从MIT到IBM，加速人工智能与量子技术的部署

MIT News — Artificial Intelligence 2026/09/02 20:25 新闻

ai quantum-computing reinforcement-learning industry-collaboration mit ibm trustworthy-ai

摘要

前MIT研究人员现于IBM任职，通过MIT-IBM计算研究实验室探讨他们在AI与量子应用上的工作，着重于从学术研究到实际部署的转型。

从理论研究转向实际应用的经历对不同研究者而言可能大相径庭。然而，对于两位前MIT研究生和一位前博士后，他们现在都在IBM工作，在MIT-IBM计算研究实验室（前身为MIT-IBM沃森AI实验室）的成长期间合作，使他们不仅弥合了教育与就业之间的差距，还产生了具有商业影响潜力的创意。 尽管分别在量子机器学习、强化学习与人工智能代理、以及可信与公平AI领域追求不同的职业道路，<a href="https://logitechenator.github.io/sarunach/" target="_blank">Srinivasan Arunachalam</a>、<a href="https://williamd4112.github.io/" target="_blank">Zhang-Wei Hong</a>博士（2025届）和<a href="https://ireneko.github.io/" target="_blank">Irene Ko</a>博士（2024届）始终找到方法来解决由新颖性和严谨性定义的问题，并将其转化为具有现实约束的系统。在这里，MIT-IBM计算研究实验室作为研究关系建立和专业知识流向工业应用的渠道。“在所有工业实验室中，我认为MIT-IBM的学术合作政策和机会[比其他实验室]要好得多，”Hong说道，他是IBM研究成员，隶属于MIT-IBM计算研究实验室，于2020年开始在MIT电气工程与计算机科学系攻读博士学位。Hong自发现DeepMind可以通过特征工程从原始屏幕像素中玩Atari并学习以来，就一直着迷于强化学习。在他与EECS副教授Pulkit Agrawal（也是实验室的主要研究者）的研究生工作中，Hong寻求在此基础上改进强化学习在视频游戏中的价值函数学习，使用Atari中的“Montezuma's Revenge”来预测和优化代理的策略性能。在实验室，Hong开发了技术来使AI适应更现实的应用并提供更好的奖励反馈，他将这些应用于机器人、大型语言模型（LLMs）和科学强化学习等领域。 “我对好奇心驱动的探索非常兴奋，”Hong谈到帮助他进入职业生涯的MIT-IBM研究生工作。他说，这使代理能够像人类一样对新数据保持好奇，并执行各种任务——从生成测试用例来压力测试LLMs，到探索新环境。现在，作为自己学生的导师，Hong继续追求类似的开放式强化学习研究路线，使他研究代理和基础模型的测试时训练，并为IBM的企业任务（如图表阅读和数据库查询的工具调用）开发代理框架的基础设施。这包括进化计算以驱动更好的探索优化，以及利用神经科学来指导部署时模型改进。 “如果成功，我认为这将是一个对所有强化学习从业者都非常有用的系统和框架，因为它将是第一个使模型能够在线部署时改进自身模型权重——自我进化的框架，”Hong说。Irene Ko的研究也是价值驱动的，无论是从个人还是专业角度。“我从博士第一天起就与IBM研究人员合作[于可信AI]，因为它由MIT-IBM资助，”Ko说。她说，这特别有利，因为她的目标是开发前沿安全、稳健、准确和公平的AI，这也与MIT和IBM的目标一致，缩小了开发与实际部署之间的差距。“这真正平衡了纯粹研究和具有行业标准或价值的东西。” 此外，她通过EECS的导师Joseph F. and Nancy P. Keithley教授Luca Daniel和IBM首席研究科学家Pin-Yu Chen进行的MIT-IBM合作，帮助定义了她的工作方向和参数，以最大化影响，最初在神经网络，后来在基础模型和LLMs方面。2024年毕业后，Ko加入IBM研究院，继续作为一名研究科学家从事可信AI工作。 “我选择在博士后进入行业，特别是IBM的原因是，我在博士期间从合作中找到了巨大的快乐。那个过程，那五年，给了我个人满足感上的极高回报，”Ko说。“我想继续保持这种势头。” 她目前的项目专注于在当前未广泛部署于AI推理平台中的可信方法中找到痛点。与使用低秩适配器不同，后者增加了监控和修改模型行为的额外步骤，她对<a href="https://arxiv.org/abs/2603.06588">vLLM Hook</a>的研究提供了一种访问内部模型信号（如隐藏状态或激活）的方法，用于解码LLMs。此向量作用于Transformer模块以分析安全评分，例如识别提示注入和幻觉的可能性。在这里，Ko开发了一个轻量级的vLLM推理引擎插件框架来编程模型内部，这可能比其他方法节省大量成本。“我为这个项目感到非常自豪，因为据我们所知，这是可信AI部署与推理引擎开发之间的第一个桥梁。”尽管Srinivasan Arunachalam一直涉足量子研究，但他不断探索理论的其他领域，试图在意外的探究线和论文中发现量子见解和深层数学。“乍一看，你看不出来。你认为，也许这只是一个普通问题，但一旦你开始进一步研究，你会发现一些真正有趣的数学从中出现，我觉得这很酷，”他说。 这吸引了Arunachalam于2018年来到MIT，在物理系教授Aram Harrow的小组做博士后。以学习理论为先，Arunachalam寻找目标算法、子程序和电路，其中量子加速可能是可能的。与Isaac Chuang（Julius A. Stratton电气工程与物理教授兼MIT-IBM主要研究者）的对话促使他与实验室和IBM研究员Kristan Temme合作。随着无缝过渡到IBM，Arunachalam更紧密地涉及可能在近期量子设备上实现的问题，同时考虑诸如最近邻架构、噪声和更简单可观察测量等约束。在此期间，Arunachalam专注于量子机器学习以及量子计算优于经典计算的领域，越来越优先考虑基于理论的证明而非启发式方法。MIT-IBM的联系帮助将理论问题转化为具体的研究方向，塑造了最终形成两篇著名论文的工作：一篇关于<a href="https://www.nature.com/articles/s41567-021-01232-0">Hamiltonian learning</a>，为学习量子系统动力学提供了严格保证；另一篇关于<a href="https://www.nature.com/articles/s41567-021-01287-z" target="_blank" title="https://urldefense.proofpoint.com/v2/url?u=https-3A__www.nature.com_articles_s41567-2D021-2D01287-2Dz&d=DwMGaQ&c=BSDicqBQBDjDI9RkVyTcHQ&r=DnB5pyHHW7pStEbZ1xvkqcyoSlR7kH8n9uuvTBdkYW0&m=zBqVolxBrm6Ssuj7-7UtrNI7mULm3FlgsWdVfM7CsoQc4c2lm6nZ-yyrXGZeiGQE&s=2LWb">quantum kernels</a>，提供了理论证据表明量子特征空间在广泛相信的硬度假设下可以提供优于经典核的优势。Arunachalam还继续扩展他的知识库，通过投身于计算机科学的不同分支来unco

