'豪賭2.4億美元！AI黑科技工廠，起底MIT-IBM沃森AI實驗室'
最近，麻省理工學院（MIT）和IBM兩家合作研發的AI成果頻頻刷了幾波存在感。
就在前段時間，MIT和IBM的研究人員們共同開發了一個叫GAN Paint Studio的後期圖像處理工具，人們通過它能隨心所欲地編輯圖像目標的外觀，包括建築物、植物和其他固定裝置，並且編輯過後的圖像十分逼真。
最近，麻省理工學院（MIT）和IBM兩家合作研發的AI成果頻頻刷了幾波存在感。
就在前段時間，MIT和IBM的研究人員們共同開發了一個叫GAN Paint Studio的後期圖像處理工具，人們通過它能隨心所欲地編輯圖像目標的外觀，包括建築物、植物和其他固定裝置，並且編輯過後的圖像十分逼真。
GAN Paint Studio可以說是AI在圖像處理領域的一大進步，不僅如此，這兩家在腦科學、語音識別、NLP等領域也陸續掀起了不小的浪花。
智東西還發現，這些研究成果其實都出自於一個叫MIT-IBM沃森人工智能實驗室（MIT-IBM Watson AI Lab）。那麼問題來了，MIT和IBM強強聯手成立的實驗室，到底要搞什麼名堂？
為此，智東西專門挖了一把這個實驗室的“老底”。
實際上，今年已經是MIT-IBM沃森人工智能實驗室的第二年。
2017年9月7日，IBM正式宣佈，將在未來數十年計劃投資2.4億美元，與麻省理工學院共同建立MIT-IBM沃森人工智能實驗室。而這個實驗室的老家就位於美國馬薩諸塞州劍橋市的肯德爾廣場（Kendall Square），也就是IBM沃森健康（Watson Health）和網絡安全中心的總部。
它具體要做什呢？實驗室的答案十分簡單粗暴：“促進AI的發展和普遍應用。”
針對這一方面，IBM負責認知解決方案和研究部門的高級副總裁John Kelly博士就曾表示，人工智能在過去的10年裡經歷了令人難以置信的增長和進步。然而，在AI技術非常出色的今天，仍需要更多創新技術來解決日益嚴峻的現實問題。
同時John Kelly博士還提到，麻省理工學院和IBM擁有著極其廣泛而深厚的技術能力和人才，至少在將未來十年內領導人工智能領域。
最近，麻省理工學院（MIT）和IBM兩家合作研發的AI成果頻頻刷了幾波存在感。
就在前段時間，MIT和IBM的研究人員們共同開發了一個叫GAN Paint Studio的後期圖像處理工具，人們通過它能隨心所欲地編輯圖像目標的外觀，包括建築物、植物和其他固定裝置，並且編輯過後的圖像十分逼真。
GAN Paint Studio可以說是AI在圖像處理領域的一大進步，不僅如此，這兩家在腦科學、語音識別、NLP等領域也陸續掀起了不小的浪花。
智東西還發現，這些研究成果其實都出自於一個叫MIT-IBM沃森人工智能實驗室（MIT-IBM Watson AI Lab）。那麼問題來了，MIT和IBM強強聯手成立的實驗室，到底要搞什麼名堂？
為此，智東西專門挖了一把這個實驗室的“老底”。
實際上，今年已經是MIT-IBM沃森人工智能實驗室的第二年。
2017年9月7日，IBM正式宣佈，將在未來數十年計劃投資2.4億美元，與麻省理工學院共同建立MIT-IBM沃森人工智能實驗室。而這個實驗室的老家就位於美國馬薩諸塞州劍橋市的肯德爾廣場（Kendall Square），也就是IBM沃森健康（Watson Health）和網絡安全中心的總部。
它具體要做什呢？實驗室的答案十分簡單粗暴：“促進AI的發展和普遍應用。”
針對這一方面，IBM負責認知解決方案和研究部門的高級副總裁John Kelly博士就曾表示，人工智能在過去的10年裡經歷了令人難以置信的增長和進步。然而，在AI技術非常出色的今天，仍需要更多創新技術來解決日益嚴峻的現實問題。
同時John Kelly博士還提到，麻省理工學院和IBM擁有著極其廣泛而深厚的技術能力和人才，至少在將未來十年內領導人工智能領域。
4大研究方向，已啟動49項提案
MIT-IBM沃森人工智能實驗室自成立以來，結合了上百名AI科學家、教授和學生，在AI算法、AI醫療和網絡安全應用等方面持續地展開研究，不斷釋放人工智能的潛力。
在領導層方面，實驗室主要由IBM AI研究院副總裁Dario Gil和麻省理工學院工程學院院長Anantha Chandrakasan共同領導，向麻省理工學院研究人員和IBM科學家發起AI項目計劃徵集。
當然，除了推動人工智能前沿的創新計劃之外，實驗室還鼓勵麻省理工學院的教師和學生們創辦公司，以推動實驗室人工智能發明和技術的商業化。
最近，麻省理工學院（MIT）和IBM兩家合作研發的AI成果頻頻刷了幾波存在感。
就在前段時間，MIT和IBM的研究人員們共同開發了一個叫GAN Paint Studio的後期圖像處理工具，人們通過它能隨心所欲地編輯圖像目標的外觀，包括建築物、植物和其他固定裝置，並且編輯過後的圖像十分逼真。
GAN Paint Studio可以說是AI在圖像處理領域的一大進步，不僅如此，這兩家在腦科學、語音識別、NLP等領域也陸續掀起了不小的浪花。
智東西還發現，這些研究成果其實都出自於一個叫MIT-IBM沃森人工智能實驗室（MIT-IBM Watson AI Lab）。那麼問題來了，MIT和IBM強強聯手成立的實驗室，到底要搞什麼名堂？
為此，智東西專門挖了一把這個實驗室的“老底”。
實際上，今年已經是MIT-IBM沃森人工智能實驗室的第二年。
2017年9月7日，IBM正式宣佈，將在未來數十年計劃投資2.4億美元，與麻省理工學院共同建立MIT-IBM沃森人工智能實驗室。而這個實驗室的老家就位於美國馬薩諸塞州劍橋市的肯德爾廣場（Kendall Square），也就是IBM沃森健康（Watson Health）和網絡安全中心的總部。
它具體要做什呢？實驗室的答案十分簡單粗暴：“促進AI的發展和普遍應用。”
針對這一方面，IBM負責認知解決方案和研究部門的高級副總裁John Kelly博士就曾表示，人工智能在過去的10年裡經歷了令人難以置信的增長和進步。然而，在AI技術非常出色的今天，仍需要更多創新技術來解決日益嚴峻的現實問題。
同時John Kelly博士還提到，麻省理工學院和IBM擁有著極其廣泛而深厚的技術能力和人才，至少在將未來十年內領導人工智能領域。
4大研究方向，已啟動49項提案
MIT-IBM沃森人工智能實驗室自成立以來，結合了上百名AI科學家、教授和學生，在AI算法、AI醫療和網絡安全應用等方面持續地展開研究，不斷釋放人工智能的潛力。
在領導層方面，實驗室主要由IBM AI研究院副總裁Dario Gil和麻省理工學院工程學院院長Anantha Chandrakasan共同領導，向麻省理工學院研究人員和IBM科學家發起AI項目計劃徵集。
當然，除了推動人工智能前沿的創新計劃之外，實驗室還鼓勵麻省理工學院的教師和學生們創辦公司，以推動實驗室人工智能發明和技術的商業化。
▲麻省理工學院院長Lafael Reif（左），IBM認知解決方案和研究高級副總裁John Kelly III（右）
去年9月，MIT-IBM沃森AI實驗室公佈了最新一年的研究進度報告。報告指出，截至2018年9月，實驗室擁有100名AI科學家，其中60名來自麻省理工學院，40名來自IBM。同時，在過去一年內（2017年9月-2018年9月），實驗室接收了來自23個部門和中心的共186項提案。迄今啟動項目已達到49個。
據悉，MIT-IBM沃森人工智能實驗室是學界與業界至今為止，聯手建立的最大實驗室之一。
而在研究方向上，實驗室的四大研究支柱分別為AI算法、AI物理學、AI的特定行業應用以及通過AI促進共同繁榮。
1、AI算法，增強機器學習和推理能力
在這一方面，研究人員將創建人工智能系統，該系統既能解決專業任務，還能解決AI研究過程中更復雜的問題，並有利於穩定、持續的學習。
而研究人員對新算法的研究可不只利用目前的大數據，他們還會從一些能夠增強人類智慧的有限數據中學習。
2、AI物理學，推進硬件的開發與升級
別看這方向是叫物理學，但它主要研究的是新的人工智能硬件材料、設備和架構，用來支持未來訓練和部署人工智能模型的模擬計算方法，以及量子計算和機器學習的交叉研究。
同時，量子計算方面還包括使用人工智能來幫助表徵和改進量子設備，以及研究量子計算的使用，來優化和加速機器學習算法和其他人工智能應用。
3、AI行業應用，垂直醫療和網絡
在這一領域，實驗室主要開發用於專業用途的人工智能新應用，其中兩大主要的垂直領域是醫療保健和網絡安全。
不僅如此，研究人員將探索人工智能在醫療數字安全性和隱私性、醫療保健個性化、圖像分析以及針對特定患者的最佳治療路徑等領域的應用。
4、通過AI促進共同繁榮，提高效益
研究人員在這一方面主要探索AI如何為更多的人們、國家和企業帶來經濟和社會效益。
此外還包括探索人工智能的經濟含義，調查人工智能如何能進繁榮，幫助人們在生活中取得更多成就。
