摩尔定律和埃鲁姆定律都考察了半导体和药物研究领域的三个共同因素：时间、金钱和产出单位。
半导体是现代所有技术进步的支柱，得益于摩尔定律，半导体的单位成本和功能已呈指数级提高。药物发现是医疗保健支出最大的领域之一，其单位成本急剧增加，需要数十亿美元才能将新的创新推向市场。
尽管许多人争论摩尔定律在半导体行业的消亡，但埃鲁姆定律的精神在医疗保健领域显然仍然存在并且运转良好。
超越埃鲁姆定律，让医疗保健的改善与其他人文技术进步一起重回正轨，需要人类在生活硬件上释放云、加速计算和人工智能的现有进步。
医疗保健是最大的经济领域，仅在美国就超过 4 万亿美元。它仍然在很大程度上被大型科技公司和摩尔定律带来的巨大技术进步所忽视。
医疗保健领域的许多领域在改进方面远远低于其潜力
从医疗记录到无处不在的 Apple Watch 和 Peloton 自行车，生成的数据和利用这些数据的科学兴趣呈指数级增长，但在结果方面几乎没有什么可展示的。我们再次缺少关键的分析基础设施来处理数据和破译噪声信号，以便实时了解患者病史、生物信号（心率、氧气和血糖水平）以及环境对患者结果的影响。
在医疗记录领域，尽管医院电子健康记录 (EHR) 的采用率 从 2008 年的 10% 上升到 2014 年的 95%，from 10% in 2008 to 95% by 2014但从数据中提取见解方面进展甚微，无论是在单个患者层面还是在大量数据中。患者。电子健康记录保存结构化数据，例如患者人口统计、药物、诊断数据（实验室、影像、微生物学、病理学等）和免疫接种。
然而，电子病历中生成的大多数数据都是 非结构化unstructured数据，例如医生笔记、保险公司数据和账单数据。
例如，急诊室医生最多需要 5-10 分钟，最严重的情况下需要几秒钟的时间来仔细研究这些以医生笔记和扫描形式呈现的非结构化数据，这些数据可能长达数百页。
由于许多医院使用不同的电子健康记录 (EHR) 实施方式，无法轻松访问来自不同医疗保健提供商的患者的 EHR 或对大量 EHR 记录进行数据分析，导致医疗保健行业无法获取改变游戏规则的数据，以推动医疗保健行业的发展。药物开发和学习以实现更好的临床治疗。
使用大型语言模型 (LLM) 获取电子健康记录中的大量非结构化数据，可以在诊断或治疗中使用这些信息，特别是在紧急和重症护理中，并在研究环境中提供丰富的见解。
语言模型还非常适合对数据进行分类和简化数据可移植性问题，有可能解决当前不同医院或诊所的患者电子病历实际上居住在自己岛上的情况。
基因组测序中的计算瓶颈：GPU 来拯救
Nvidia 正在通过其基因组学工作流程 Parabricks 解决碱基识别、比对和变异识别方面的计算瓶颈，该工作流程是 Clara 的一部分，Clara 是其针对医疗保健生态系统的人工智能加速解决方案套件。
AWS 和 Nvidia 完成的study completed by AWS and Nvidia一项研究详细介绍了基于 CPU 的分析与基于 GPU 的分析。在基于 CPU 的 Amazon EC2 上需要 1,800 分钟的计算，在 Nvidia T4 GPU 上需要 76 分钟，在 Nvidia A100 GPU 上需要 25 分钟。在基于 GPU 的 EC2 上运行时，总成本降低了 90-95%。
整个医疗保健领域，特别是基因组学，正日益成为计算挑战。为了克服埃鲁姆定律，我们需要全面的解决方案，利用生物学、化学、计算、工程和人工智能领域最先进的专业知识，打破现有的孤岛并构建开放的生态系统。
Nvidia 收购 Illumina
Nvidia 收购 Illumina 解决了医疗保健领域的难题，将上游基因组数据与下游人工智能驱动的分析联系起来，为医疗保健创建了新的行业标准。
我们认为收购 Illumina 可以回答以下关键问题：
- 当 90% 的测序数据仅通过辅助 CPU 捕获时，如何开发基因组学的全栈解决方案，从而限制新数据的产生？
- 当 Illumina 工具的默认数据流直接流向亚马逊的云时，您如何开发基因组学的全栈解决方案，亚马逊的云是一个准垄断企业，获得了令人难以置信的高利润，但提供的分析工具却非常薄弱？
- 当数据和分析工具各自为政时，如何创建直观的工作流程，实现医疗保健民主化？
- 在一个天生不擅长构建软件的行业中，谁将统一和标准化这些不同的数据源和工作流程？
- 如果不构建能够跨越医疗保健生态系统的人工智能解决方案，如何将脚本从 Eroom 定律翻转为摩尔定律？
- 如果不为人类最大、最重要的数据集（生命的硬件）启用这种计算，你怎么能声称自己是加速计算的提供者呢？
收购 Illumina 的真正价值在于，它代表了完成 Nvidia 全栈解决方案拼图中所缺失的一块。