在人工智能领域，麻省理工学院(MIT)和IBM始终处于前沿：从奠定基础工作、创建首批AI前身程序，到 theorizing 机器"智能"如何形成。如今，八年前成立的MIT-IBM Watson AI Lab等合作项目，正继续为明日AI技术的承诺提供专业知识。这对行业和劳动力市场尤为重要：预计全球经济效益达3-4万亿美元，知识工作者和创造性任务的生产力将提升80%，未来三年内生成式AI将显著融入业务流程(80%)和软件应用(70%)。
尽管过去一年行业涌现出众多引人注目的模型，但学术界继续引领创新，贡献了大多数高被引研究。MIT-IBM Watson AI Lab的成功表现为54项专利披露、超过12.8万次引用和h指数162，以及50多个行业驱动的用例。实验室的众多成就包括使用AI成像技术改善支架放置、降低计算开销、缩小模型同时保持性能，以及硅酸盐化学的原子间势建模。
实验室的核心价值与定位
"实验室能够独特地确定需要解决的'正确'问题，这使我们与其他实体区别开来，"实验室MIT主任、MIT Schwarzman计算机科学与人工智能学院战略行业参与主任Aude Oliva表示。"此外，我们的学生通过为企业AI挑战工作获得的经验，转化为他们在就业市场的竞争力，并促进具有竞争力的行业发展。"
"MIT-IBM Watson AI Lab通过汇集IBM和MIT研究人员和学生之间的丰富合作，产生了巨大影响，"实验室MIT联合主席、Vannevar Bush电气工程与计算机科学教授Anantha Chandrakasan说。"通过支持AI与其他许多学科交叉的跨学科研究，实验室正在推进基础工作，加速对我国和世界变革性解决方案的开发。"
长期研究与实际应用的桥梁
随着AI持续获得关注，许多组织难以将技术转化为有意义的结果。2024年Gartner研究发现，"到2025年底，至少30%的生成式AI项目将在概念验证后被放弃"，这表明了对AI的雄心壮志和广泛需求，但缺乏如何开发和应用它来创造即时价值的知识。
在这里，实验室大放异彩，架起了研究与部署之间的桥梁。实验室当前年度研究投资组合的大部分都旨在为IBM、实验室企业成员或实际应用开发新功能、能力或产品。其中包括大型语言模型、AI硬件和基础模型，包括多模态、生物医学和地理空间模型。以探究为导向的学生和实习生在这一追求中不可或缺，他们提供热情和新视角，同时积累领域知识，帮助推导和推进该领域的工程进展，并利用AI作为工具开辟新的探索前沿。
AAAI 2025关于AI研究未来的总统小组的发现支持了像实验室这样的学术-产业合作在AI领域的贡献需求："学术界有责任提供对这些[行业]结果及其后果的独立建议和解释。私营部门更关注短期，而大学和社会则更关注长期视角。"
将这些优势与开源和开放科学的推动力结合起来，可以激发双方都无法单独实现的创新。历史表明，拥抱这些原则，共享代码并使研究可访问，对行业和社会都有长期好处。符合IBM和MIT的使命，实验室通过这种合作为公共领域贡献技术、发现、治理和标准，从而提高透明度，加速可重复性，并确保值得信赖的进步。
实验室的创建旨在结合MIT的深厚研究专长与IBM的工业研发能力，致力于在核心AI方法和硬件以及医疗保健、化学、金融、网络安全以及企业稳健规划和决策等新应用领域取得突破。
更小更优：AI模型发展的新方向
如今，大型基础模型正让位于更小、更专业的模型，这些模型能产生更好的性能。MIT电气工程与计算机科学系副教授Song Han和IBM Research的Chuang Gan等实验室成员的贡献使这一成为可能，他们通过once-for-all和AWQ等工作实现了这一目标。这类创新通过更好的架构、算法缩小和激活感知权重量化提高了效率，使语言处理等模型能够在边缘设备上以更快的速度和更低的延迟运行。
因此，基础模型、视觉模型、多模态模型和大型语言模型都从中受益，使Oliva、MIT EECS副教授Yoon Kim以及IBM Research成员Rameswar Panda、Yang Zhang和Rogerio Feris的实验室研究小组能够在此基础上开展工作。这包括为模型注入外部知识的技术，以及与其他最先进系统相比具有更高吞吐量的线性注意力Transformer方法的开发。
视觉和多模态系统的理解和推理也看到了蓬勃发展。像"Task2Sim"和"AdaFuse"这样的工作表明，如果在合成数据上进行预训练，视觉模型性能会得到提高，并且通过融合过去和当前特征图的通道可以增强视频动作识别。