最近，麻省理工學院（MIT）和IBM兩家合作研發的AI成果頻頻刷了幾波存在感。
就在前段時間，MIT和IBM的研究人員們共同開發了一個叫GAN Paint Studio的後期圖像處理工具，人們通過它能隨心所欲地編輯圖像目標的外觀，包括建築物、植物和其他固定裝置，並且編輯過後的圖像十分逼真。
GAN Paint Studio可以說是AI在圖像處理領域的一大進步，不僅如此，這兩家在腦科學、語音識別、NLP等領域也陸續掀起了不小的浪花。
智東西還發現，這些研究成果其實都出自於一個叫MIT-IBM沃森人工智能實驗室（MIT-IBM Watson AI Lab）。那麼問題來了，MIT和IBM強強聯手成立的實驗室，到底要搞什麼名堂？
為此，智東西專門挖了一把這個實驗室的“老底”。
實際上，今年已經是MIT-IBM沃森人工智能實驗室的第二年。
2017年9月7日，IBM正式宣佈，將在未來數十年計劃投資2.4億美元，與麻省理工學院共同建立MIT-IBM沃森人工智能實驗室。而這個實驗室的老家就位於美國馬薩諸塞州劍橋市的肯德爾廣場（Kendall Square），也就是IBM沃森健康（Watson Health）和網絡安全中心的總部。
它具體要做什呢？實驗室的答案十分簡單粗暴：“促進AI的發展和普遍應用。”
針對這一方面，IBM負責認知解決方案和研究部門的高級副總裁John Kelly博士就曾表示，人工智能在過去的10年裡經歷了令人難以置信的增長和進步。然而，在AI技術非常出色的今天，仍需要更多創新技術來解決日益嚴峻的現實問題。
同時John Kelly博士還提到，麻省理工學院和IBM擁有著極其廣泛而深厚的技術能力和人才，至少在將未來十年內領導人工智能領域。
4大研究方向，已啟動49項提案
MIT-IBM沃森人工智能實驗室自成立以來，結合了上百名AI科學家、教授和學生，在AI算法、AI醫療和網絡安全應用等方面持續地展開研究，不斷釋放人工智能的潛力。
在領導層方面，實驗室主要由IBM AI研究院副總裁Dario Gil和麻省理工學院工程學院院長Anantha Chandrakasan共同領導，向麻省理工學院研究人員和IBM科學家發起AI項目計劃徵集。
當然，除了推動人工智能前沿的創新計劃之外，實驗室還鼓勵麻省理工學院的教師和學生們創辦公司，以推動實驗室人工智能發明和技術的商業化。
▲麻省理工學院院長Lafael Reif（左），IBM認知解決方案和研究高級副總裁John Kelly III（右）
去年9月，MIT-IBM沃森AI實驗室公佈了最新一年的研究進度報告。報告指出，截至2018年9月，實驗室擁有100名AI科學家，其中60名來自麻省理工學院，40名來自IBM。同時，在過去一年內（2017年9月-2018年9月），實驗室接收了來自23個部門和中心的共186項提案。迄今啟動項目已達到49個。
據悉，MIT-IBM沃森人工智能實驗室是學界與業界至今為止，聯手建立的最大實驗室之一。
而在研究方向上，實驗室的四大研究支柱分別為AI算法、AI物理學、AI的特定行業應用以及通過AI促進共同繁榮。
1、AI算法，增強機器學習和推理能力
在這一方面，研究人員將創建人工智能系統，該系統既能解決專業任務，還能解決AI研究過程中更復雜的問題，並有利於穩定、持續的學習。
而研究人員對新算法的研究可不只利用目前的大數據，他們還會從一些能夠增強人類智慧的有限數據中學習。
2、AI物理學，推進硬件的開發與升級
別看這方向是叫物理學，但它主要研究的是新的人工智能硬件材料、設備和架構，用來支持未來訓練和部署人工智能模型的模擬計算方法，以及量子計算和機器學習的交叉研究。
同時，量子計算方面還包括使用人工智能來幫助表徵和改進量子設備，以及研究量子計算的使用，來優化和加速機器學習算法和其他人工智能應用。
3、AI行業應用，垂直醫療和網絡
在這一領域，實驗室主要開發用於專業用途的人工智能新應用，其中兩大主要的垂直領域是醫療保健和網絡安全。
不僅如此，研究人員將探索人工智能在醫療數字安全性和隱私性、醫療保健個性化、圖像分析以及針對特定患者的最佳治療路徑等領域的應用。
4、通過AI促進共同繁榮，提高效益
研究人員在這一方面主要探索AI如何為更多的人們、國家和企業帶來經濟和社會效益。
此外還包括探索人工智能的經濟含義，調查人工智能如何能進繁榮，幫助人們在生活中取得更多成就。
實際上，MIT-IBM沃森人工智能實驗室除了上述四大主要研究方向之外，還廣泛地參與開源AI項目。
對此，Dario Gil表示，該實驗室的核心任務是讓MIT的科學家和IBM的研究員們聚集到一起，共同推動AI的未來發展。
同時，實驗室也在進一步解決人工智能的商業和社會應用問題。主要方式是通過實驗室解決一系列特定的業務問題，並將這些模型應用於其他行業。而這種模型開發模式也稱為“遷移學習（Transfer Learning）”，它能夠減少為特定問題開發模型的時間，提高模型的準確性和效率。
最近，麻省理工學院（MIT）和IBM兩家合作研發的AI成果頻頻刷了幾波存在感。
就在前段時間，MIT和IBM的研究人員們共同開發了一個叫GAN Paint Studio的後期圖像處理工具，人們通過它能隨心所欲地編輯圖像目標的外觀，包括建築物、植物和其他固定裝置，並且編輯過後的圖像十分逼真。
GAN Paint Studio可以說是AI在圖像處理領域的一大進步，不僅如此，這兩家在腦科學、語音識別、NLP等領域也陸續掀起了不小的浪花。
智東西還發現，這些研究成果其實都出自於一個叫MIT-IBM沃森人工智能實驗室（MIT-IBM Watson AI Lab）。那麼問題來了，MIT和IBM強強聯手成立的實驗室，到底要搞什麼名堂？
為此，智東西專門挖了一把這個實驗室的“老底”。
實際上，今年已經是MIT-IBM沃森人工智能實驗室的第二年。
2017年9月7日，IBM正式宣佈，將在未來數十年計劃投資2.4億美元，與麻省理工學院共同建立MIT-IBM沃森人工智能實驗室。而這個實驗室的老家就位於美國馬薩諸塞州劍橋市的肯德爾廣場（Kendall Square），也就是IBM沃森健康（Watson Health）和網絡安全中心的總部。
它具體要做什呢？實驗室的答案十分簡單粗暴：“促進AI的發展和普遍應用。”
針對這一方面，IBM負責認知解決方案和研究部門的高級副總裁John Kelly博士就曾表示，人工智能在過去的10年裡經歷了令人難以置信的增長和進步。然而，在AI技術非常出色的今天，仍需要更多創新技術來解決日益嚴峻的現實問題。
同時John Kelly博士還提到，麻省理工學院和IBM擁有著極其廣泛而深厚的技術能力和人才，至少在將未來十年內領導人工智能領域。
4大研究方向，已啟動49項提案
MIT-IBM沃森人工智能實驗室自成立以來，結合了上百名AI科學家、教授和學生，在AI算法、AI醫療和網絡安全應用等方面持續地展開研究，不斷釋放人工智能的潛力。
在領導層方面，實驗室主要由IBM AI研究院副總裁Dario Gil和麻省理工學院工程學院院長Anantha Chandrakasan共同領導，向麻省理工學院研究人員和IBM科學家發起AI項目計劃徵集。
當然，除了推動人工智能前沿的創新計劃之外，實驗室還鼓勵麻省理工學院的教師和學生們創辦公司，以推動實驗室人工智能發明和技術的商業化。
▲麻省理工學院院長Lafael Reif（左），IBM認知解決方案和研究高級副總裁John Kelly III（右）
去年9月，MIT-IBM沃森AI實驗室公佈了最新一年的研究進度報告。報告指出，截至2018年9月，實驗室擁有100名AI科學家，其中60名來自麻省理工學院，40名來自IBM。同時，在過去一年內（2017年9月-2018年9月），實驗室接收了來自23個部門和中心的共186項提案。迄今啟動項目已達到49個。
據悉，MIT-IBM沃森人工智能實驗室是學界與業界至今為止，聯手建立的最大實驗室之一。
而在研究方向上，實驗室的四大研究支柱分別為AI算法、AI物理學、AI的特定行業應用以及通過AI促進共同繁榮。
1、AI算法，增強機器學習和推理能力
在這一方面，研究人員將創建人工智能系統，該系統既能解決專業任務，還能解決AI研究過程中更復雜的問題，並有利於穩定、持續的學習。
而研究人員對新算法的研究可不只利用目前的大數據，他們還會從一些能夠增強人類智慧的有限數據中學習。
2、AI物理學，推進硬件的開發與升級
別看這方向是叫物理學，但它主要研究的是新的人工智能硬件材料、設備和架構，用來支持未來訓練和部署人工智能模型的模擬計算方法，以及量子計算和機器學習的交叉研究。
同時，量子計算方面還包括使用人工智能來幫助表徵和改進量子設備，以及研究量子計算的使用，來優化和加速機器學習算法和其他人工智能應用。
3、AI行業應用，垂直醫療和網絡
在這一領域，實驗室主要開發用於專業用途的人工智能新應用，其中兩大主要的垂直領域是醫療保健和網絡安全。
