От теории к продукту: новый формат коллаборации
Лаборатория MIT-IBM Computing Research Lab (ранее Watson AI Lab) стала мостом между фундаментальной наукой и индустрией. Трое бывших студентов и постдоков MIT — Srinivasan Arunachalam, Zhang-Wei Hong (PhD '25) и Irene Ko (PhD '24) — теперь работают в IBM. Их общий опыт показывает, как строгая академическая база позволяет решать задачи с реальными производственными ограничениями.
Зан-Вэй Хун: самообучающиеся агенты и RL
Зан-Вэй Хун, исследователь IBM, специализируется на обучении с подкреплением (Reinforcement Learning). В MIT он работал с профессором Пулкетом Агравалом, улучшая функции ценности для игр Atari (например, «Montezuma’s Revenge»). Сейчас его цель — создание инфраструктуры для IBM’s agentic framework.
Ключевое достижение: разработка системы test-time training, позволяющей моделям улучшать свои веса «на лету» (online self-evolution) во время развертывания. Это первый фреймворк, позволяющий агентам самостоятельно оптимизироваться в реальном времени, используя эволюционные вычисления и нейробиологические принципы.
Айрин Ко: доверенный ИИ без лишних затрат
Айрин Ко фокусируется на безопасности и справедливости ИИ. Ее главный проект — плагин vLLM Hook для легковесного движка вывода vLLM. В отличие от традиционных методов (например, low-rank adapters), которые добавляют шаги мониторинга, vLLM Hook дает прямой доступ к внутренним сигналам модели (скрытым состояниям) для анализа рисков.
Это позволяет выявлять prompt-injection и галлюцинации LLM с существенной экономией ресурсов. Ко называет это первым «мостом» между разработкой доверенного ИИ и его инференсом в промышленных условиях.
Сринивасан Аруначалам: квантовое превосходство на практике
Сринивасан Аруначалам, бывший постдок MIT, теперь работает в IBM над квантовым машинным обучением. Он сместил фокус с чистой теории на алгоритмы, реализуемые на ближайших квантовых устройствах (NISQ), учитывая шумы и архитектуру «nearest-neighbor».
Его работа привела к двум важным публикациям:
- Hamiltonian learning: строгие гарантии для обучения динамики квантовых систем.
- Quantum kernels: теоретическое доказательство преимущества квантовых пространств признаков над классическими.
Сравнение направлений и результатов
| Исследователь | Направление | Ключевое решение/Технология | Промышленное значение |
|---|---|---|---|
| Zhang-Wei Hong | Reinforcement Learning | Test-time training, self-evolving weights | Агенты, улучшающие себя в реальном времени |
| Irene Ko | Trustworthy AI | vLLM Hook (инференс-плагин) | Дешевый мониторинг безопасности LLM |
| Srinivasan Arunachalam | Quantum ML | Quantum kernels, Hamiltonian learning | Алгоритмы для NISQ-устройств с гарантиями |
Почему это важно
История демонстрирует сдвиг в индустрии: от разрозненных исследований к системному внедрению. Успех этих проектов зависит от тесной связи между академической строгостью (MIT) и потребностями масштабируемых систем (IBM). Это создает репрезентативную модель для будущих AI-стартапов и корпоративных R&D-подразделений.
Источник: MIT News AI ↗