MIT-IBM Watson AI Lab 种子信号：提升早期教师的影响力
Source: MIT News - AI
教师职业生涯的早期是一个形成性且激动人心的阶段，在此期间建立坚实的基础，有助于决定研究者课题的轨迹。这包括组建研究团队，团队需要创新的想法和方向、富有创造力的合作者以及可靠的资源。
对于一批从事人工智能研究的 MIT 教师而言，通过项目与 MIT‑IBM Watson AI Lab 的早期合作在推动宏大研究方向和塑造高产研究团队方面发挥了重要作用。
推动势头
“MIT‑IBM Watson AI 实验室对我的成功至关重要，尤其是在我刚起步的时候，” Jacob Andreas 说——他是电气工程与计算机科学系（EECS）的副教授，MIT 计算机科学与人工智能实验室（CSAIL）的成员，也是 MIT‑IBM Watson AI 实验室的研究员——他的研究方向是自然语言处理（NLP）。
在加入 MIT 不久后，Andreas 通过该实验室启动了他的第一个重大项目，致力于低资源语言的语言表示和结构化数据增强方法。
“这真的让我能够建立自己的实验室并开始招收学生。”
Andreas 指出，这恰逢 关键时刻，当时 NLP 领域正向大规模语言模型转变——这需要显著更多的计算资源，而这些资源正是通过 MIT‑IBM Watson AI 实验室获得的。
“我觉得我们在那个（首个）项目以及与 IBM 那边所有合作伙伴的合作中所做的工作，对我们如何应对这一转变非常有帮助。”
得益于 MIT‑IBM 社区的计算资源和专业知识，Andreas 小组随后得以开展多年的预训练、强化学习以及可信响应校准等项目。
对其他几位教师而言，及时参与 MIT‑IBM Watson AI 实验室同样带来了巨大的优势。
“既有智力支持，又能利用 MIT‑IBM 内部的计算资源，这对我的研究计划来说是彻底的变革，也是极其重要的，” Yoon Kim 说——他是 EECS 的副教授、CSAIL 成员，也是 MIT‑IBM Watson AI 实验室的研究员。
在加入 MIT 之前，Kim 在一次 MIT‑IBM 博士后职位期间结识了未来的合作伙伴，当时他从事神经符号模型的开发。如今，Kim 的团队致力于提升大语言模型（LLM）的能力和效率。
他指出，促成其团队成功的一个因素是与智力合作伙伴之间的无缝研究流程。这使得他的 MIT‑IBM 团队能够：
- 申请项目。
- 大规模实验。
- 识别瓶颈。
- 验证技术。
- 必要时进行调整，以开发可用于实际应用的前沿方法。
“这为新想法提供了动力，我认为这正是这种关系的独特之处，” Kim 说。
融合专长
MIT‑IBM Watson AI 实验室的本质在于它 不仅汇聚 AI 领域的研究者以加速研究，还跨学科融合工作。
实验室研究员、MIT 电气工程与计算机科学系及 CSAIL 的副教授 Justin Solomon 将他的研究小组描述为与实验室一起成长，并称这种合作“从一开始到现在都至关重要”。Solomon 的团队专注于理论导向的几何问题，这些问题与计算机图形学、视觉以及机器学习相关。
Solomon 将 MIT‑IBM 的合作归功于拓宽了他的技能组合以及其团队工作成果的应用范围——这一感受也得到了实验室研究员 Chuchu Fan（航空航天系副教授、信息与决策系统实验室成员）和 Faez Ahmed（机械工程系副教授）的共鸣。
“他们（IBM）能够把一些工程中非常混乱的问题转化为我们团队可以处理的数学资产，并形成闭环，” Solomon 说。
对 Solomon 来说，这包括将针对不同任务、在不同数据集上训练的独立 AI 模型进行融合。“我认为这些都是非常令人兴奋的领域，”他补充道。
“我认为这些早期的项目（与 MIT‑IBM Watson AI 实验室的合作）在很大程度上塑造了我的研究议程，” Fan 说，她的研究交叉于机器人技术、控制理论和安全关键系统。和 Kim、Solomon、Andreas 一样，Fan 和 Ahmed 在 MIT 的第一年就通过合作启动了项目。约束与优化主导了他们所解决的问题，这需要超出 AI 范畴的深厚领域知识。
与 MIT‑IBM Watson AI 实验室的合作使 Fan 的团队能够将形式化方法与自然语言处理相结合，使团队能够从为机器人开发自回归任务与运动规划，转向创建基于大语言模型（LLM）的旅行规划、决策和验证代理。
“这项工作是首次探索使用 LLM 将任意自由形式的自然语言翻译成机器人能够理解并执行的规范。这是我非常自豪的成果，当时也极其困难。”
此外，通过联合研究，她的团队得以提升 LLM 推理能力——她表示，“没有 IBM 的支持，这几乎是不可能的”。
通过实验室，Faez Ahmed 的合作推动了机器学习方法在复杂机械系统中的发现与设计加速。他们的 Linkages 项目，例如，采用“生成式优化”来以数据驱动且精确的方式解决工程问题；最近，……（后续可自行补充）。
将多模态数据和 LLM 应用于计算机辅助设计
Ahmed 表示，AI 常被用于已经可以解决的问题，以提升速度或效率；然而，像被认为“几乎无法解决”的机械连杆等挑战，如今已变得可及。
“我确实认为这正是我们 MIT‑IBM 团队的标志，” Ahmed 赞扬了他所在的 MIT‑IBM 小组的成就，该小组由 IBM 的 Akash Srivastava 和 Dan Gutfreund 共同领导。
最初每位 MIT 教员的合作项目已演变为持久的智力关系，双方“对科学充满热情”，且“以学生为驱动”，Ahmed 补充道。
综上，Jacob Andreas、Yoon Kim、Justin Solomon、Chuchu Fan 和 Faez Ahmed 的经历展示了持久、实践性的学术‑产业关系对建立研究团队和开展宏大科学探索所产生的深远影响。