不僅如此，研究人員將探索人工智能在醫療數字安全性和隱私性、醫療保健個性化、圖像分析以及針對特定患者的最佳治療路徑等領域的應用。
4、通過AI促進共同繁榮，提高效益
研究人員在這一方面主要探索AI如何為更多的人們、國家和企業帶來經濟和社會效益。
此外還包括探索人工智能的經濟含義，調查人工智能如何能進繁榮，幫助人們在生活中取得更多成就。
實際上，MIT-IBM沃森人工智能實驗室除了上述四大主要研究方向之外，還廣泛地參與開源AI項目。
對此，Dario Gil表示，該實驗室的核心任務是讓MIT的科學家和IBM的研究員們聚集到一起，共同推動AI的未來發展。
同時，實驗室也在進一步解決人工智能的商業和社會應用問題。主要方式是通過實驗室解決一系列特定的業務問題，並將這些模型應用於其他行業。而這種模型開發模式也稱為“遷移學習（Transfer Learning）”，它能夠減少為特定問題開發模型的時間，提高模型的準確性和效率。
在AI可解釋性領域取得重要進展
實際上，對MIT-IBM沃森人工智能實驗室來說，如何採取創新性的方法，利用人工智能進一步地解決人們日益增長的現實生活問題，改善人們的工作和生活，是研究人員十分重要的研發動力。
今年3月，MIT-IBM沃森AI實驗室的研究人員之一，哈佛大學副教授David Cox代表實驗室給大家交了一份答卷，回溯實驗室過去一年的研究情況。
最近，麻省理工學院（MIT）和IBM兩家合作研發的AI成果頻頻刷了幾波存在感。
就在前段時間，MIT和IBM的研究人員們共同開發了一個叫GAN Paint Studio的後期圖像處理工具，人們通過它能隨心所欲地編輯圖像目標的外觀，包括建築物、植物和其他固定裝置，並且編輯過後的圖像十分逼真。
GAN Paint Studio可以說是AI在圖像處理領域的一大進步，不僅如此，這兩家在腦科學、語音識別、NLP等領域也陸續掀起了不小的浪花。
智東西還發現，這些研究成果其實都出自於一個叫MIT-IBM沃森人工智能實驗室（MIT-IBM Watson AI Lab）。那麼問題來了，MIT和IBM強強聯手成立的實驗室，到底要搞什麼名堂？
為此，智東西專門挖了一把這個實驗室的“老底”。
實際上，今年已經是MIT-IBM沃森人工智能實驗室的第二年。
2017年9月7日，IBM正式宣佈，將在未來數十年計劃投資2.4億美元，與麻省理工學院共同建立MIT-IBM沃森人工智能實驗室。而這個實驗室的老家就位於美國馬薩諸塞州劍橋市的肯德爾廣場（Kendall Square），也就是IBM沃森健康（Watson Health）和網絡安全中心的總部。
它具體要做什呢？實驗室的答案十分簡單粗暴：“促進AI的發展和普遍應用。”
針對這一方面，IBM負責認知解決方案和研究部門的高級副總裁John Kelly博士就曾表示，人工智能在過去的10年裡經歷了令人難以置信的增長和進步。然而，在AI技術非常出色的今天，仍需要更多創新技術來解決日益嚴峻的現實問題。
同時John Kelly博士還提到，麻省理工學院和IBM擁有著極其廣泛而深厚的技術能力和人才，至少在將未來十年內領導人工智能領域。
4大研究方向，已啟動49項提案
MIT-IBM沃森人工智能實驗室自成立以來，結合了上百名AI科學家、教授和學生，在AI算法、AI醫療和網絡安全應用等方面持續地展開研究，不斷釋放人工智能的潛力。
在領導層方面，實驗室主要由IBM AI研究院副總裁Dario Gil和麻省理工學院工程學院院長Anantha Chandrakasan共同領導，向麻省理工學院研究人員和IBM科學家發起AI項目計劃徵集。
當然，除了推動人工智能前沿的創新計劃之外，實驗室還鼓勵麻省理工學院的教師和學生們創辦公司，以推動實驗室人工智能發明和技術的商業化。
▲麻省理工學院院長Lafael Reif（左），IBM認知解決方案和研究高級副總裁John Kelly III（右）
去年9月，MIT-IBM沃森AI實驗室公佈了最新一年的研究進度報告。報告指出，截至2018年9月，實驗室擁有100名AI科學家，其中60名來自麻省理工學院，40名來自IBM。同時，在過去一年內（2017年9月-2018年9月），實驗室接收了來自23個部門和中心的共186項提案。迄今啟動項目已達到49個。
據悉，MIT-IBM沃森人工智能實驗室是學界與業界至今為止，聯手建立的最大實驗室之一。
而在研究方向上，實驗室的四大研究支柱分別為AI算法、AI物理學、AI的特定行業應用以及通過AI促進共同繁榮。
1、AI算法，增強機器學習和推理能力
在這一方面，研究人員將創建人工智能系統，該系統既能解決專業任務，還能解決AI研究過程中更復雜的問題，並有利於穩定、持續的學習。
而研究人員對新算法的研究可不只利用目前的大數據，他們還會從一些能夠增強人類智慧的有限數據中學習。
2、AI物理學，推進硬件的開發與升級
別看這方向是叫物理學，但它主要研究的是新的人工智能硬件材料、設備和架構，用來支持未來訓練和部署人工智能模型的模擬計算方法，以及量子計算和機器學習的交叉研究。
同時，量子計算方面還包括使用人工智能來幫助表徵和改進量子設備，以及研究量子計算的使用，來優化和加速機器學習算法和其他人工智能應用。
3、AI行業應用，垂直醫療和網絡
在這一領域，實驗室主要開發用於專業用途的人工智能新應用，其中兩大主要的垂直領域是醫療保健和網絡安全。
不僅如此，研究人員將探索人工智能在醫療數字安全性和隱私性、醫療保健個性化、圖像分析以及針對特定患者的最佳治療路徑等領域的應用。
4、通過AI促進共同繁榮，提高效益
研究人員在這一方面主要探索AI如何為更多的人們、國家和企業帶來經濟和社會效益。
此外還包括探索人工智能的經濟含義，調查人工智能如何能進繁榮，幫助人們在生活中取得更多成就。
實際上，MIT-IBM沃森人工智能實驗室除了上述四大主要研究方向之外，還廣泛地參與開源AI項目。
對此，Dario Gil表示，該實驗室的核心任務是讓MIT的科學家和IBM的研究員們聚集到一起，共同推動AI的未來發展。
同時，實驗室也在進一步解決人工智能的商業和社會應用問題。主要方式是通過實驗室解決一系列特定的業務問題，並將這些模型應用於其他行業。而這種模型開發模式也稱為“遷移學習（Transfer Learning）”，它能夠減少為特定問題開發模型的時間，提高模型的準確性和效率。
在AI可解釋性領域取得重要進展
實際上，對MIT-IBM沃森人工智能實驗室來說，如何採取創新性的方法，利用人工智能進一步地解決人們日益增長的現實生活問題，改善人們的工作和生活，是研究人員十分重要的研發動力。
今年3月，MIT-IBM沃森AI實驗室的研究人員之一，哈佛大學副教授David Cox代表實驗室給大家交了一份答卷，回溯實驗室過去一年的研究情況。
▲哈佛大學副教授David Cox
在Cox看來，神經符號（Neural-Symbolic）學習算法是目前實驗室最有希望的研究領域之一。
這是一種將深度學習和符號化推理技術相結合的嘗試，深度學習系統通過神經網絡軟件來分析大型數據集，而神經網絡軟件擁有能模擬人腦識別模式的能力。
其實，深度學習方法已經有30多年的歷史，但由於數據存儲和計算方面的侷限性，該方法未能一直受到研究人員的重視，直到近十年才被研究人員們重新關注。而如今，深度學習已經成為了許多人工智能應用的基礎。
另一方面，人工智能的符號化推理技術也是研究人員在近幾十年來的研究領域，主要是為了教會機器“以抽象的方式思考概念”，並用邏輯解決問題。
針對這些AI技術，Cox認為，雖然深度學習和符號化推理技術這兩種方法都存在一定的缺陷，但兩者的混合能夠提高它們的效率。
值得一提的是，MIT-IBM沃森人工智能實驗室在這一領域上已經取得一定的進展。
今年5月，研究人員在國際學習代表大會（ICLR）上發表一篇名為《神經符號概念學習者：從自然監督中解讀場景、單詞和句子（Neuro-Symbolic Concept Learner：Interpreting Scenes, Words, and Sentences From Natural Supervision）》的論文。
最近，麻省理工學院（MIT）和IBM兩家合作研發的AI成果頻頻刷了幾波存在感。
就在前段時間，MIT和IBM的研究人員們共同開發了一個叫GAN Paint Studio的後期圖像處理工具，人們通過它能隨心所欲地編輯圖像目標的外觀，包括建築物、植物和其他固定裝置，並且編輯過後的圖像十分逼真。
GAN Paint Studio可以說是AI在圖像處理領域的一大進步，不僅如此，這兩家在腦科學、語音識別、NLP等領域也陸續掀起了不小的浪花。
智東西還發現，這些研究成果其實都出自於一個叫MIT-IBM沃森人工智能實驗室（MIT-IBM Watson AI Lab）。那麼問題來了，MIT和IBM強強聯手成立的實驗室，到底要搞什麼名堂？
為此，智東西專門挖了一把這個實驗室的“老底”。
實際上，今年已經是MIT-IBM沃森人工智能實驗室的第二年。
