A experiência de transição da pesquisa teórica para a aplicação prática no mundo real pode variar significativamente entre os pesquisadores. No entanto, para dois ex-alunos de pós-graduação do MIT e um ex-pós-doutorando, todos agora na IBM, trabalhar com o Laboratório de Pesquisa em Computação MIT-IBM (antigo Laboratório de IA Watson MIT-IBM) durante seus anos de formação permitiu não apenas reduzir a distância entre a educação e o mercado de trabalho, mas também gerar ideias promissoras para o impacto nos negócios. 

Apesar de terem trilhado carreiras diversas em aprendizado de máquina quântico, aprendizado por reforço e agentes de inteligência artificial, e IA confiável e justa, respectivamente, Srinivasan Arunachalam , Zhang-Wei Hong (PhD '25) e Irene Ko (PhD '24) sempre encontraram maneiras de abordar problemas definidos pela inovação e rigor, e traduzi-los em sistemas com restrições reais. Nesse contexto, o Laboratório de Pesquisa em Computação MIT-IBM serviu como um canal para o desenvolvimento de relações de pesquisa e para a disseminação de sua expertise em aplicações industriais.

“Entre todos os laboratórios industriais, acho que o MIT-IBM tem uma política e oportunidades de colaboração acadêmica muito melhores [do que os outros]”, diz Hong, membro da equipe de pesquisa da IBM no Laboratório de Pesquisa em Computação MIT-IBM, que iniciou seu doutorado no MIT em 2020 no Departamento de Engenharia Elétrica e Ciência da Computação (EECS).

Hong se apaixonou por aprendizado por reforço desde que descobriu que o DeepMind conseguia jogar Atari e aprender com pixels brutos da tela por meio de engenharia de recursos. Durante seu trabalho de pós-graduação com o professor associado de Engenharia Elétrica e Ciência da Computação, Pulkit Agrawal, que também é um dos principais pesquisadores do laboratório, Hong buscou expandir esse interesse: aprimorar o aprendizado da função de valor para aprendizado por reforço em videogames, usando "Montezuma's Revenge" no Atari, a fim de prever e otimizar o desempenho de uma política de um agente. Com o laboratório, Hong desenvolveu técnicas para fundamentar a IA em aplicações mais realistas e fornecer um feedback de recompensa melhor, que ele aplicou a domínios como robótica, grandes modelos de linguagem (LLMs) e aprendizado por reforço para a ciência. 

“Estou muito entusiasmado com a exploração guiada pela curiosidade”, diz Hong sobre o trabalho de pós-graduação no MIT-IBM que o ajudou a ingressar em sua profissão. Segundo ele, isso permite que os agentes sejam curiosos sobre novos dados, como os humanos, e executem uma variedade de tarefas — desde a geração de casos de teste para testar a resiliência de modelos de aprendizado por reforço (LLMs) até a exploração de novos ambientes. Agora, como mentor de seus próprios alunos, Hong continua a seguir linhas semelhantes de pesquisa em aprendizado por reforço aberto, o que o levou a investigar o treinamento em tempo de teste para agentes e modelos de base, e a desenvolver infraestrutura para a estrutura de agentes da IBM para tarefas corporativas, como leitura de gráficos e chamada de ferramentas para consultas em bancos de dados. Isso inclui computação evolutiva para impulsionar uma melhor otimização da exploração e o uso da neurociência para aprimorar o modelo em tempo de implantação. 

“Se for bem-sucedido, acredito que será um sistema e uma estrutura muito úteis para todos os profissionais de aprendizado por reforço, pois será a primeira estrutura que permitirá que um modelo melhore — evolua automaticamente seus pesos online no momento da implantação”, afirma Hong.

A pesquisa de Irene Ko também foi orientada por valores, tanto do ponto de vista pessoal quanto profissional. "Comecei a trabalhar [em IA confiável] com pesquisadores da IBM desde o primeiro dia do meu doutorado, porque era financiado pelo MIT-IBM", diz Ko. Isso, segundo ela, foi particularmente vantajoso, já que seus objetivos de desenvolver IA segura, robusta, precisa e justa também se alinham aos do MIT e da IBM, reduzindo a lacuna entre o desenvolvimento e a implementação no mundo real. "Isso realmente cria um equilíbrio entre pesquisa pura e algo que seja padrão ou valioso para a indústria." 

