从理论研究转向实际应用落地的经历，对不同研究者来说体验各不相同。然而，对于两位前MIT研究生和一位前博士后（现均在IBM工作）来说，在他们的成长阶段与MIT-IBM计算研究实验室（原名MIT-IBM沃森人工智能实验室）合作，不仅帮助他们缩小了教育与就业之间的差距，也催生出有望产生商业影响的创新想法。
尽管Srinivasan Arunachalam、Zhang-Wei Hong（2025届博士）和Irene Ko（2024届博士）分别在量子机器学习、强化学习与人工智能智能体、以及可信与公平人工智能等不同领域从事研究工作，但他们都始终在寻找方法，去攻克那些兼具新颖性与严谨性的难题，并将其转化为能够应对真实约束条件的系统。在这一过程中，MIT-IBM计算研究实验室成为构建研究合作关系、并将其专业知识转化为产业应用的重要渠道。
“在所有的产业实验室中，我认为MIT-IBM实验室在学术合作政策和机会方面都比其他实验室要好得多，”Hong说道。他是MIT-IBM计算研究实验室的一名IBM研究员，于2020年在MIT电气工程与计算机科学系（EECS）开始博士学习。
Hong自从了解到DeepMind能够通过特征工程从原始屏幕像素中学习并玩转Atari游戏后，便一直对强化学习充满热情。在与EECS副教授、同时也是该实验室首席研究员的Pulkit Agrawal合作攻读博士期间，Hong致力于在此基础上进行拓展：他以Atari游戏《蒙特祖玛的复仇》为研究对象，改进强化学习中的价值函数学习方法，以预测并优化智能体的策略表现。在实验室的支持下，Hong开发出多种技术，使人工智能能够更贴近现实场景，并提供更优质的奖励反馈机制，这些成果被他应用于机器人、大语言模型以及科学领域的强化学习等多个方向。
“我对好奇心驱动的探索非常感兴趣，”Hong谈到这段在MIT-IBM期间进行的研究工作时说道，这段经历也助力他走上了如今的职业道路。他表示，这种方法能让智能体像人类一样对新数据保持好奇心，并执行各种任务——从生成测试用例以对大语言模型进行压力测试，到探索全新的环境。如今，作为一名指导自己学生的导师，Hong仍在延续类似的开放式强化学习研究方向，进而深入研究智能体与基础模型的测试时训练问题，并为IBM面向企业任务（如图表读取和数据库查询工具调用）的智能体框架开发基础设施。这其中包括利用进化计算来实现更优的探索优化，以及借助神经科学的启发来改进部署阶段的模型表现。
“如果这项工作取得成功，我认为它将为所有强化学习从业者提供一个非常有用的系统和框架，因为这将是首个能够让模型在部署阶段实现自我进化——即在线更新模型权重的框架，”Hong说道。
Irene Ko的研究工作同样从个人和职业的角度出发，始终以价值为导向。“从我博士研究的第一天起，我就开始与IBM的研究人员一起从事可信人工智能方面的工作，因为这项研究是由MIT-IBM资助的，”Ko说道。她表示，这一点尤为有利，因为她致力于开发前沿、安全、稳健、准确且公平的人工智能的目标，恰好与MIT和IBM的理念相契合，从而缩小了研发与实际部署之间的差距。“这确实在纯粹的学术研究与产业标准或价值之间找到了一种平衡。”
此外，通过她的导师、EECS系Joseph F. and Nancy P. Keithley讲席教授Luca Daniel，以及IBM首席研究科学家Pin-Yu Chen所建立的MIT-IBM合作关系，帮助她明确了研究方向和参数设置，从而最大化研究成果的影响力，起初是在神经网络领域，随后扩展到基础模型和大语言模型领域。2024年博士毕业后，Ko加入IBM研究院，作为研究科学家继续从事可信人工智能方面的研究工作。
“我在博士毕业后选择进入产业界，尤其是选择IBM的原因是，我在博士期间的合作过程中感受到了极大的快乐。那段过程，那五年的经历，给了我极高的个人成就感，”Ko说道。“我想延续这种势头。”