2017年9月7日，IBM正式宣佈，將在未來數十年計劃投資2.4億美元，與麻省理工學院共同建立MIT-IBM沃森人工智能實驗室。而這個實驗室的老家就位於美國馬薩諸塞州劍橋市的肯德爾廣場（Kendall Square），也就是IBM沃森健康（Watson Health）和網絡安全中心的總部。
它具體要做什呢？實驗室的答案十分簡單粗暴：“促進AI的發展和普遍應用。”
針對這一方面，IBM負責認知解決方案和研究部門的高級副總裁John Kelly博士就曾表示，人工智能在過去的10年裡經歷了令人難以置信的增長和進步。然而，在AI技術非常出色的今天，仍需要更多創新技術來解決日益嚴峻的現實問題。
同時John Kelly博士還提到，麻省理工學院和IBM擁有著極其廣泛而深厚的技術能力和人才，至少在將未來十年內領導人工智能領域。
4大研究方向，已啟動49項提案
MIT-IBM沃森人工智能實驗室自成立以來，結合了上百名AI科學家、教授和學生，在AI算法、AI醫療和網絡安全應用等方面持續地展開研究，不斷釋放人工智能的潛力。
在領導層方面，實驗室主要由IBM AI研究院副總裁Dario Gil和麻省理工學院工程學院院長Anantha Chandrakasan共同領導，向麻省理工學院研究人員和IBM科學家發起AI項目計劃徵集。
當然，除了推動人工智能前沿的創新計劃之外，實驗室還鼓勵麻省理工學院的教師和學生們創辦公司，以推動實驗室人工智能發明和技術的商業化。
▲麻省理工學院院長Lafael Reif（左），IBM認知解決方案和研究高級副總裁John Kelly III（右）
去年9月，MIT-IBM沃森AI實驗室公佈了最新一年的研究進度報告。報告指出，截至2018年9月，實驗室擁有100名AI科學家，其中60名來自麻省理工學院，40名來自IBM。同時，在過去一年內（2017年9月-2018年9月），實驗室接收了來自23個部門和中心的共186項提案。迄今啟動項目已達到49個。
據悉，MIT-IBM沃森人工智能實驗室是學界與業界至今為止，聯手建立的最大實驗室之一。
而在研究方向上，實驗室的四大研究支柱分別為AI算法、AI物理學、AI的特定行業應用以及通過AI促進共同繁榮。
1、AI算法，增強機器學習和推理能力
在這一方面，研究人員將創建人工智能系統，該系統既能解決專業任務，還能解決AI研究過程中更復雜的問題，並有利於穩定、持續的學習。
而研究人員對新算法的研究可不只利用目前的大數據，他們還會從一些能夠增強人類智慧的有限數據中學習。
2、AI物理學，推進硬件的開發與升級
別看這方向是叫物理學，但它主要研究的是新的人工智能硬件材料、設備和架構，用來支持未來訓練和部署人工智能模型的模擬計算方法，以及量子計算和機器學習的交叉研究。
同時，量子計算方面還包括使用人工智能來幫助表徵和改進量子設備，以及研究量子計算的使用，來優化和加速機器學習算法和其他人工智能應用。
3、AI行業應用，垂直醫療和網絡
在這一領域，實驗室主要開發用於專業用途的人工智能新應用，其中兩大主要的垂直領域是醫療保健和網絡安全。
不僅如此，研究人員將探索人工智能在醫療數字安全性和隱私性、醫療保健個性化、圖像分析以及針對特定患者的最佳治療路徑等領域的應用。
4、通過AI促進共同繁榮，提高效益
研究人員在這一方面主要探索AI如何為更多的人們、國家和企業帶來經濟和社會效益。
此外還包括探索人工智能的經濟含義，調查人工智能如何能進繁榮，幫助人們在生活中取得更多成就。
實際上，MIT-IBM沃森人工智能實驗室除了上述四大主要研究方向之外，還廣泛地參與開源AI項目。
對此，Dario Gil表示，該實驗室的核心任務是讓MIT的科學家和IBM的研究員們聚集到一起，共同推動AI的未來發展。
同時，實驗室也在進一步解決人工智能的商業和社會應用問題。主要方式是通過實驗室解決一系列特定的業務問題，並將這些模型應用於其他行業。而這種模型開發模式也稱為“遷移學習（Transfer Learning）”，它能夠減少為特定問題開發模型的時間，提高模型的準確性和效率。
在AI可解釋性領域取得重要進展
實際上，對MIT-IBM沃森人工智能實驗室來說，如何採取創新性的方法，利用人工智能進一步地解決人們日益增長的現實生活問題，改善人們的工作和生活，是研究人員十分重要的研發動力。
今年3月，MIT-IBM沃森AI實驗室的研究人員之一，哈佛大學副教授David Cox代表實驗室給大家交了一份答卷，回溯實驗室過去一年的研究情況。
▲哈佛大學副教授David Cox
在Cox看來，神經符號（Neural-Symbolic）學習算法是目前實驗室最有希望的研究領域之一。
這是一種將深度學習和符號化推理技術相結合的嘗試，深度學習系統通過神經網絡軟件來分析大型數據集，而神經網絡軟件擁有能模擬人腦識別模式的能力。
其實，深度學習方法已經有30多年的歷史，但由於數據存儲和計算方面的侷限性，該方法未能一直受到研究人員的重視，直到近十年才被研究人員們重新關注。而如今，深度學習已經成為了許多人工智能應用的基礎。
另一方面，人工智能的符號化推理技術也是研究人員在近幾十年來的研究領域，主要是為了教會機器“以抽象的方式思考概念”，並用邏輯解決問題。
針對這些AI技術，Cox認為，雖然深度學習和符號化推理技術這兩種方法都存在一定的缺陷，但兩者的混合能夠提高它們的效率。
值得一提的是，MIT-IBM沃森人工智能實驗室在這一領域上已經取得一定的進展。
今年5月，研究人員在國際學習代表大會（ICLR）上發表一篇名為《神經符號概念學習者：從自然監督中解讀場景、單詞和句子（Neuro-Symbolic Concept Learner：Interpreting Scenes, Words, and Sentences From Natural Supervision）》的論文。
論文中，他們提出一個叫Neuro-Symbolic Concept Learner（NSCL）的概念，主要是將符號AI和神經網絡結合在一起，創建出比傳統模型更靈活的AI，並且創建出的AI可以解決符號AI和神經網絡都無法自行解決的問題。
而通過這種方式創造出的AI強在哪呢？這就不得不提到視覺問答（VQA）。
VQA是目前人工智能面臨的一項艱鉅的挑戰，具體來說，就是人們向AI展示一副圖像，並讓AI回答這幅圖像中不同元素之間的關係。
這項任務對我們人類來說也許很簡單，但對目前的AI來說卻是十分困難的。因為VQA中涉及圖像識別、自然語言處理和邏輯推理的任務，而這些任務最好是由符號AI和神經網絡一起協作完成。
因此，MIT-IBM沃森AI實驗室的研究人員將符號AI與神經網絡結合，創建了一個混合神經符號系統。
該系統主要有三個部分，第一個是基於神經的感知模塊，它可以從畫面的場景中提取對象級表示；第二個是基於視覺的語義解析器程序，它能夠將人們問的問題翻譯成可執行的文件；第三個是符號程序執行器，它可以讀取對象的感知並將感知內容的屬性和關係進行分類，再執行程序來獲得答案。
隨後，研究人員使用一個在VQA問題中常用的渲染對象圖像數據集CLEVR，對NSCL進行測試。
事實證明，針對學習視覺概念、單詞表達和句子的語義分析方面，NSCL僅使用一小部分數據，就能夠在CLEVR上達到99.8%的準確率。
主要原因是NSCL並不是通過數百萬個例子來強制執行的，而是開發了域的概念表達，這使得它在處理場景時更加容易。
MIT-IBM沃森AI實驗室研發的NSCL在某種程度上，解決了神經網絡的可解釋性問題。在傳統的神經網絡模型中，AI針對某一問題只輸出結果，並沒有提供具體的解決辦法。相反，NSCL混合系統可以產生基於規則的程序，該程序能夠提供其功能的逐步描述。
總的來說，NSCL在學習視覺概念、單詞表示和句子語義分析方面的有著較高的準確性和有效性。此外，它還支持包括視覺問答和雙向圖像文本檢索在內的應用程序，甚至是新的計劃領域。
最近，麻省理工學院（MIT）和IBM兩家合作研發的AI成果頻頻刷了幾波存在感。
就在前段時間，MIT和IBM的研究人員們共同開發了一個叫GAN Paint Studio的後期圖像處理工具，人們通過它能隨心所欲地編輯圖像目標的外觀，包括建築物、植物和其他固定裝置，並且編輯過後的圖像十分逼真。
GAN Paint Studio可以說是AI在圖像處理領域的一大進步，不僅如此，這兩家在腦科學、語音識別、NLP等領域也陸續掀起了不小的浪花。
智東西還發現，這些研究成果其實都出自於一個叫MIT-IBM沃森人工智能實驗室（MIT-IBM Watson AI Lab）。那麼問題來了，MIT和IBM強強聯手成立的實驗室，到底要搞什麼名堂？
為此，智東西專門挖了一把這個實驗室的“老底”。
實際上，今年已經是MIT-IBM沃森人工智能實驗室的第二年。
2017年9月7日，IBM正式宣佈，將在未來數十年計劃投資2.4億美元，與麻省理工學院共同建立MIT-IBM沃森人工智能實驗室。而這個實驗室的老家就位於美國馬薩諸塞州劍橋市的肯德爾廣場（Kendall Square），也就是IBM沃森健康（Watson Health）和網絡安全中心的總部。
