家实验室计算机科学和数学部的杰出研究人员。自2007年以来，他还担任曼彻斯特大学数学学院的图灵研究员，同时在莱斯大学计算机科学系担任兼职教授。

　　美国计算机协会（ACM）在官网中写道，ACM图灵奖授予JACK J. DONGARRA以表彰其开创性的概念和方法，这些概念和方法推进了给世界带来改变的计算。他在数值算法和库方面的开创性贡献，使得高性能计算软件能够跟上四十多年来的指数级硬件更新。

　　Dongarra在接受《ZD Net》采访时表示，在他看来，他最重要的贡献包括三件事，“其中一个是设计和构建在高性能机器上运行的数值软件，该机器可以获得性能并且可移植到其他机器和架构中。”其次是他在并行处理机制方面的工作，包括广泛使用的“消息传递接口”（MPI，Message-Passing Interface）。第三，衡量计算机运行速度的性能评估技术，这已成为超级计算机的TOP500列表。

　　“所有这些工作都专注于先进的计算机架构，以及如何非常有效地利用它们，”Dongarra表示。

　　ACM图灵奖通常被称为“计算领域的诺贝尔奖”，奖金为100万美元，由谷歌提供资金支持，以世界计算机科学的先驱Alan M. Turing（艾伦·图灵）的名字命名。

　　“Dongarra通过对线性代数运算的高效数值算法、并行计算编程机制和性能评估工具的贡献，引领了高性能计算的世界。”ACM介绍道。

　　近四十年来，人人皆知摩尔定律使硬件性能呈指数级增长。与此同时，虽然大多数软件未能跟上这些硬件进步的步伐，但高性能数值软件却做到了——这在很大程度上归功于Dongarra的算法、优化技术和生产质量的软件实现。

　　Dongarra今年72岁（出生于1950年7月），曾在芝加哥州立大学获得数学学士学位，在伊利诺伊理工学院获得计算机科学硕士学位，后在新墨西哥大学获得应用数学博士学位，是美国国家工程院院士与英国皇家学会的外籍院士。在此次获得图灵奖之前，Dongarra也曾获IEEE计算机先锋奖、SIAM/ACM计算科学与工程奖和ACM/IEEE肯尼迪奖，同时还是ACM Fellow、IEEE Fellow、SIAM Fellow、AAAS Fellow、ISC Fellow 与 IETI Fellow。

1980年的Jack Dongarra

　　“我是一个数学家，对我来说，一切都是线性代数，但世界也正在看到这一点,” Dongarra曾在采访中表示，“这是我们用来建造其它东西的材料。机器学习和人工智能中的大多数问题都可以追溯到线性代数中的‘永恒的计算组件’。”

　　据ACM介绍，Dongarra的主要贡献是创建了开源软件库和标准，这些软件库和标准采用线性代数作为中间语言，可以被各种应用程序使用。这些库为单处理器、并行计算机、多核节点和每个节点的多个GPU编写。Dongarra创建的库还引入了许多重要的创新，包括自动调整、混合精度算术和批处理计算。

　　Dongarra的所有这些努力最终使得，基于线性代数的软件库在从笔记本电脑到世界上最快的超级计算机上等都实现了高性能科学和工程计算，这些库使功能越来越强大的计算机能够解决具有计算挑战性的问题。

　　ACM主席Gabriele Kotsis表示，"当今最快的超级计算机在媒体上成为头条新闻，并通过在一秒钟内完成万亿次计算的惊人壮举来激发公众的兴趣。除了打破新纪录以外，高性能计算一直是科学发现的主要工具。高性能计算的创新也蔓延到许多不同的计算领域，推动了整个领域的发展。Jack Dongarra在引导这一领域的成功发展中发挥了核心作用。他的开拓性工作可以追溯到1979年，而且至今他仍是高性能计算社区中最重要且积极参与的领导者之一。他的职业生涯无疑体现了图灵奖对于'具有持久重要性的重大贡献'的认可"。

　　“Jack Dongarra的工作从根本上改变并推动了科学计算，”谷歌高级研究员、谷歌健康高级副总裁Jeff Dean说道，“他在世界上使用最频繁的数值库的核心所做的深入而重要的工作是科学计算各个领域的基础，帮助推进了从药物发现到天气预报、航空航天工程和其他数十个领域的一切，并且他专注于表征广泛的计算机已经导致计算机体系结构的重大进步，非常适合数值计算。”

　　Dongarra在采访中表示，他正在学习建立在所有线性代数代码之上的各种机器学习AI技术，他坚信AI将为工程和科学带来的好处。

　　“机器学习是帮助解决科学问题的重要工具，”Dongarra说道，“我们才刚刚开始了解如何使用AI和机器学习来帮助解决这些问题。它不会解决我们的问题，它会帮助我们解决问题。”