从MIT到IBM：加速AI与量子技术的落地应用

从理论研究转向实际应用，对不同研究者而言体验迥异。然而，对于三位曾在MIT就读的学者——如今均供职于IBM——来说，在MIT-IBM计算研究实验室（前身为MIT-IBM Watson AI实验室）度过的成长岁月，不仅帮助他们弥合了学术与职业之间的落差，也催生了极具商业价值的创新思路。

尽管三人分别专注于量子机器学习、强化学习与AI智能体、可信公平AI等不同方向，Srinivasan Arunachalam、Zhang-Wei Hong（2025年博士）和Irene Ko（2024年博士）始终致力于攻克兼具新颖性与严谨性的问题，并将其转化为在实际系统约束下可落地的解决方案。MIT-IBM计算研究实验室在这一过程中充当了学术合作的纽带，将他们的专业知识输送至产业应用。

"在所有工业实验室中，我认为MIT-IBM在学术合作政策与机会方面远胜其他。"Hong说。他是IBM研究员，同时隶属于MIT-IBM计算研究实验室，2020年起在MIT电气工程与计算机科学系（EECS）攻读博士学位。

Hong对强化学习的兴趣，源于他发现DeepMind能够仅凭屏幕像素通过特征工程学会玩Atari游戏。博士期间，他在EECS副教授Pulkit Agrawal的指导下，以Atari游戏《Montezuma's Revenge》为实验对象，致力于提升强化学习中的价值函数学习能力，以预测并优化智能体的策略表现。在实验室期间，他开发出多种技术，使AI更贴近实际应用场景、提供更优质的奖励反馈，并将其应用于机器人、大语言模型及科学领域的强化学习。

"我对好奇心驱动的探索非常着迷。"Hong谈到这段助推他职业发展的研究经历时说。他认为，这种机制能让智能体像人类一样主动探索新数据，胜任多种任务——从生成测试用例以压力测试大语言模型，到探索全新环境。如今，作为学生导师的Hong仍在延续开放式强化学习研究，探索智能体与基础模型的测试时训练，并为IBM面向企业任务的智能体框架开发基础设施，涵盖图表解读与数据库查询工具调用等场景。相关工作还引入了进化计算以驱动更优的探索优化，并借鉴神经科学改进模型的部署时性能。

"如果成功，我认为这将是一个对强化学习从业者极具价值的系统与框架，因为它将是第一个能让模型在部署阶段自我进化、在线更新模型权重的框架。"Hong说。

Irene Ko的研究同样具有鲜明的价值导向——无论是从个人层面还是职业层面。"从博士第一天起，我就开始与IBM研究人员合作研究可信AI，因为这个项目由MIT-IBM资助。"Ko说。这对她而言尤为有利，因为她致力于开发安全、鲁棒、精准且公平的前沿AI，这一目标与MIT和IBM高度契合，有助于缩短研究开发与实际部署之间的距离。"这真正实现了纯粹研究与工业价值之间的平衡。"

此外，她在EECS导师Luca Daniel教授（Joseph F. and Nancy P. Keithley讲席教授）与IBM首席研究科学家Pin-Yu Chen的共同引导下，明确了研究方向与参数设定，以实现最大影响力——先聚焦于神经网络，后延伸至基础模型与大语言模型。2024年博士毕业后，Ko加入IBM Research，以研究科学家身份继续从事可信AI研究。

"博士毕业后选择进入业界、尤其是IBM，原因在于我在博士期间的合作中获得了极大的成就感。那五年的过程给了我非常高的个人满足感。"Ko说，"我想延续这种势头。"