它具體要做什呢？實驗室的答案十分簡單粗暴：“促進AI的發展和普遍應用。”
針對這一方面，IBM負責認知解決方案和研究部門的高級副總裁John Kelly博士就曾表示，人工智能在過去的10年裡經歷了令人難以置信的增長和進步。然而，在AI技術非常出色的今天，仍需要更多創新技術來解決日益嚴峻的現實問題。
同時John Kelly博士還提到，麻省理工學院和IBM擁有著極其廣泛而深厚的技術能力和人才，至少在將未來十年內領導人工智能領域。
4大研究方向，已啟動49項提案
MIT-IBM沃森人工智能實驗室自成立以來，結合了上百名AI科學家、教授和學生，在AI算法、AI醫療和網絡安全應用等方面持續地展開研究，不斷釋放人工智能的潛力。
在領導層方面，實驗室主要由IBM AI研究院副總裁Dario Gil和麻省理工學院工程學院院長Anantha Chandrakasan共同領導，向麻省理工學院研究人員和IBM科學家發起AI項目計劃徵集。
當然，除了推動人工智能前沿的創新計劃之外，實驗室還鼓勵麻省理工學院的教師和學生們創辦公司，以推動實驗室人工智能發明和技術的商業化。
▲麻省理工學院院長Lafael Reif（左），IBM認知解決方案和研究高級副總裁John Kelly III（右）
去年9月，MIT-IBM沃森AI實驗室公佈了最新一年的研究進度報告。報告指出，截至2018年9月，實驗室擁有100名AI科學家，其中60名來自麻省理工學院，40名來自IBM。同時，在過去一年內（2017年9月-2018年9月），實驗室接收了來自23個部門和中心的共186項提案。迄今啟動項目已達到49個。
據悉，MIT-IBM沃森人工智能實驗室是學界與業界至今為止，聯手建立的最大實驗室之一。
而在研究方向上，實驗室的四大研究支柱分別為AI算法、AI物理學、AI的特定行業應用以及通過AI促進共同繁榮。
1、AI算法，增強機器學習和推理能力
在這一方面，研究人員將創建人工智能系統，該系統既能解決專業任務，還能解決AI研究過程中更復雜的問題，並有利於穩定、持續的學習。
而研究人員對新算法的研究可不只利用目前的大數據，他們還會從一些能夠增強人類智慧的有限數據中學習。
2、AI物理學，推進硬件的開發與升級
別看這方向是叫物理學，但它主要研究的是新的人工智能硬件材料、設備和架構，用來支持未來訓練和部署人工智能模型的模擬計算方法，以及量子計算和機器學習的交叉研究。
同時，量子計算方面還包括使用人工智能來幫助表徵和改進量子設備，以及研究量子計算的使用，來優化和加速機器學習算法和其他人工智能應用。
3、AI行業應用，垂直醫療和網絡
在這一領域，實驗室主要開發用於專業用途的人工智能新應用，其中兩大主要的垂直領域是醫療保健和網絡安全。
不僅如此，研究人員將探索人工智能在醫療數字安全性和隱私性、醫療保健個性化、圖像分析以及針對特定患者的最佳治療路徑等領域的應用。
4、通過AI促進共同繁榮，提高效益
研究人員在這一方面主要探索AI如何為更多的人們、國家和企業帶來經濟和社會效益。
此外還包括探索人工智能的經濟含義，調查人工智能如何能進繁榮，幫助人們在生活中取得更多成就。
實際上，MIT-IBM沃森人工智能實驗室除了上述四大主要研究方向之外，還廣泛地參與開源AI項目。
對此，Dario Gil表示，該實驗室的核心任務是讓MIT的科學家和IBM的研究員們聚集到一起，共同推動AI的未來發展。
同時，實驗室也在進一步解決人工智能的商業和社會應用問題。主要方式是通過實驗室解決一系列特定的業務問題，並將這些模型應用於其他行業。而這種模型開發模式也稱為“遷移學習（Transfer Learning）”，它能夠減少為特定問題開發模型的時間，提高模型的準確性和效率。
在AI可解釋性領域取得重要進展
實際上，對MIT-IBM沃森人工智能實驗室來說，如何採取創新性的方法，利用人工智能進一步地解決人們日益增長的現實生活問題，改善人們的工作和生活，是研究人員十分重要的研發動力。
今年3月，MIT-IBM沃森AI實驗室的研究人員之一，哈佛大學副教授David Cox代表實驗室給大家交了一份答卷，回溯實驗室過去一年的研究情況。
▲哈佛大學副教授David Cox
在Cox看來，神經符號（Neural-Symbolic）學習算法是目前實驗室最有希望的研究領域之一。
這是一種將深度學習和符號化推理技術相結合的嘗試，深度學習系統通過神經網絡軟件來分析大型數據集，而神經網絡軟件擁有能模擬人腦識別模式的能力。
其實，深度學習方法已經有30多年的歷史，但由於數據存儲和計算方面的侷限性，該方法未能一直受到研究人員的重視，直到近十年才被研究人員們重新關注。而如今，深度學習已經成為了許多人工智能應用的基礎。
另一方面，人工智能的符號化推理技術也是研究人員在近幾十年來的研究領域，主要是為了教會機器“以抽象的方式思考概念”，並用邏輯解決問題。
針對這些AI技術，Cox認為，雖然深度學習和符號化推理技術這兩種方法都存在一定的缺陷，但兩者的混合能夠提高它們的效率。
值得一提的是，MIT-IBM沃森人工智能實驗室在這一領域上已經取得一定的進展。
今年5月，研究人員在國際學習代表大會（ICLR）上發表一篇名為《神經符號概念學習者：從自然監督中解讀場景、單詞和句子（Neuro-Symbolic Concept Learner：Interpreting Scenes, Words, and Sentences From Natural Supervision）》的論文。
論文中，他們提出一個叫Neuro-Symbolic Concept Learner（NSCL）的概念，主要是將符號AI和神經網絡結合在一起，創建出比傳統模型更靈活的AI，並且創建出的AI可以解決符號AI和神經網絡都無法自行解決的問題。
而通過這種方式創造出的AI強在哪呢？這就不得不提到視覺問答（VQA）。
VQA是目前人工智能面臨的一項艱鉅的挑戰，具體來說，就是人們向AI展示一副圖像，並讓AI回答這幅圖像中不同元素之間的關係。
這項任務對我們人類來說也許很簡單，但對目前的AI來說卻是十分困難的。因為VQA中涉及圖像識別、自然語言處理和邏輯推理的任務，而這些任務最好是由符號AI和神經網絡一起協作完成。
因此，MIT-IBM沃森AI實驗室的研究人員將符號AI與神經網絡結合，創建了一個混合神經符號系統。
該系統主要有三個部分，第一個是基於神經的感知模塊，它可以從畫面的場景中提取對象級表示；第二個是基於視覺的語義解析器程序，它能夠將人們問的問題翻譯成可執行的文件；第三個是符號程序執行器，它可以讀取對象的感知並將感知內容的屬性和關係進行分類，再執行程序來獲得答案。
隨後，研究人員使用一個在VQA問題中常用的渲染對象圖像數據集CLEVR，對NSCL進行測試。
事實證明，針對學習視覺概念、單詞表達和句子的語義分析方面，NSCL僅使用一小部分數據，就能夠在CLEVR上達到99.8%的準確率。
主要原因是NSCL並不是通過數百萬個例子來強制執行的，而是開發了域的概念表達，這使得它在處理場景時更加容易。
MIT-IBM沃森AI實驗室研發的NSCL在某種程度上，解決了神經網絡的可解釋性問題。在傳統的神經網絡模型中，AI針對某一問題只輸出結果，並沒有提供具體的解決辦法。相反，NSCL混合系統可以產生基於規則的程序，該程序能夠提供其功能的逐步描述。
總的來說，NSCL在學習視覺概念、單詞表示和句子語義分析方面的有著較高的準確性和有效性。此外，它還支持包括視覺問答和雙向圖像文本檢索在內的應用程序，甚至是新的計劃領域。
MIT-IBM沃森AI實驗室的這一成果無疑是重要的，就如他們認為的那樣，人工智能的下一個突破口就可能來自於結束符號AI和神經網絡之間的競爭。
除此之外，MIT-IBM沃森人工智能實驗室在其他領域也取得相應的進展。
例如，該實驗室研究如何在調試神經網絡中發現和消除AI軟件中的錯誤、如何在“黑盒”環境中儘量減少圖像的敵對錯誤分類，以及如何為醫院重症監護室的治療策略進行實時優化。
同時，研究人員們還高度關注訓練人工智能的挑戰，以便AI在每個人工智能項目中對道德和倫理考慮進行推理。
最近，麻省理工學院（MIT）和IBM兩家合作研發的AI成果頻頻刷了幾波存在感。
就在前段時間，MIT和IBM的研究人員們共同開發了一個叫GAN Paint Studio的後期圖像處理工具，人們通過它能隨心所欲地編輯圖像目標的外觀，包括建築物、植物和其他固定裝置，並且編輯過後的圖像十分逼真。
GAN Paint Studio可以說是AI在圖像處理領域的一大進步，不僅如此，這兩家在腦科學、語音識別、NLP等領域也陸續掀起了不小的浪花。
智東西還發現，這些研究成果其實都出自於一個叫MIT-IBM沃森人工智能實驗室（MIT-IBM Watson AI Lab）。那麼問題來了，MIT和IBM強強聯手成立的實驗室，到底要搞什麼名堂？
