從理論研究轉向實際應用，對不同研究人員來說，其經驗可能大相徑庭。然而，對於三位前麻省理工學院的畢業生和一位前博士後研究員（他們現在都在 IBM 任職）而言，在他們關鍵的學習階段與 MIT-IBM 計算研究實驗室（前身為 MIT-IBM Watson AI Lab）合作，不僅讓他們彌合了教育與就業之間的鴻溝，也激發了具商業影響力的想法。

儘管 Srinivasan Arunachalam、Zhang-Wei Hong 博士（2025 屆）和 Irene Ko 博士（2024 屆）分別在量子機器學習、強化學習與人工智慧代理，以及可信賴與公平 AI 等不同領域追求職涯，但他們始終能找到方法來解決新穎且嚴謹的問題，並將其轉化為具有實際限制的系統。

在此過程中，MIT-IBM 計算研究實驗室成為他們建立研究關係，並將專業知識導入產業應用的橋樑。

Hong 於 2020 年在麻省理工學院電機工程與電腦科學系（EECS）開始攻讀博士學位，現為 MIT-IBM 計算研究實驗室的 IBM 研究員。他表示：「在所有工業實驗室中，我認為 MIT-IBM 擁有更好的學術合作政策和機會。」

Hong 自從發現 DeepMind 能透過特徵工程從原始螢幕像素學習玩 Atari 遊戲後，便對強化學習著迷。他在麻省理工學院與 EECS 副教授 Pulkit Agrawal（同時也是該實驗室的首席研究員）合作，致力於改進電玩遊戲中的價值函數學習，以 Atari 遊戲「蒙特祖瑪的復仇」（Montezuma’s Revenge）為例，預測並優化代理的策略表現。

透過實驗室，Hong 開發了將 AI 應用於更實際情境的技術，並提供更好的獎勵回饋，這些技術已應用於機器人學、大型語言模型（LLM）以及科學領域的強化學習。Hong 談到 MIT-IBM 的研究所工作如何幫助他進入專業領域時說：「我對好奇心驅動的探索感到非常興奮。」

他表示，這項技術讓代理能像人類一樣對新資料保持好奇，並執行各種任務，從生成測試案例來對 LLM 進行壓力測試，到探索新環境。現在，身為學生的導師，Hong 持續進行開放式強化學習研究，探討代理和基礎模型的測試時訓練，並為 IBM 的企業級代理框架開發基礎設施，例如圖表閱讀和資料庫查詢的工具調用。

這包括利用演化計算來優化探索，以及借鑒神經科學來改進部署時的模型。Hong 說：「如果成功，我認為這將成為強化學習實踐者非常有用的系統和框架，因為它將是第一個能讓模型在部署時線上改進（自我演化模型權重）的框架。」

Irene Ko 的研究也具有價值導向，無論是從個人還是專業角度來看。她表示：「由於獲得 MIT-IBM 的資助，我從博士班第一天起就與 IBM 研究人員合作進行『可信賴 AI』研究。」

她認為這特別有利，因為她開發前沿安全、穩健、準確和公平 AI 的目標，與麻省理工學院和 IBM 的目標一致，彌合了開發與實際部署之間的差距。這確實平衡了純粹研究與符合產業標準或價值的成果。

此外，她透過 EECS 的指導教授 Joseph F. and Nancy P. Keithley 教授 Luca Daniel 和 IBM 首席研究科學家 Pin-Yu Chen 進行的 MIT-IBM 合作，幫助她定義了工作的方向和參數，以最大化影響力，最初專注於類神經網路，後來則轉向基礎模型和 LLM。Ko 於 2024 年畢業後，加入 IBM 研究院，繼續她在可信賴 AI 領域的工作。

Ko 表示：「我選擇在博士畢業後進入業界，特別是 IBM，是因為我在博士期間的合作中獲得了巨大的樂趣。那五年來的過程，給了我個人極高的成就感。」她說：「我希望延續這股動力。」

她目前的專案著重於找出目前可信賴方法中，尚未廣泛部署於 AI 推論平台上的痛點。與使用低秩適配器（low-rank adapters）不同，她的 vLLM Hook 工作提供了一種方法，可以存取 LLM 解碼時的內部模型訊號，例如隱藏狀態或激活值。

這個向量作用於 Transformer 模組，分析安全分數，例如識別提示詞注入（prompt-injection）和幻覺（hallucination）的可能性。Ko 開發了一個輕量級的 vLLM 推論引擎外掛框架，用於編程模型內部，這可以比其他方法節省大量成本。她說：「我對這個專案感到非常自豪，因為據我們所知，這是可信賴 AI 在部署和開發與推論引擎之間的第一座橋樑。」

儘管 Srinivasan Arunachalam 一直涉獵量子研究，但他不斷探索其他理論領域，試圖在意想不到的探究方向和論文中，找到量子洞察和深奧的數學。他說：「一開始你可能看不出來，你以為這只是一個普通的數學問題，但一旦你深入研究，就會發現一些非常有趣的數學成果，我覺得這很酷。」

這吸引 Arunachalam 於 2018 年以博士後研究員身份加入麻省理工學院物理系的 Aram Harrow 教授團隊。Arunachalam 抱持著學習理論優先的觀點，尋找可能實現量子加速的目標演算法、子程式和電路。與 Isaac Chuang（麻省理工學院電機工程與物理學教授，也是 MIT-IBM 的首席研究員）的對話，促使他與實驗室及 IBM 研究員 Kristan Temme 合作。

順利轉職到 IBM 後，Arunachalam 更密切地投入到可能在近期量子設備上實現的問題，同時考慮到最近鄰架構、雜訊和更簡單的可觀測量測等限制。在此期間，Arunachalam 專注於量子機器學習，以及量子計算優於經典計算的領域，並日益將理論基礎的證明置於啟發式方法之上。

MIT-IBM 的連結幫助他將理論問題轉化為具體的科研方向，最終發表了兩篇重要論文：一篇關於哈密頓量學習（Hamiltonian learning），為量子系統動力學的學習提供了嚴格保證；另一篇關於量子核（quantum kernels），提供了理論證據，證明在廣泛認可的難度假設下，量子特徵空間可以提供優於經典核的優勢。

Arunachalam 也持續擴展知識庫，投入不同電腦科學分支，以發掘他人可能錯過的結構。他說：「我非常喜歡揭示不同領域之間的聯繫。」這讓他得以探索從完全可經典模擬的量子物體到極其複雜的量子物體的量子態學習。

儘管 Hong、Arunachalam 和 Ko 在不同領域探索，但他們都抱持著相同的直覺：將原則上可行的想法轉化為實際有用的應用。他們各自運用從 MIT-IBM 計算研究實驗室等合作中獲得的知識，開發「殺手級應用」，證明基礎研究不僅限於實驗室，也能在現實世界中發揮作用的實際案例。