IBM与MIT合作推动计算技术研究新进展

IBM近期与苏黎世联邦理工学院、伊利诺伊大学及麻省理工学院分别签署了新的合作研究协议。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

短短几年时间，生成式AI已经从一个令人惊奇的新鲜事物，演变成了全球数百万人手中提升效率、激发创意乃至处理重复性脑力工作的实用工具。

作为IBM麻省理工学院-IBM Watson AI实验室的首任主任，Da vid Cox亲身经历了这场历史性的转变。2017年，当IBM投资创建这个实验室时，AI大多还默默运行在人们生活的幕后，负责预测销售额、识别可疑的信用卡交易，或者过滤垃圾邮件。

如今，AI已然成为各界热议的焦点，甚至能根据一句简单的提示，生成播客对话或任何你想要的格式。无论生成式AI最终是否能像互联网那样带来深远变革，它已经从根本上重塑了内容创作、软件开发乃至科学探索的诸多领域。

而就在此刻，新一轮的技术浪潮正在酝酿。IBM与麻省理工学院也正积极拥抱这一变化。根据上周签署的新协议，双方的合作实验室将把研究视野扩展至量子计算领域，并正式更名为“MIT-IBM计算研究实验室”，以体现其更广泛的研究方向。

十年前，IBM率先将量子计算机接入云端，此后不断突破技术里程碑。在本周的Think大会上，量子中心超算的最新进展成为焦点，其中涉及超过12,000个原子的蛋白质模拟，以及与药物研发、核聚变能源相关的研究成果。

随着量子计算迅速成熟为科研实用工具，当下的这个时刻，与当年IBM携手MIT创建实验室时颇有几分相似——那时ChatGPT尚未问世，AI的潜力隐约可感却难以捉摸，数据整理和单一用途模型训练的繁琐工作，限制了它的大规模普及。

如今，情况已截然不同。AI几乎渗透到日常生活的方方面面，而新一轮的计算范式转变也即将到来。目前主导IBM语言模型研究的Cox，将与麻省理工学院的Aude Oliva共同带领实验室迈入这个新阶段。

为此，我们与Cox进行了一次深入对话，探讨了实验室下一步的方向、产学研合作的成功之道，以及爵士钢琴如何成为他独特的创作出口与精神疏解方式。

实验室为何选择此时拓展至量子计算领域？

研究视野的大幅拓展是核心原因。量子计算正处于快速发展的轨道上，未来几年内其能力将变得极为强大，业界对其与AI交叉融合的前景普遍持乐观态度。

这里需要澄清一个常见的误解：并非在所有类型的计算上，量子计算机都比经典计算机快。对于我们日常处理的大多数任务，量子计算机很难超越现代CPU或GPU。然而，对于某些特定类别的重要问题，量子计算机能够提供经典计算机需要耗费极长时间（甚至数辈子）才能得出的解决方案。

这意味着，量子计算机的价值远不止于“更快”，而在于它为我们开辟了一个全新的可能性空间，让那些曾经因计算量过于庞大而被视为“不可能”的运算，变得触手可及。

实验室创立之初，您是否预见到AI与量子将走向交汇？

我们知道两者之间必然存在交集，但坦白说，这两项技术各自的发展速度，都超出了我们当初最乐观的预期。实验室成立初期，我们确实有一些量子相关的项目，但大多停留在理论探讨层面。如今，一切都变得具体而可感。量子计算正在迈入一个“新”的阶段，它与AI的交汇点，正变得前所未有的清晰和令人振奋。

大语言模型的崛起如何改变了实验室的研究文化？

实验室早期的工作，更像是在广阔的技术海洋中进行探索性“撒网”——其中也包括生成式AI——播下未来可能开花结果的种子。如今，哪些方向的押注最终奏效，已经一目了然。

当然，探索性和逆向思维的研究尝试我们仍在进行，但生成式AI确实彻底改变了整体格局，我们的研究方向也随之进行了调整。更重要的是，我们将研究成果转化为实际产品的能力发生了根本性变化。现在，我们可以从自己的研究中，清晰地看到一条通向最终用户和客户所使用技术的直接路径，这让研究工作的价值更加清晰可见。