為此，智東西專門挖了一把這個實驗室的“老底”。
實際上，今年已經是MIT-IBM沃森人工智能實驗室的第二年。
2017年9月7日，IBM正式宣佈，將在未來數十年計劃投資2.4億美元，與麻省理工學院共同建立MIT-IBM沃森人工智能實驗室。而這個實驗室的老家就位於美國馬薩諸塞州劍橋市的肯德爾廣場（Kendall Square），也就是IBM沃森健康（Watson Health）和網絡安全中心的總部。
它具體要做什呢？實驗室的答案十分簡單粗暴：“促進AI的發展和普遍應用。”
針對這一方面，IBM負責認知解決方案和研究部門的高級副總裁John Kelly博士就曾表示，人工智能在過去的10年裡經歷了令人難以置信的增長和進步。然而，在AI技術非常出色的今天，仍需要更多創新技術來解決日益嚴峻的現實問題。
同時John Kelly博士還提到，麻省理工學院和IBM擁有著極其廣泛而深厚的技術能力和人才，至少在將未來十年內領導人工智能領域。
4大研究方向，已啟動49項提案
MIT-IBM沃森人工智能實驗室自成立以來，結合了上百名AI科學家、教授和學生，在AI算法、AI醫療和網絡安全應用等方面持續地展開研究，不斷釋放人工智能的潛力。
在領導層方面，實驗室主要由IBM AI研究院副總裁Dario Gil和麻省理工學院工程學院院長Anantha Chandrakasan共同領導，向麻省理工學院研究人員和IBM科學家發起AI項目計劃徵集。
當然，除了推動人工智能前沿的創新計劃之外，實驗室還鼓勵麻省理工學院的教師和學生們創辦公司，以推動實驗室人工智能發明和技術的商業化。
▲麻省理工學院院長Lafael Reif（左），IBM認知解決方案和研究高級副總裁John Kelly III（右）
去年9月，MIT-IBM沃森AI實驗室公佈了最新一年的研究進度報告。報告指出，截至2018年9月，實驗室擁有100名AI科學家，其中60名來自麻省理工學院，40名來自IBM。同時，在過去一年內（2017年9月-2018年9月），實驗室接收了來自23個部門和中心的共186項提案。迄今啟動項目已達到49個。
據悉，MIT-IBM沃森人工智能實驗室是學界與業界至今為止，聯手建立的最大實驗室之一。
而在研究方向上，實驗室的四大研究支柱分別為AI算法、AI物理學、AI的特定行業應用以及通過AI促進共同繁榮。
1、AI算法，增強機器學習和推理能力
在這一方面，研究人員將創建人工智能系統，該系統既能解決專業任務，還能解決AI研究過程中更復雜的問題，並有利於穩定、持續的學習。
而研究人員對新算法的研究可不只利用目前的大數據，他們還會從一些能夠增強人類智慧的有限數據中學習。
2、AI物理學，推進硬件的開發與升級
別看這方向是叫物理學，但它主要研究的是新的人工智能硬件材料、設備和架構，用來支持未來訓練和部署人工智能模型的模擬計算方法，以及量子計算和機器學習的交叉研究。
同時，量子計算方面還包括使用人工智能來幫助表徵和改進量子設備，以及研究量子計算的使用，來優化和加速機器學習算法和其他人工智能應用。
3、AI行業應用，垂直醫療和網絡
在這一領域，實驗室主要開發用於專業用途的人工智能新應用，其中兩大主要的垂直領域是醫療保健和網絡安全。
不僅如此，研究人員將探索人工智能在醫療數字安全性和隱私性、醫療保健個性化、圖像分析以及針對特定患者的最佳治療路徑等領域的應用。
4、通過AI促進共同繁榮，提高效益
研究人員在這一方面主要探索AI如何為更多的人們、國家和企業帶來經濟和社會效益。
此外還包括探索人工智能的經濟含義，調查人工智能如何能進繁榮，幫助人們在生活中取得更多成就。
實際上，MIT-IBM沃森人工智能實驗室除了上述四大主要研究方向之外，還廣泛地參與開源AI項目。
對此，Dario Gil表示，該實驗室的核心任務是讓MIT的科學家和IBM的研究員們聚集到一起，共同推動AI的未來發展。
同時，實驗室也在進一步解決人工智能的商業和社會應用問題。主要方式是通過實驗室解決一系列特定的業務問題，並將這些模型應用於其他行業。而這種模型開發模式也稱為“遷移學習（Transfer Learning）”，它能夠減少為特定問題開發模型的時間，提高模型的準確性和效率。
在AI可解釋性領域取得重要進展
實際上，對MIT-IBM沃森人工智能實驗室來說，如何採取創新性的方法，利用人工智能進一步地解決人們日益增長的現實生活問題，改善人們的工作和生活，是研究人員十分重要的研發動力。
今年3月，MIT-IBM沃森AI實驗室的研究人員之一，哈佛大學副教授David Cox代表實驗室給大家交了一份答卷，回溯實驗室過去一年的研究情況。
▲哈佛大學副教授David Cox
在Cox看來，神經符號（Neural-Symbolic）學習算法是目前實驗室最有希望的研究領域之一。
這是一種將深度學習和符號化推理技術相結合的嘗試，深度學習系統通過神經網絡軟件來分析大型數據集，而神經網絡軟件擁有能模擬人腦識別模式的能力。
其實，深度學習方法已經有30多年的歷史，但由於數據存儲和計算方面的侷限性，該方法未能一直受到研究人員的重視，直到近十年才被研究人員們重新關注。而如今，深度學習已經成為了許多人工智能應用的基礎。
另一方面，人工智能的符號化推理技術也是研究人員在近幾十年來的研究領域，主要是為了教會機器“以抽象的方式思考概念”，並用邏輯解決問題。
針對這些AI技術，Cox認為，雖然深度學習和符號化推理技術這兩種方法都存在一定的缺陷，但兩者的混合能夠提高它們的效率。
值得一提的是，MIT-IBM沃森人工智能實驗室在這一領域上已經取得一定的進展。
今年5月，研究人員在國際學習代表大會（ICLR）上發表一篇名為《神經符號概念學習者：從自然監督中解讀場景、單詞和句子（Neuro-Symbolic Concept Learner：Interpreting Scenes, Words, and Sentences From Natural Supervision）》的論文。
論文中，他們提出一個叫Neuro-Symbolic Concept Learner（NSCL）的概念，主要是將符號AI和神經網絡結合在一起，創建出比傳統模型更靈活的AI，並且創建出的AI可以解決符號AI和神經網絡都無法自行解決的問題。
而通過這種方式創造出的AI強在哪呢？這就不得不提到視覺問答（VQA）。
VQA是目前人工智能面臨的一項艱鉅的挑戰，具體來說，就是人們向AI展示一副圖像，並讓AI回答這幅圖像中不同元素之間的關係。
這項任務對我們人類來說也許很簡單，但對目前的AI來說卻是十分困難的。因為VQA中涉及圖像識別、自然語言處理和邏輯推理的任務，而這些任務最好是由符號AI和神經網絡一起協作完成。
因此，MIT-IBM沃森AI實驗室的研究人員將符號AI與神經網絡結合，創建了一個混合神經符號系統。
該系統主要有三個部分，第一個是基於神經的感知模塊，它可以從畫面的場景中提取對象級表示；第二個是基於視覺的語義解析器程序，它能夠將人們問的問題翻譯成可執行的文件；第三個是符號程序執行器，它可以讀取對象的感知並將感知內容的屬性和關係進行分類，再執行程序來獲得答案。
隨後，研究人員使用一個在VQA問題中常用的渲染對象圖像數據集CLEVR，對NSCL進行測試。
事實證明，針對學習視覺概念、單詞表達和句子的語義分析方面，NSCL僅使用一小部分數據，就能夠在CLEVR上達到99.8%的準確率。
主要原因是NSCL並不是通過數百萬個例子來強制執行的，而是開發了域的概念表達，這使得它在處理場景時更加容易。
MIT-IBM沃森AI實驗室研發的NSCL在某種程度上，解決了神經網絡的可解釋性問題。在傳統的神經網絡模型中，AI針對某一問題只輸出結果，並沒有提供具體的解決辦法。相反，NSCL混合系統可以產生基於規則的程序，該程序能夠提供其功能的逐步描述。
總的來說，NSCL在學習視覺概念、單詞表示和句子語義分析方面的有著較高的準確性和有效性。此外，它還支持包括視覺問答和雙向圖像文本檢索在內的應用程序，甚至是新的計劃領域。
MIT-IBM沃森AI實驗室的這一成果無疑是重要的，就如他們認為的那樣，人工智能的下一個突破口就可能來自於結束符號AI和神經網絡之間的競爭。
除此之外，MIT-IBM沃森人工智能實驗室在其他領域也取得相應的進展。
例如，該實驗室研究如何在調試神經網絡中發現和消除AI軟件中的錯誤、如何在“黑盒”環境中儘量減少圖像的敵對錯誤分類，以及如何為醫院重症監護室的治療策略進行實時優化。
同時，研究人員們還高度關注訓練人工智能的挑戰，以便AI在每個人工智能項目中對道德和倫理考慮進行推理。
強大的科研技術和人才實力背景
如今，MIT-IBM沃森AI實驗室作為一個初創公司，憑藉其深厚的資本和人才背景，正迅速地在美國肯德爾廣場這片充滿活力的創新沃土中生根發芽。
值得一提的是，肯德爾大街離MIT只有一步之遙，同時還是谷歌、亞馬遜等高科技公司的辦公區，孵化了眾多初創科技企業。