查看原文

查看缓存全文

缓存时间: 2026/09/02 23:43

# 从MIT到IBM：加速人工智能与量子计算部署来源：https://news.mit.edu/2026/from-mit-to-ibm-expediting-ai-and-quantum-deployment-0902 从理论研究转向实际应用的经历，因研究者而异，其体验可能大相径庭。然而，对于两位前麻省理工学院研究生和一位前博士后——他们如今都在IBM工作——而言，在MIT-IBM计算研究实验室（前身为MIT-IBM沃森人工智能实验室）的培养期间参与工作，不仅帮助他们弥合了学术与就业之间的鸿沟，更催生了具有商业影响潜力的创意。尽管Srinivasan Arunachalam (https://logitechenator.github.io/sarunach/)、张伟宏（Zhang-Wei Hong，(https://williamd4112.github.io/)，2025届博士）和Irene Ko (https://ireneko.github.io/)（2024届博士）分别投身于量子机器学习、强化学习与人工智能代理、以及可信与公平人工智能等不同职业领域，但他们始终找到了解决以新颖性和严谨性定义的问题的方法，并将这些方案转化为具备实际约束条件的系统。在这里，MIT-IBM计算研究实验室成为搭建研究联系、将其专业知识输送到工业应用的桥梁。 “在所有工业实验室中，我认为MIT-IBM拥有比其他实验室更好的学术合作政策和机会，”现为MIT-IBM计算研究实验室IBM研究员、2020年于麻省理工学院电气工程与计算机科学系（EECS）开始博士研究的宏表示。自发现DeepMind能够通过特征工程，从原始屏幕像素中学习玩雅达利游戏以来，宏一直对强化学习着迷。在研究生阶段，与EECS副教授、同时也是实验室首席研究员的Pulkit Agrawal共事期间，宏试图在此基础上更进一步：以雅达利游戏《蒙特祖玛的复仇》为例，改进强化学习在视频游戏中的价值函数学习，以预测和优化代理的策略表现。通过与实验室的合作，宏开发了使人工智能更贴近现实应用并提供更好奖励反馈的技术，并将这些技术应用于机器人、大型语言模型（LLMs）以及用于科学的强化学习等领域。 “我对好奇心驱动的探索非常着迷，”宏谈起助力他进入职业生涯的MIT-IBM研究生工作时说道。他表示，这使得代理能够像人类一样对新数据保持好奇，并执行各种任务——从生成测试用例来对大型语言模型进行压力测试，到探索新环境。如今，作为自己学生的导师，宏继续追求类似的开放式强化学习研究方向，这促使他开始研究代理和基础模型在测试时的训练，并为IBM面向企业任务（如图表阅读和数据库查询的工具调用）的代理框架开发基础设施。这包括利用进化计算来优化探索，并利用神经科学为部署时的模型改进提供信息。 “如果成功，我认为这将对所有强化学习从业者非常有用，因为它将成为首个能够使模型在部署时实现自我进化——在线更新其模型权重的框架，”宏说。 Irene Ko的研究，无论从个人还是专业角度，都极具价值。“我从博士第一天起就与IBM的研究人员一起从事[可信人工智能]研究，因为该项目由MIT-IBM资助，”Ko说。她表示，这尤其有利，因为她的目标——开发前沿安全、稳健、准确且公平的人工智能——也与麻省理工学院和IBM的目标一致，从而缩小了开发与现实世界部署之间的差距。“这真正实现了纯粹研究与具有行业标准或价值的事物之间的平衡。” 此外，她通过EECS的导师Joseph F. and Nancy P. Keithley教授Luca Daniel以及IBM首席研究科学家Pin-Yu Chen进行的MIT-IBM合作，帮助界定了她工作的方向和参数以最大化影响力，最初是在神经网络领域，后来则涉及基础模型和大型语言模型。