她目前的项目着重于发现现有可信方法中尚未在人工智能推理平台上广泛部署的痛点问题。与使用低秩适配器（这种方法需要额外步骤来监控和修改模型行为）不同，她在vLLM Hook方面的工作提供了一种访问模型内部信号（如隐藏状态或激活值）的方法，用于解码大语言模型。该向量作用于Transformer模块，用以分析安全评分，例如识别提示注入和幻觉现象发生的可能性。在此基础上，Ko开发了一个轻量级的vLLM推理引擎插件框架，用于对模型内部机制进行编程处理，相比其他方法能够显著节省成本。“我为这个项目感到非常自豪，因为就我们所知，这确实是可信人工智能领域中，首个将部署与研发通过推理引擎连接起来的桥梁。”
尽管Srinivasan Arunachalam一直深耕于量子研究领域，但他始终不断探索理论的其他方向，试图在意想不到的研究问题和论文中发现量子层面的洞见与深层数学规律。“乍一看，你根本看不出来。你可能会觉得，这只是个普通问题，但当你深入研究下去，就会发现其中蕴含着一些非常有趣的数学内容，我觉得这非常有意思，”他说道。
正是这种探索精神，促使Arunachalam于2018年以博士后身份加入MIT物理系教授Aram Harrow的研究团队。以学习理论为出发点，Arunachalam致力于寻找可能实现量子加速的目标算法、子程序和电路。他与EECS系Julius A. Stratton讲席教授、同时也是MIT-IBM首席研究员的Isaac Chuang的交流，促使他与实验室以及IBM研究员Kristan Temme展开合作。
在顺利过渡到IBM之后，Arunachalam更加专注于那些有望在近期量子设备上实现的问题，同时考虑到最近邻架构、噪声以及更简单的可观测量测量等实际约束条件。在此期间，Arunachalam将研究重点放在量子机器学习以及量子计算优于经典计算的领域，并日益注重从理论层面获得可证明性，而非仅依赖启发式方法。正是与MIT-IBM的这种联系，帮助他将理论层面的问题转化为具体的研究方向，最终形成了两篇重要论文：一篇关于哈密顿量学习，为学习量子系统的动力学提供了严谨的理论保证；另一篇关于量子核方法，在广泛认可的困难性假设下，为量子特征空间相比经典核方法具有优势提供了理论证据。
Arunachalam还持续拓展自己的知识边界，深入研究计算机科学的不同分支，力求发现他人可能忽视的问题结构。“我一直非常热衷于揭示不同领域之间的内在联系。”这也让他能够探索学习量子态的相关问题——从完全可以经典模拟的量子对象，到极其复杂的量子对象。
尽管Hong、Arunachalam和Ko所研究的领域各不相同，但他们都拥有一种共同的直觉：努力在理论上可行与实践中有用之间架设桥梁，推动理念的转化落地。他们都以各自的方式，运用从MIT-IBM计算研究实验室等合作中获得的知识，去开发“杀手级应用”——即证明底层研究成果能够超越实验室、产生真实世界价值的实际应用案例。
Q&A
Q1：MIT-IBM计算研究实验室是做什么的？
A：MIT-IBM计算研究实验室（原名MIT-IBM沃森人工智能实验室）是MIT与IBM合作建立的研究机构，致力于连接学术理论研究与产业实际应用，帮助研究人员将人工智能、量子计算等前沿理论转化为具有实际商业价值的技术成果。
Q2：Zhang-Wei Hong的强化学习研究主要应用在哪些方面？
A：Hong的研究聚焦于好奇心驱动的探索方法，应用领域包括机器人、大语言模型压力测试以及科学领域的强化学习，目前他正致力于开发IBM面向企业任务的智能体框架，涉及图表读取和数据库查询等场景。
Q3：Irene Ko研发的vLLM Hook有什么作用？
A：vLLM Hook是一种轻量级推理引擎插件框架，可以访问大语言模型内部的隐藏状态和激活值，用于分析模型的安全评分，如识别提示注入和幻觉现象的可能性，相比传统方法能显著降低部署成本。