那麼，該實驗室究竟有著怎樣的優勢和實力，才能在當下谷歌、亞馬遜和Facebook等巨頭的AI技術博弈場中站穩腳跟？過去兩年它又開發了哪些創新性的研究項目進一步推動人工智能的加速發展？
這就不得不提到實驗室背後的兩大“東家”——麻省理工大學和IBM。
1、深厚的學科研究和行業技術背景
麻省理工大學創辦於1861年，是一所排名世界第二，僅次於哈佛大學的世界著名私立研究型大學。該校以世界頂尖的工程學和計算機學科而著名，設有麻省理工人工智能實驗室（MIT CSAIL）、林肯實驗室（MIT Lincoln Lab）和麻省理工學院媒體實驗室（MIT Media Lab）。
此外，MIT歷史上曾誕生26名圖靈獎獲獎者，該獎自1966年創辦以來共有70名獲獎者，該校的獲獎人數則位列世界第二。
面對當下人工智能時代AI技術人才短缺的尷尬現狀，MIT在去年宣佈將投資10億美元創立新的人工智能學院——MIT Stephen A.Schwarzman計算學院，跨學科涵蓋計算機科學、人工智能、數據科學等相關領域。
新學院的設立既是目前為止美國學術機構在人工智能領域的最大一筆投資，同時也是MIT近70年來最大的一次架構調整。
另一方面，IBM（International Business Machines Corporation）創立於1911年，是全球最大的信息技術和業務解決方案公司之一。其中，IBM員工曾獲得5項諾貝爾獎、6項圖靈獎、10項美國國家技術獎和5項美國國家科學獎章。
在IBM眾多領域的業務中，人工智能方面最著名的則是一臺名為“深藍”的超級國際象棋電腦，該電腦早在1997年就戰勝來自俄羅斯的國際象棋世界冠軍卡斯帕羅夫，成為歷史上第一個成功打敗世界冠軍的計算機系統。
而該公司研發的另一個問答（QA）計算系統沃森（Watson），是早年IBM衝擊AI時代的生力軍，並在2014年獲得IBM的10億美金投資，正式成為IBM Watson業務集團，全面展開人工智能研究和商業化進程。
2、強大的人才實力
除了雄厚的學科研究和行業技術背景，MIT-IBM沃森AI實驗室在人才方面的實力同樣不容小覷。
該實驗室的兩位領導人之一，Anantha P. Chandrakasan是麻省理工學院工程學院院長、Vannevar Bush電氣工程與計算機科學教授。
最近，麻省理工學院（MIT）和IBM兩家合作研發的AI成果頻頻刷了幾波存在感。
就在前段時間，MIT和IBM的研究人員們共同開發了一個叫GAN Paint Studio的後期圖像處理工具，人們通過它能隨心所欲地編輯圖像目標的外觀，包括建築物、植物和其他固定裝置，並且編輯過後的圖像十分逼真。
GAN Paint Studio可以說是AI在圖像處理領域的一大進步，不僅如此，這兩家在腦科學、語音識別、NLP等領域也陸續掀起了不小的浪花。
智東西還發現，這些研究成果其實都出自於一個叫MIT-IBM沃森人工智能實驗室（MIT-IBM Watson AI Lab）。那麼問題來了，MIT和IBM強強聯手成立的實驗室，到底要搞什麼名堂？
為此，智東西專門挖了一把這個實驗室的“老底”。
實際上，今年已經是MIT-IBM沃森人工智能實驗室的第二年。
2017年9月7日，IBM正式宣佈，將在未來數十年計劃投資2.4億美元，與麻省理工學院共同建立MIT-IBM沃森人工智能實驗室。而這個實驗室的老家就位於美國馬薩諸塞州劍橋市的肯德爾廣場（Kendall Square），也就是IBM沃森健康（Watson Health）和網絡安全中心的總部。
它具體要做什呢？實驗室的答案十分簡單粗暴：“促進AI的發展和普遍應用。”
針對這一方面，IBM負責認知解決方案和研究部門的高級副總裁John Kelly博士就曾表示，人工智能在過去的10年裡經歷了令人難以置信的增長和進步。然而，在AI技術非常出色的今天，仍需要更多創新技術來解決日益嚴峻的現實問題。
同時John Kelly博士還提到，麻省理工學院和IBM擁有著極其廣泛而深厚的技術能力和人才，至少在將未來十年內領導人工智能領域。
4大研究方向，已啟動49項提案
MIT-IBM沃森人工智能實驗室自成立以來，結合了上百名AI科學家、教授和學生，在AI算法、AI醫療和網絡安全應用等方面持續地展開研究，不斷釋放人工智能的潛力。
在領導層方面，實驗室主要由IBM AI研究院副總裁Dario Gil和麻省理工學院工程學院院長Anantha Chandrakasan共同領導，向麻省理工學院研究人員和IBM科學家發起AI項目計劃徵集。
當然，除了推動人工智能前沿的創新計劃之外，實驗室還鼓勵麻省理工學院的教師和學生們創辦公司，以推動實驗室人工智能發明和技術的商業化。
▲麻省理工學院院長Lafael Reif（左），IBM認知解決方案和研究高級副總裁John Kelly III（右）
去年9月，MIT-IBM沃森AI實驗室公佈了最新一年的研究進度報告。報告指出，截至2018年9月，實驗室擁有100名AI科學家，其中60名來自麻省理工學院，40名來自IBM。同時，在過去一年內（2017年9月-2018年9月），實驗室接收了來自23個部門和中心的共186項提案。迄今啟動項目已達到49個。
據悉，MIT-IBM沃森人工智能實驗室是學界與業界至今為止，聯手建立的最大實驗室之一。
而在研究方向上，實驗室的四大研究支柱分別為AI算法、AI物理學、AI的特定行業應用以及通過AI促進共同繁榮。
1、AI算法，增強機器學習和推理能力
在這一方面，研究人員將創建人工智能系統，該系統既能解決專業任務，還能解決AI研究過程中更復雜的問題，並有利於穩定、持續的學習。
而研究人員對新算法的研究可不只利用目前的大數據，他們還會從一些能夠增強人類智慧的有限數據中學習。
2、AI物理學，推進硬件的開發與升級
別看這方向是叫物理學，但它主要研究的是新的人工智能硬件材料、設備和架構，用來支持未來訓練和部署人工智能模型的模擬計算方法，以及量子計算和機器學習的交叉研究。
同時，量子計算方面還包括使用人工智能來幫助表徵和改進量子設備，以及研究量子計算的使用，來優化和加速機器學習算法和其他人工智能應用。
3、AI行業應用，垂直醫療和網絡
在這一領域，實驗室主要開發用於專業用途的人工智能新應用，其中兩大主要的垂直領域是醫療保健和網絡安全。
不僅如此，研究人員將探索人工智能在醫療數字安全性和隱私性、醫療保健個性化、圖像分析以及針對特定患者的最佳治療路徑等領域的應用。
4、通過AI促進共同繁榮，提高效益
研究人員在這一方面主要探索AI如何為更多的人們、國家和企業帶來經濟和社會效益。
此外還包括探索人工智能的經濟含義，調查人工智能如何能進繁榮，幫助人們在生活中取得更多成就。
實際上，MIT-IBM沃森人工智能實驗室除了上述四大主要研究方向之外，還廣泛地參與開源AI項目。
對此，Dario Gil表示，該實驗室的核心任務是讓MIT的科學家和IBM的研究員們聚集到一起，共同推動AI的未來發展。
同時，實驗室也在進一步解決人工智能的商業和社會應用問題。主要方式是通過實驗室解決一系列特定的業務問題，並將這些模型應用於其他行業。而這種模型開發模式也稱為“遷移學習（Transfer Learning）”，它能夠減少為特定問題開發模型的時間，提高模型的準確性和效率。
在AI可解釋性領域取得重要進展
實際上，對MIT-IBM沃森人工智能實驗室來說，如何採取創新性的方法，利用人工智能進一步地解決人們日益增長的現實生活問題，改善人們的工作和生活，是研究人員十分重要的研發動力。
今年3月，MIT-IBM沃森AI實驗室的研究人員之一，哈佛大學副教授David Cox代表實驗室給大家交了一份答卷，回溯實驗室過去一年的研究情況。
▲哈佛大學副教授David Cox
在Cox看來，神經符號（Neural-Symbolic）學習算法是目前實驗室最有希望的研究領域之一。
這是一種將深度學習和符號化推理技術相結合的嘗試，深度學習系統通過神經網絡軟件來分析大型數據集，而神經網絡軟件擁有能模擬人腦識別模式的能力。
其實，深度學習方法已經有30多年的歷史，但由於數據存儲和計算方面的侷限性，該方法未能一直受到研究人員的重視，直到近十年才被研究人員們重新關注。而如今，深度學習已經成為了許多人工智能應用的基礎。
另一方面，人工智能的符號化推理技術也是研究人員在近幾十年來的研究領域，主要是為了教會機器“以抽象的方式思考概念”，並用邏輯解決問題。
針對這些AI技術，Cox認為，雖然深度學習和符號化推理技術這兩種方法都存在一定的缺陷，但兩者的混合能夠提高它們的效率。
值得一提的是，MIT-IBM沃森人工智能實驗室在這一領域上已經取得一定的進展。
今年5月，研究人員在國際學習代表大會（ICLR）上發表一篇名為《神經符號概念學習者：從自然監督中解讀場景、單詞和句子（Neuro-Symbolic Concept Learner：Interpreting Scenes, Words, and Sentences From Natural Supervision）》的論文。