作为对精简AI的承诺的一部分，MIT EECS Sumitomo Electric Industries工程教授Gregory Wornell、IBM Research的Chuang Gan以及IBM Research基础AI副总裁兼实验室IBM主任David Cox的实验室团队表明，模型适应性和数据效率可以相辅相成。两种方法，EvoScale和Chain-of-Action-Thought推理(COAT)，使语言模型能够通过改进先前的生成尝试，通过结构化迭代缩小到更好的响应，从而充分利用有限的数据和计算。COAT使用元动作框架和强化学习通过自我修正来解决推理密集型任务，而EvoScale将类似的哲学应用于代码生成，演化高质量的候选解决方案。这些技术有助于实现资源意识强、有针对性、面向现实世界的部署。
"MIT-IBM研究对我们大型语言模型开发工作的影响怎么强调都不为过，"Cox说。"我们看到更小、更专业的模型和工具正在产生不成比例的影响，特别是当它们组合使用时。MIT-IBM Watson AI Lab的创新有助于塑造这些技术方向，并通过watsonx等平台影响我们在市场中的战略。"
例如，实验室的众多项目为IBM的Granite Vision贡献了功能、能力和用途，尽管其体积紧凑，但提供了令人印象深刻的计算机视觉，专为文档理解而设计。这正值企业对提取、解释和总结长格式信息与数据的需求不断增长之际。
2025年AAAI小组总结认为，除了直接AI研究和跨学科工作之外的其他成就不仅有益，而且对推进技术和提升社会至关重要。
跨学科研究与AI的社会影响
实验室的Caroline Uhler和Devavrat Shah（两者都是EECS和IDSS的Andrew(1956)和Erna Viterbi教授）以及IBM Research的Kristjan Greenewald的研究超越了专业领域。他们正在开发因果发现方法，以揭示干预如何影响结果，并确定哪些干预能实现预期结果。这些研究包括开发一个框架，既能阐明对不同人群的"治疗"可能如何展开，例如在电商平台上或对发病率结果的移动限制。这项工作的发现可能影响从营销和医学到教育和风险管理的各个领域。
"AI和其他计算领域的进步正在影响人们如何制定和解决几乎所有学科的挑战，"MIT实验室联合主席、MIT Schwarzman计算机科学与人工智能学院院长、电气工程与计算机科学Henry Ellis Warren(1894)教授Dan Huttenlocher说。"在MIT-IBM Watson AI Lab，研究人员认识到他们工作的这种跨学科性质及其影响，从多个角度质疑问题，并将行业中的现实问题带入，以开发创新解决方案。"
使这一研究生态系统蓬勃发展的一个重要因素是学生人才的稳定流入，他们通过MIT的本科生研究机会计划(UROP)、MIT EECS 6A项目以及新的MIT-IBM Watson AI Lab实习计划做出贡献。总的来说，超过70名年轻研究人员不仅加速了他们的技术技能发展，而且在实验室导师的指导和支持下，获得了AI领域的知识， themselves成为新兴的实践者。这就是为什么实验室不断寻求在探索AI潜力的各个阶段识别有前途的学生。
"为了释放AI的全部经济和社会潜力，我们需要培养'有用且高效的智能'，"IBM Research AI副总裁兼实验室IBM主席Sriram Raghavan说。"为了将AI的承诺转化为进步，我们必须继续专注于创新，以开发高效、优化且适合特定领域和用例的模型，这些模型可以轻松适应特定领域和用例。学术-产业合作，如MIT-IBM Watson AI Lab，有助于推动实现这一可能的突破。"
未来展望与AI发展路径
随着AI技术不断演进，MIT-IBM Watson AI Lab正站在塑造未来的前沿。实验室的研究重点正从纯粹的技术创新转向更全面的社会技术系统考量，这反映了AI技术日益融入社会各领域的现实需求。
实验室未来的研究方向将更加注重AI的可持续性和可解释性。随着AI决策系统在医疗、金融等关键领域的应用日益广泛，确保这些系统的透明度和可靠性变得尤为重要。实验室的研究人员正在开发新的方法，使AI模型的决策过程更加透明，使人类能够理解和信任这些系统。
此外，实验室还将继续探索AI与人类协作的新模式。认识到AI不应取代人类而是增强人类能力的理念，研究人员正在开发能够与人类有效协作的AI系统，这些系统能够理解人类的意图，适应人类的工作方式，并在需要时寻求人类输入。
结语
MIT-IBM Watson AI Lab的成功案例展示了学术与产业合作的巨大潜力。通过将MIT的前沿研究与IBM的实际应用经验相结合，实验室不仅推动了AI技术的发展，还确保了这种技术能够以负责任、可持续的方式造福社会。
随着AI技术继续演进，像MIT-IBM Watson AI Lab这样的合作模式将成为推动创新的关键。通过培养新一代AI人才、促进跨学科研究、解决实际社会问题，实验室正在为AI的未来奠定基础，确保这一强大技术能够以符合人类价值观的方式发展，并最终提升人类福祉。