并非所有产学合作都能取得如此成效，秘诀是什么？

有几个关键因素起到了决定性作用。首要的一点，是IBM在麻省理工学院校园内建立了实体的研究存在，并派驻了真正懂行的专业人才。如果只是简单地投入资金，往往难以成功——你必须有人在现场，与师生们并肩工作，让学生能够随时走动交流。

其次，长达十年的合作承诺至关重要。这给了我们充足的时间去建立深厚、互信的合作关系。一位麻省理工学院的教授曾表示，他喜欢与我们合作，是因为我们能引导他去思考那些真正有趣的问题。

新想法往往诞生于尝试解决他人从未攻克过的难题。我们有时能帮助麻省理工学院的同事，发现他们此前从未考虑过的新问题，这正是因为我们拥有不同的行业视角和参照框架。而从解决这些问题中获得的认知，其价值并不仅仅在于应用层面；更多时候，所获得的洞见具有相当的普遍性，在科学探索的维度上本身就颇具意义。

是什么促使您离开哈佛大学的教职，加入IBM？

即便在我担任教授期间，AI研究就已经呈现出向产业界集中的趋势，原因在于前沿研究所需的资源规模日益庞大。此后，这种趋势愈演愈烈。对我来说，与其完全离开学术界，不如拥有一座连接学界与业界的桥梁，这更具吸引力。

同时，我也被这个机会“从零到一”的特质所吸引。多年来我曾联合创办过几家公司，那种从无到有构建新事物所带来的成就感，令人无比满足。当然，虽然实验室是全新的，但许多方面对我来说并不陌生——我在麻省理工学院完成了博士学业，因此这次合作也有几分“回家”的感觉。

您会建议今天的学生选择业界而非学术界吗？

这并非一道非此即彼的选择题。诚然，一些业界岗位可能是“单程票”，但至少在我们这里，工作的核心是推进技术的前沿边界。从这里走出去的研究人员，他们的作品集和简历对于获得顶尖教职同样具有竞争力，两者之间的转换可以相当灵活。事实上，即便是全职教授，也常常会选择去业界进行为期数月的休假进修，或以其他方式深度参与产业项目。

据说您从学会阅读就开始编程，这是怎么回事？

我父亲当时在DEC公司工作，把一台电脑带回了家。那是一台DECmate，屏幕散发着荧光绿的磷光，对我有着磁石般的吸引力。那个年代能写的程序非常有限，全是文字界面，但正是这种限制让编程变得格外有趣——你必须想出足够聪明的解法，才能让它做出点有趣的事情。

您曾提到大语言模型领域正在出现一条类似摩尔定律的新规律，这是什么意思？

我们和其他研究机构都观察到了一个相当规律的趋势：语言模型的“能力密度”正随着时间的推移，以可预测的节奏持续提升。说得更直白些，去年可能需要700亿参数模型才能达到的能力，今年用70亿参数的模型就能实现了。

这意味着，一味追求超大规模模型的竞争策略，其性价比正在急剧降低。赢得这场“规模竞赛”的代价极其高昂，而领先优势往往转瞬即逝；身后总有一批规模更小、成本低得多的模型，在短短数月内就能追上来，实现同等的效果。

AI最终会更像软件吗？

AI模型的能力令人惊叹，但其不可预测性有时也让人头疼，这一点与传统软件截然不同。我们现在面临的一个挑战是，如何找回从传统软件迁移到大语言模型时所放弃的那部分计算机科学的严谨性。

传统软件有其核心原则：一致性、封装性、抽象性和形式化保证。但当你的“程序”变成一段自然语言提示词时，这些特性就消失了。你甚至无法在两个不同的大语言模型之间直接移植应用，因为没人能精确描述它们之间的细微差异。

我们现在可以用自然语言编写指令，这是以前做不到的“魔力”。但我们认为，未来的方向是将软件的可靠性与抽象性，与大语言模型带来的这种“魔力”结合起来。

兼顾软件的可靠性与AI的即兴“魔力”——这就是IBM Mellea项目背后的理念吗？

可以这么理解。Mellea致力于构建一个类似系统编程的层级，供开发者贡献创意。你编写代码调用某个函数，这个函数可能会去提示模型执行某项操作，或激活一个特定的适配器，并自动解析返回的结果。

