此次合作旨在以AI研究成果应对全球气候变化、鉴别致病因素,并加速药物研发
英特尔与Mila团队的成员(左起):英特尔销售开发经理Jason Gauthier;Mila合作伙伴关系部高级顾问Sophie Le Drew;英特尔行业技术专家Dan Nitta Mackay;英特尔公司副总裁兼数据中心、人工智能和云计算执行与战略总经理Kavitha Prasad;Mila创始人兼科学主任Yoshua Bengio;英特尔人工智能和云计算执行与战略副总裁Arun K. Subramaniyan;Mila合作伙伴关系部高级总监Fred Laurin;英特尔人工智能和云计算执行与战略总监Kannan Keeranam
近日,英特尔宣布与蒙特利尔学习算法研究所(Montreal Institute of Learning Algorithms,Mila)展开为期三年的战略研究与创新合作,来自双方的20余名研究人员将专注于开发先进的AI技术,用于应对气候变化、材料研发和数字生物学等领域的全球性挑战。
Mila创始人兼科学主任Yoshua Bengio表示:“面对当前全球范围内的挑战,我们必须在学术界与产业界之间推动开放科学的文化,从而加速AI应用以造福社会。此次,我们十分高兴能与英特尔展开合作,更加高效地探索用于改善碳捕获、加速药物研发以及助力未来可持续发展的新型材料。”
加速先进AI技术的研发以解决当今世界所面临的一系列极为关键且具有挑战性的问题,需要值得信赖的AI战略,以及扩展计算技术的能力。作为算力和AI领域的领军企业,英特尔和Mila均秉持以积极、强大的力量推动世界变革的理念,基于此,双方将进一步升级其于2021年启动的项目,增加合作方向并加强合作力度,从而推动成果落地。
英特尔公司副总裁兼数据中心、人工智能和云计算执行与战略总经理Kavitha Prasad表示:“要解决气候变化和新材料研发等复杂问题,需要深度的AI研究、具体领域的专业知识,以及先进的计算技术。此次与Mila的合作,将为研究人员提供关键洞察并有效推动技术创新。未来,我们也将与Mila携手,共同面对挑战,以科技之力为下一代创造一个美好的未来。”
此次深化合作将重点关注:
英特尔将与Mila携手进行科技创新,以提高原子模拟(如Open Catalyst数据集)的图神经网络性能。通过增强相关的技术管道,研究人员有望能够大规模使用原子材料数据。研究团队将创建基于学习的框架,以便在需要海量搜索的材料设计应用场景中能够进行有效查询。这些框架可以借鉴强化学习、搜索算法、生成模型以及其他机器学习算法(包括Mila开创的生成流网络)的理念。
英特尔和Mila的研究人员将携手合作,以更便捷地发现更好的候选药物分子。例如,预测复杂的表型——包括基于单核苷酸多态性 (SNP) 基因类型的疾病——一直是数字生物学长期以来面临的一个挑战,因为大多数表型受到整个基因组中诸多SNP的影响。因此,使用大规模人群数据,针对这类表型的所有相关SNP进行联合因果分析,是现阶段面临的主要计算挑战。精确解的搜索空间大小与SNP的数量成指数关系。在检测的SNP达到数百万个时,精确解在计算上难以处理。然而,随着高分辨率数据的可用性提升、突破性AI技术的出现以及摩尔定律推动的计算密度增长,英特尔和Mila计划开发AI技术,用于:
好文章,需要你的鼓励
最新数据显示,Windows 11市场份额已达50.24%,首次超越Windows 10的46.84%。这一转变主要源于Windows 10即将于2025年10月14日结束支持,企业用户加速迁移。一年前Windows 10份额还高达66.04%,而Windows 11仅为29.75%。企业多采用分批迁移策略,部分选择付费延长支持或转向Windows 365。硬件销售受限,AI PC等高端产品销量平平,市场份额提升更多来自系统升级而非新设备采购。
清华大学团队开发出LangScene-X系统,仅需两张照片就能重建完整的3D语言场景。该系统通过TriMap视频扩散模型生成RGB图像、法线图和语义图,配合语言量化压缩器实现高效特征处理,最终构建可进行自然语言查询的三维空间。实验显示其准确率比现有方法提高10-30%,为VR/AR、机器人导航、智能搜索等应用提供了新的技术路径。
新一代液态基础模型突破传统变换器架构,能耗降低10-20倍,可直接在手机等边缘设备运行。该技术基于线虫大脑结构开发,支持离线运行,无需云服务和数据中心基础设施。在性能基准测试中已超越同等规模的Meta Llama和微软Phi模型,为企业级应用和边缘计算提供低成本、高性能解决方案,在隐私保护、安全性和低延迟方面具有显著优势。
IntelliGen AI推出IntFold可控蛋白质结构预测模型,不仅达到AlphaFold 3同等精度,更具备独特的"可控性"特征。该系统能根据需求定制预测特定蛋白质状态,在药物结合亲和力预测等关键应用中表现突出。通过模块化适配器设计,IntFold可高效适应不同任务而无需重新训练,为精准医学和药物发现开辟了新路径。