2024年毕业后，Ko加入IBM研究院，继续作为研究科学家从事可信人工智能的工作。 “我选择在博士毕业后进入工业界，特别是IBM，是因为我在博士期间的合作中发现了巨大的乐趣。那个过程，那五年，给了我极高的个人成就感，”Ko说。“我希望延续这种势头。” 她目前的项目专注于寻找当前可信方法中尚未在人工智能推理平台广泛部署的痛点。与使用低秩适配器（需要额外步骤来监控和修改模型行为）不同，她在vLLM Hook (https://arxiv.org/abs/2603.06588)上的工作提供了一种访问内部模型信号（如隐藏状态或激活）来解码大型语言模型的方法。该向量作用于Transformer模块，分析安全分数，例如识别提示注入和幻觉的可能性。在此，Ko开发了一个轻量级的vLLM推理引擎插件框架来编程模型内部，这可以比其他方法显著节省成本。“我对这个项目感到非常自豪，因为据我们所知，这真的是首次在可信人工智能的部署与推理引擎开发之间架起桥梁。” 虽然Srinivasan Arunachalam一直涉足量子研究，但他不断探索理论的其他领域，试图在出人意料的研究方向和论文中寻找量子洞见和深奥的数学。“乍一看，你看不出来。你可能会想，也许这只是个普通问题，但当你开始深入研究后，你会发现一些非常有趣的数学，我认为这很酷，”他说。这吸引Arunachalam于2018年以博士后身份加入麻省理工学院物理系Aram Harrow教授的团队。以学习理论为先的视角，Arunachalam寻找目标算法、子程序和电路，其中量子加速可能是可行的。与麻省理工学院教授、MIT-IBM首席研究员Isaac Chuang的交谈，促使他与实验室以及IBM研究员Kristan Temme展开合作。随着无缝过渡到IBM，Arunachalam更深入地参与可能在近期量子设备上实现的问题，同时牢记诸如近邻架构、噪声和更简单的可观测测量等约束。在此期间，Arunachalam专注于量子机器学习以及量子计算将优于经典计算的领域，日益优先考虑基于理论的可证性而非启发式方法。MIT-IBM的联系帮助将理论问题转化为具体的研究方向，塑造了最终产出两篇重要论文的工作：一篇是关于哈密顿量学习（https://www.nature.com/articles/s41567-021-01232-0），它为学习量子系统动力学提供了严格保证；另一篇是关于量子核（https://www.nature.com/articles/s41567-021-01287-z），它在广泛相信的困难假设下，提供了量子特征空间可以比经典核提供优势的理论证据。 Arunachalam还持续通过投入计算机科学的不同分支来扩展自己的知识库，以揭示他人可能忽略的问题中的结构。“我一直非常喜欢的一件事就是揭示不同领域之间的联系。”这使他得以探索从完全经典可模拟的量子对象到极其复杂的量子对象在内的量子态学习。尽管宏、Arunachalam和Ko身处不同领域，但他们共享一种本能：将想法从理论上可能的领域跨越到实际应用中有用的领域。各自以自己的方式，他们都在运用从MIT-IBM计算研究实验室等合作中获得的知识，开发“杀手级应用”——一个能够证明基础研究在实验室之外也能产生价值的现实世界用例。

从MIT到IBM，加速人工智能与量子技术的部署

相似文章

麻省理工学院与IBM计算研究实验室成立，旨在塑造人工智能与量子计算的未来

MIT-IBM沃森AI实验室：从萌芽到引领，赋能早期教职研究人员的影响力

IBM：通过可信量子计算实现量子优势

IBM新型低温系统模块化架构

量子计算正在成为下一层AI基础设施，还是时间线仍然太遥远？

提交意见反馈