Além disso, sua colaboração entre o MIT e a IBM, por meio de seu orientador no Departamento de Engenharia Elétrica e Ciência da Computação (EECS), o Professor Luca Daniel, titular da Cátedra Joseph F. e Nancy P. Keithley, e do Cientista de Pesquisa Principal da IBM, Pin-Yu Chen, ajudou a definir a direção e os parâmetros de seu trabalho para maximizar o impacto, primeiro em redes neurais e, posteriormente, com modelos fundamentais e Modelos de Aprendizagem Baseados em Liderança (LLMs). Após se formar em 2024, Ko ingressou na IBM Research para continuar seu trabalho em IA confiável como cientista de pesquisa. 

Seu projeto atual se concentra em encontrar pontos problemáticos em métodos confiáveis ??que não são amplamente utilizados em plataformas de inferência de IA. Ao contrário do uso de adaptadores de baixa classificação, que adicionam etapas extras para monitorar e modificar o comportamento do modelo, seu trabalho no vLLM Hook fornece uma maneira de acessar sinais internos do modelo, como estados ocultos ou ativações, para decodificar LLMs. Esse vetor atua em módulos Transformer para analisar pontuações de segurança, como identificar a probabilidade de injeção imediata e alucinação. Nesse contexto, Ko desenvolveu uma estrutura de plugin de mecanismo de inferência vLLM leve para programar os detalhes internos do modelo, o que pode proporcionar uma economia de custos significativa em comparação com outros métodos. "Estou muito orgulhosa deste projeto porque, até onde sabemos, esta é realmente a primeira ponte entre a implementação e o desenvolvimento de IA confiável com os mecanismos de inferência."

Embora Srinivasan  Arunachalam sempre tenha se interessado por pesquisa quântica, ele explora constantemente outras áreas da teoria, buscando encontrar insights quânticos e matemática profunda em linhas de pesquisa e artigos inesperados. "De cara, você não vê. Você pensa: 'Talvez seja apenas um problema comum', e então, quando começa a investigar mais a fundo, encontra matemática realmente interessante, o que eu acho muito legal", diz ele. 

Isso levou Arunachalam a fazer um pós-doutorado no MIT em 2018 no grupo do Professor Aram Harrow, no Departamento de Física. Com uma perspectiva focada na teoria da aprendizagem, Arunachalam buscou algoritmos, sub-rotinas e circuitos onde acelerações quânticas pudessem ser possíveis. Conversas com Isaac Chuang, Professor Julius A. Stratton de Engenharia Elétrica e Física e Investigador Principal do MIT-IBM, o levaram a colaborar com o laboratório e com a pesquisadora da IBM, Kristan Temme. 

Com uma transição tranquila para a IBM, Arunachalam se envolveu mais de perto com problemas potencialmente implementáveis em um dispositivo quântico de curto prazo, levando em consideração restrições como arquitetura de vizinhos mais próximos, ruído e medições observáveis mais simples. Durante esse período, Arunachalam se concentrou em aprendizado de máquina quântico e em áreas onde a computação quântica seria superior à computação clássica, priorizando cada vez mais a comprovação baseada em teoria em detrimento de heurísticas. Essa conexão MIT-IBM ajudou a transformar questões teóricas em direções de pesquisa concretas, moldando um trabalho que culminou em dois artigos importantes: um sobre  aprendizado hamiltoniano , que forneceu garantias rigorosas para o aprendizado da dinâmica de sistemas quânticos, e outro sobre  kernels quânticos , que forneceu evidências teóricas de que os espaços de características quânticas podem oferecer vantagens sobre os kernels clássicos sob suposições de dificuldade amplamente aceitas.

Arunachalam também continuou a expandir sua base de conhecimento, dedicando-se a diferentes ramos da ciência da computação para descobrir estruturas em problemas que outros poderiam ter deixado passar. "Uma coisa que sempre me fascinou foi expor as conexões entre diferentes áreas." Isso lhe permitiu explorar o aprendizado de estados quânticos — desde objetos quânticos completamente simuláveis classicamente até objetos quânticos extremamente complexos.

Embora Hong, Arunachalam e Ko atuem em áreas diferentes, compartilham um instinto: o de transitar entre o que é possível em princípio e o que é útil na prática. Cada um, à sua maneira, aplica o conhecimento adquirido em colaborações, como a do Laboratório de Pesquisa em Computação MIT-IBM, para desenvolver "aplicações matadoras" — casos de uso reais que comprovam a relevância da pesquisa subjacente para além dos limites do laboratório.