在教员职业生涯的早期阶段，建立坚实的研究基础至关重要，这不仅决定了未来研究的方向，也涉及组建创新团队、寻找合作伙伴和获取资源。对于MIT的人工智能领域教员来说，MIT-IBM Watson AI实验室的早期合作项目为他们提供了重要支持，助力他们开展大胆的研究探索并打造高产的研究团队。

推动研究势头

电气工程与计算机科学系副教授Jacob Andreas是MIT-IBM Watson AI实验室的成员，他专注于自然语言处理（NLP）。刚加入MIT时，他通过该实验室启动了首个重大项目，研究低资源语言的语言表示和结构化数据增强方法。“这让我能够迅速建立实验室并招募学生。”他说。正值NLP领域经历重大变革，需要大量计算资源来理解语言模型，MIT-IBM Watson AI实验室提供了关键支持，帮助他的团队顺利度过这一转型期。随后，团队得以开展多年的预训练、强化学习和可信响应校准等项目。

另一位教员Yoon Kim同样受益于MIT-IBM Watson AI实验室的智力支持和计算资源。他在MIT-IBM的博士后期间结识了未来的合作伙伴，目前团队致力于提升大型语言模型（LLM）的能力和效率。Kim强调，与合作伙伴的无缝协作使团队能够申请项目、进行大规模实验、识别瓶颈、验证技术并灵活调整，推动前沿方法向实际应用转化。“这激发了许多新想法，这也是这种合作关系的独特之处。”

融合多学科专长

MIT-IBM Watson AI实验室不仅加速AI领域的研究，还促进跨学科合作。EECS和CSAIL副教授Justin Solomon的团队专注于计算机图形学、视觉和机器学习中的几何理论问题，他表示实验室合作从一开始就至关重要。Solomon认为，IBM团队能够将复杂的工程问题转化为数学模型，促进团队研究的闭环发展。此外，实验室成员、航空航天系副教授Chuchu Fan和机械工程系副教授Faez Ahmed也分享了类似感受。

Fan的研究结合机器人学、控制理论和安全关键系统，借助MIT-IBM Watson AI实验室，将形式化方法与自然语言处理结合，推动机器人任务规划和基于LLM的智能代理开发。她特别自豪于团队首次实现用LLM将自由形式自然语言转化为机器人可执行的规范，这一突破在当时极具挑战性。通过合作，她的团队还提升了LLM的推理能力，这在没有IBM支持的情况下难以实现。

Ahmed的团队则利用机器学习方法加速复杂机械系统的设计与发现。其“Linkages”项目采用生成式优化，结合数据驱动和精确工程，解决了此前被认为“几乎无法解决”的机械连杆问题。最近，他们还将多模态数据和LLM应用于计算机辅助设计。Ahmed称，MIT-IBM团队的最大特点是能够攻克传统AI难以触及的挑战。

长期合作，持续创新

从最初的合作项目开始，MIT教员与IBM团队建立了持久的学术与产业合作关系，双方都对科学研究充满热情，且以学生为驱动力。Jacob Andreas、Yoon Kim、Justin Solomon、Chuchu Fan和Faez Ahmed的经历充分展示了这种紧密合作如何助力早期教员组建研究团队，推动前沿科学探索。