英特爾聯(lián)合Mila，打造值得信賴的人工智能

英特爾與Mila團隊的成員（左起）：英特爾銷售開發(fā)經理Jason Gauthier；Mila合作伙伴關系部高級顧問Sophie Le Drew；英特爾行業(yè)技術專家Dan Nitta Mackay；英特爾公司副總裁兼數據中心、人工智能和云計算執(zhí)行與戰(zhàn)略總經理Kavitha Prasad；Mila創(chuàng)始人兼科學主任Yoshua Bengio；英特爾人工智能和云計算執(zhí)行與戰(zhàn)略副總裁Arun K. Subramaniyan；Mila合作伙伴關系部高級總監(jiān)Fred Laurin；英特爾人工智能和云計算執(zhí)行與戰(zhàn)略總監(jiān)Kannan Keeranam

近日，英特爾宣布與蒙特利爾學習算法研究所（Montreal Institute of Learning Algorithms，Mila）展開為期三年的戰(zhàn)略研究與創(chuàng)新合作，來自雙方的20余名研究人員將專注于開發(fā)先進的AI技術，用于應對氣候變化、材料研發(fā)和數字生物學等領域的全球性挑戰(zhàn)。

Mila創(chuàng)始人兼科學主任Yoshua Bengio表示：“面對當前全球范圍內的挑戰(zhàn)，我們必須在學術界與產業(yè)界之間推動開放科學的文化，從而加速AI應用以造福社會。此次，我們十分高興能與英特爾展開合作，更加高效地探索用于改善碳捕獲、加速藥物研發(fā)以及助力未來可持續(xù)發(fā)展的新型材料。”

加速先進AI技術的研發(fā)以解決當今世界所面臨的一系列極為關鍵且具有挑戰(zhàn)性的問題，需要值得信賴的AI戰(zhàn)略，以及擴展計算技術的能力。作為算力和AI領域的領軍企業(yè)，英特爾和Mila均秉持以積極、強大的力量推動世界變革的理念，基于此，雙方將進一步升級其于2021年啟動的項目，增加合作方向并加強合作力度，從而推動成果落地。

英特爾公司副總裁兼數據中心、人工智能和云計算執(zhí)行與戰(zhàn)略總經理Kavitha Prasad表示：“要解決氣候變化和新材料研發(fā)等復雜問題，需要深度的AI研究、具體領域的專業(yè)知識，以及先進的計算技術。此次與Mila的合作，將為研究人員提供關鍵洞察并有效推動技術創(chuàng)新。未來，我們也將與Mila攜手，共同面對挑戰(zhàn)，以科技之力為下一代創(chuàng)造一個美好的未來。”

此次深化合作將重點關注：

?   自動化AI驅動的新材料研發(fā)：諸如密度泛函理論等化學模擬技術的進步，為模擬復雜材料系統(tǒng)的重要特性提供了途徑。然而，這些技術受限于它們所能建模的材料系統(tǒng)的復雜性，這是因為當原子數量增加時，計算成本會大幅提升。以圖神經網絡（GNN）為代表的AI技術，有助于在近似化學模擬時顯著降低計算成本，尤其是在系統(tǒng)規(guī)模增加的情況下。這意味著未來有可能利用AI模擬技術來復制更復雜的材料系統(tǒng)，無疑也將帶來巨大的應用前景。值得注意的是，如果能發(fā)現新材料，亦將有助于降低成本和碳排放量。

英特爾將與Mila攜手進行科技創(chuàng)新，以提高原子模擬（如Open Catalyst數據集）的圖神經網絡性能。通過增強相關的技術管道，研究人員有望能夠大規(guī)模使用原子材料數據。研究團隊將創(chuàng)建基于學習的框架，以便在需要海量搜索的材料設計應用場景中能夠進行有效查詢。這些框架可以借鑒強化學習、搜索算法、生成模型以及其他機器學習算法（包括Mila開創(chuàng)的生成流網絡）的理念。

?   將因果機器學習應用于氣候科學：雖然基于物理學的標準氣候模型可以幫助預測氣候變化所帶來的影響，但它們極其復雜且計算成本高昂。即使是在專用的超級計算機上，通常也需要運行幾個月的時間，這降低了模擬的運行頻率，也無法很好地提供精細、本地化的預測。此外，這些模型通常無法解釋預測背后的推理或因果關系。基于此，英特爾與Mila希望填補這一空白，通過構建一種基于因果機器學習的新型氣候模型模擬器,確定傳統(tǒng)氣候模型的高維輸入數據中有哪些變量可以預測，旨在通過全面而可靠地預測氣候變化的影響，在推動氣候科學發(fā)展的同時為決策提供可靠的判斷依據。

?   加速研究疾病的分子驅動因素和新藥研發(fā)：新藥研發(fā)是一個漫長的過程，每一種獲批藥物的平均成本是26億美元。成本之所以如此高昂，是因為尋找能與特定靶標契合的小分子是一個危險且高度不確定的過程，并可能耗費超過十年的時間。而且，即便找到了一個分子，也有可能在后期失效。

英特爾和Mila的研究人員將攜手合作，以更便捷地發(fā)現更好的候選藥物分子。例如，預測復雜的表型——包括基于單核苷酸多態(tài)性 (SNP) 基因類型的疾病——一直是數字生物學長期以來面臨的一個挑戰(zhàn)，因為大多數表型受到整個基因組中諸多SNP的影響。因此，使用大規(guī)模人群數據，針對這類表型的所有相關SNP進行聯(lián)合因果分析，是現階段面臨的主要計算挑戰(zhàn)。精確解的搜索空間大小與SNP的數量成指數關系。在檢測的SNP達到數百萬個時，精確解在計算上難以處理。然而，隨著高分辨率數據的可用性提升、突破性AI技術的出現以及摩爾定律推動的計算密度增長，英特爾和Mila計劃開發(fā)AI技術，用于：

o    了解疾病背后的分子驅動因素，預測復雜的表型，包括基于SNP基因類型的疾病。

o    發(fā)現最有前景的藥物分子。英特爾和Mila應用的全新AI技術有望顯著降低成本并更快地將革命性藥物推向市場。