我们的Granite模型库本质上就是这样的存在——它们是一组可供开发者直接调用的函数。例如，你可以调用一个函数来询问：“我即将发送给用户的这个答案，是否是幻觉？”该函数可能在内部调用一个大语言模型来判断答案是否有误，或者激活一个让模型自行核查的适配器。用户无需了解函数内部复杂的运作机制，他们只需要以最低的成本，获得正确、可靠的结果。

据说您是一位严肃的爵士钢琴演奏者，您的创作过程是怎样的？

如果不是在创造一些前所未有的东西，我很难提起兴趣。我从四年级开始学钢琴，如果只是照谱演奏，我大概早就放弃了。爵士乐的乐谱通常只告诉你和弦走向和主旋律，其余几乎一切都是即兴发挥。标准的流程是：先演奏一遍主题旋律——我们称之为“头”——然后大家轮流进行即兴独奏，最后再回归主题，圆满收尾。

这有点像大语言模型回应模糊提示词的方式！您有过职业演出经历吗？

高中时我曾在一个四重奏乐队里演奏，其中两位成员后来成为了职业音乐家。我虽然从未参加新英格兰音乐学院的招生试听，但曾为我们乐队的贝斯手在他试听时担任过伴奏。另外两名成员则走上了科研之路。我记得父母当时问我：你确定要走科研这条路吗？难道不想去追求自己的激情所在？我说，天哪，不！那（职业音乐）是一种非常艰辛的生活，而我还有很多其他的兴趣。不过，玩音乐本身确实非常开心，最近我又开始大量弹琴了。

是为了放松吗？

说实话，有些时候感觉更像是一种“驱魔仪式”。这是一种我必须去做的事，我自己也无法百分之百说清原因。它更像是一种创伤后的宣泄。但确实，每次弹奏结束后，我会感觉好多了。我无法完全用语言表达这背后的关联，但我隐约觉得，自己突然重拾音乐、重拾即兴演奏，与当下这个技术变革的时刻有着某种内在的共鸣。空气中弥漫着某种与“创造”有关的东西。我不知道这一切最终将通向何方，但我正在享受这段旅程。

Q&A

Q1：MIT-IBM计算研究实验室为什么要扩展到量子计算领域？

随着量子计算技术快速成熟，IBM与MIT认为现在是将量子纳入合作研究的最佳时机。量子计算并非对所有任务都更快，但对于某些特定类型的复杂问题（如分子模拟、优化问题），它能提供经典计算机几乎无法在可行时间内完成的解决方案。此外，量子计算与AI的交叉融合也展现出令人期待的潜力，例如用于优化机器学习算法。因此，实验室更名为MIT-IBM计算研究实验室，将研究范围正式扩展至量子领域。

Q2：大语言模型领域的“新摩尔定律”是什么意思？

IBM研究人员发现，语言模型的“能力密度”（即单位参数所能实现的能力）会随时间以可预测的节奏提升。简单来说，今年需要700亿参数模型才能达到的某项能力，明年可能用70亿参数的模型就能实现。这意味着一味追求超大规模模型的竞争策略性价比越来越低，因为总会有研究团队或公司，在短时间内用规模更小、训练和推理成本低得多的模型追上来，实现同等效果。

Q3：IBM的Mellea项目想解决什么问题？

Mellea项目旨在解决大语言模型在实际企业应用中面临的可靠性与可控性挑战。传统软件具有一致性、封装性和形式化保证，但大语言模型缺乏这些特性，其行为难以预测，且应用难以在不同模型间移植。Mellea通过构建一个类似系统编程的抽象层级，让开发者可以通过调用预定义的、可靠的函数来触发模型行为或激活适配器，从而将复杂、不确定的模型交互封装起来。最终用户无需了解底层实现，即可获得稳定、可控的结果，从而兼顾AI的灵活能力与软件工程的可控性。