她目前的项目聚焦于识别当前可信方法在AI推理平台中未被广泛部署的痛点。不同于使用低秩适配器（需要额外步骤来监控和修改模型行为），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）的途径，用于对大语言模型进行解码。该向量作用于Transformer模块，分析安全评分，例如识别提示注入和幻觉的发生概率。在此基础上，Ko开发了一个轻量级vLLM推理引擎插件框架，可对模型内部进行编程，相较其他方法有望带来显著的成本节省。"我为这个项目感到非常自豪，因为据我们所知，这是首个在推理引擎层面将可信AI的部署与开发真正连接起来的桥梁。"

Srinivasan Arunachalam虽长期涉足量子研究，但始终在其他理论领域广泛探索，致力于在意想不到的研究方向和论文中发掘量子洞见与深层数学。"一开始你看不出来，会觉得这不过是个普通问题，但深入研究之后，往往会涌现出一些非常有趣的数学，这正是我觉得有意思的地方。"他说。

正是这份好奇心，促使Arunachalam于2018年以博士后身份加入MIT，在物理系Aram Harrow教授的团队从事研究。以学习理论为切入点，他专注于寻找量子加速可能成立的目标算法、子程序与电路。与Isaac Chuang教授（电气工程与物理学Julius A. Stratton讲席教授，同时也是MIT-IBM主要研究员）的交流，促成了他与实验室及IBM研究员Kristan Temme的合作。

顺利转入IBM后，Arunachalam更深入地投身于可在近期量子设备上实现的问题，充分考虑最近邻架构、噪声和简化可观测量测量等约束条件。这一阶段，他聚焦于量子机器学习及量子计算超越经典计算的领域，并日益强调以理论为基础的可证明性，而非依赖启发式方法。MIT-IBM之间的合作将理论问题转化为具体研究方向，并最终催生两篇重要论文：一篇关于哈密顿量学习，对学习量子系统动力学给出了严格保证；另一篇关于量子核，在广泛接受的计算难度假设下，提供了量子特征空间相对于经典核具有优势的理论依据。

Arunachalam还广泛涉猎计算机科学的不同分支，以期发现他人可能忽略的问题结构。"我一直非常热衷于揭示不同领域之间的联系。"这种跨领域视角使他得以探索量子态学习——从完全可经典模拟的量子对象，延伸至极为复杂的量子对象。

尽管Hong、Arunachalam与Ko各自深耕不同领域，他们却共享同一种直觉：推动思想跨越"原则上可能"与"实践中有用"之间的鸿沟。每个人都以自己的方式，将MIT-IBM计算研究实验室等合作平台积累的知识，转化为"杀手级应用"——以真实的应用场景证明，实验室中的底层研究可以在更广阔的世界中产生实质性价值。

Q&A

Q1：MIT-IBM计算研究实验室对研究人员有什么帮助？

A：MIT-IBM计算研究实验室为研究人员提供了将学术理论转化为实际应用的平台。它不仅资助研究项目，还促成了学术界与业界之间的深度合作。多位研究人员表示，实验室帮助他们明确了研究方向，加速了从理论到落地的转化，并在求职和职业发展上提供了有力支撑，被认为是工业实验室中学术合作政策最开放的机构之一。

Q2：Irene Ko的vLLM Hook技术是怎么工作的？

A：vLLM Hook是一个轻量级推理引擎插件框架，能够访问大语言模型的内部信号，例如隐藏状态和激活值。它通过作用于Transformer模块来分析安全评分，包括识别提示注入和幻觉发生的可能性。与需要额外监控步骤的低秩适配器不同，vLLM Hook可直接在推理阶段介入，是目前已知首个在推理引擎层面连接可信AI开发与部署的框架，同时具备显著的成本优势。

Q3：Zhang-Wei Hong在强化学习方面的研究目标是什么？

A：Hong致力于开发一种让模型在部署阶段能够自我进化、在线更新权重的框架，这在强化学习领域尚属首创。他的研究方向包括好奇心驱动的探索机制、测试时训练，以及面向企业任务的智能体基础设施，例如图表解读和数据库查询工具调用。他还结合进化计算与神经科学，持续优化模型在实际部署中的表现。