論文中，他們提出一個叫Neuro-Symbolic Concept Learner（NSCL）的概念，主要是將符號AI和神經網絡結合在一起，創建出比傳統模型更靈活的AI，並且創建出的AI可以解決符號AI和神經網絡都無法自行解決的問題。
而通過這種方式創造出的AI強在哪呢？這就不得不提到視覺問答（VQA）。
VQA是目前人工智能面臨的一項艱鉅的挑戰，具體來說，就是人們向AI展示一副圖像，並讓AI回答這幅圖像中不同元素之間的關係。
這項任務對我們人類來說也許很簡單，但對目前的AI來說卻是十分困難的。因為VQA中涉及圖像識別、自然語言處理和邏輯推理的任務，而這些任務最好是由符號AI和神經網絡一起協作完成。
因此，MIT-IBM沃森AI實驗室的研究人員將符號AI與神經網絡結合，創建了一個混合神經符號系統。
該系統主要有三個部分，第一個是基於神經的感知模塊，它可以從畫面的場景中提取對象級表示；第二個是基於視覺的語義解析器程序，它能夠將人們問的問題翻譯成可執行的文件；第三個是符號程序執行器，它可以讀取對象的感知並將感知內容的屬性和關係進行分類，再執行程序來獲得答案。
隨後，研究人員使用一個在VQA問題中常用的渲染對象圖像數據集CLEVR，對NSCL進行測試。
事實證明，針對學習視覺概念、單詞表達和句子的語義分析方面，NSCL僅使用一小部分數據，就能夠在CLEVR上達到99.8%的準確率。
主要原因是NSCL並不是通過數百萬個例子來強制執行的，而是開發了域的概念表達，這使得它在處理場景時更加容易。
MIT-IBM沃森AI實驗室研發的NSCL在某種程度上，解決了神經網絡的可解釋性問題。在傳統的神經網絡模型中，AI針對某一問題只輸出結果，並沒有提供具體的解決辦法。相反，NSCL混合系統可以產生基於規則的程序，該程序能夠提供其功能的逐步描述。
總的來說，NSCL在學習視覺概念、單詞表示和句子語義分析方面的有著較高的準確性和有效性。此外，它還支持包括視覺問答和雙向圖像文本檢索在內的應用程序，甚至是新的計劃領域。
MIT-IBM沃森AI實驗室的這一成果無疑是重要的，就如他們認為的那樣，人工智能的下一個突破口就可能來自於結束符號AI和神經網絡之間的競爭。
除此之外，MIT-IBM沃森人工智能實驗室在其他領域也取得相應的進展。
例如，該實驗室研究如何在調試神經網絡中發現和消除AI軟件中的錯誤、如何在“黑盒”環境中儘量減少圖像的敵對錯誤分類，以及如何為醫院重症監護室的治療策略進行實時優化。
同時，研究人員們還高度關注訓練人工智能的挑戰，以便AI在每個人工智能項目中對道德和倫理考慮進行推理。
強大的科研技術和人才實力背景
如今，MIT-IBM沃森AI實驗室作為一個初創公司，憑藉其深厚的資本和人才背景，正迅速地在美國肯德爾廣場這片充滿活力的創新沃土中生根發芽。
值得一提的是，肯德爾大街離MIT只有一步之遙，同時還是谷歌、亞馬遜等高科技公司的辦公區，孵化了眾多初創科技企業。
那麼，該實驗室究竟有著怎樣的優勢和實力，才能在當下谷歌、亞馬遜和Facebook等巨頭的AI技術博弈場中站穩腳跟？過去兩年它又開發了哪些創新性的研究項目進一步推動人工智能的加速發展？
這就不得不提到實驗室背後的兩大“東家”——麻省理工大學和IBM。
1、深厚的學科研究和行業技術背景
麻省理工大學創辦於1861年，是一所排名世界第二，僅次於哈佛大學的世界著名私立研究型大學。該校以世界頂尖的工程學和計算機學科而著名，設有麻省理工人工智能實驗室（MIT CSAIL）、林肯實驗室（MIT Lincoln Lab）和麻省理工學院媒體實驗室（MIT Media Lab）。
此外，MIT歷史上曾誕生26名圖靈獎獲獎者，該獎自1966年創辦以來共有70名獲獎者，該校的獲獎人數則位列世界第二。
面對當下人工智能時代AI技術人才短缺的尷尬現狀，MIT在去年宣佈將投資10億美元創立新的人工智能學院——MIT Stephen A.Schwarzman計算學院，跨學科涵蓋計算機科學、人工智能、數據科學等相關領域。
新學院的設立既是目前為止美國學術機構在人工智能領域的最大一筆投資，同時也是MIT近70年來最大的一次架構調整。
另一方面，IBM（International Business Machines Corporation）創立於1911年，是全球最大的信息技術和業務解決方案公司之一。其中，IBM員工曾獲得5項諾貝爾獎、6項圖靈獎、10項美國國家技術獎和5項美國國家科學獎章。
在IBM眾多領域的業務中，人工智能方面最著名的則是一臺名為“深藍”的超級國際象棋電腦，該電腦早在1997年就戰勝來自俄羅斯的國際象棋世界冠軍卡斯帕羅夫，成為歷史上第一個成功打敗世界冠軍的計算機系統。
而該公司研發的另一個問答（QA）計算系統沃森（Watson），是早年IBM衝擊AI時代的生力軍，並在2014年獲得IBM的10億美金投資，正式成為IBM Watson業務集團，全面展開人工智能研究和商業化進程。
2、強大的人才實力
除了雄厚的學科研究和行業技術背景，MIT-IBM沃森AI實驗室在人才方面的實力同樣不容小覷。
該實驗室的兩位領導人之一，Anantha P. Chandrakasan是麻省理工學院工程學院院長、Vannevar Bush電氣工程與計算機科學教授。
▲Anantha P. Chandrakasan教授
Chandrakasan出生於印度，在高中時移居美國。自1994年加入麻省理工學院以來，他已經開展了大量技術研究，在早期主要研發便攜式計算機的低功耗芯片，有助於開發當今的智能手機等移動設備。
2010年至2018年，他擔任IEEE國際固態電路會議（ISSCC）的會議主席。同時還領導麻省理工學院節能電路和系統集團，主要涉及物聯網的安全硬件、能量收集和無線充電技術。
而實驗室的另一位領導人則是IBM Research董事、IBM AI研究院副總裁Dario Gil博士。
最近，麻省理工學院（MIT）和IBM兩家合作研發的AI成果頻頻刷了幾波存在感。
就在前段時間，MIT和IBM的研究人員們共同開發了一個叫GAN Paint Studio的後期圖像處理工具，人們通過它能隨心所欲地編輯圖像目標的外觀，包括建築物、植物和其他固定裝置，並且編輯過後的圖像十分逼真。
GAN Paint Studio可以說是AI在圖像處理領域的一大進步，不僅如此，這兩家在腦科學、語音識別、NLP等領域也陸續掀起了不小的浪花。
智東西還發現，這些研究成果其實都出自於一個叫MIT-IBM沃森人工智能實驗室（MIT-IBM Watson AI Lab）。那麼問題來了，MIT和IBM強強聯手成立的實驗室，到底要搞什麼名堂？
為此，智東西專門挖了一把這個實驗室的“老底”。
實際上，今年已經是MIT-IBM沃森人工智能實驗室的第二年。
2017年9月7日，IBM正式宣佈，將在未來數十年計劃投資2.4億美元，與麻省理工學院共同建立MIT-IBM沃森人工智能實驗室。而這個實驗室的老家就位於美國馬薩諸塞州劍橋市的肯德爾廣場（Kendall Square），也就是IBM沃森健康（Watson Health）和網絡安全中心的總部。
它具體要做什呢？實驗室的答案十分簡單粗暴：“促進AI的發展和普遍應用。”
針對這一方面，IBM負責認知解決方案和研究部門的高級副總裁John Kelly博士就曾表示，人工智能在過去的10年裡經歷了令人難以置信的增長和進步。然而，在AI技術非常出色的今天，仍需要更多創新技術來解決日益嚴峻的現實問題。
同時John Kelly博士還提到，麻省理工學院和IBM擁有著極其廣泛而深厚的技術能力和人才，至少在將未來十年內領導人工智能領域。
4大研究方向，已啟動49項提案
MIT-IBM沃森人工智能實驗室自成立以來，結合了上百名AI科學家、教授和學生，在AI算法、AI醫療和網絡安全應用等方面持續地展開研究，不斷釋放人工智能的潛力。
在領導層方面，實驗室主要由IBM AI研究院副總裁Dario Gil和麻省理工學院工程學院院長Anantha Chandrakasan共同領導，向麻省理工學院研究人員和IBM科學家發起AI項目計劃徵集。
當然，除了推動人工智能前沿的創新計劃之外，實驗室還鼓勵麻省理工學院的教師和學生們創辦公司，以推動實驗室人工智能發明和技術的商業化。
▲麻省理工學院院長Lafael Reif（左），IBM認知解決方案和研究高級副總裁John Kelly III（右）
去年9月，MIT-IBM沃森AI實驗室公佈了最新一年的研究進度報告。報告指出，截至2018年9月，實驗室擁有100名AI科學家，其中60名來自麻省理工學院，40名來自IBM。同時，在過去一年內（2017年9月-2018年9月），實驗室接收了來自23個部門和中心的共186項提案。迄今啟動項目已達到49個。
據悉，MIT-IBM沃森人工智能實驗室是學界與業界至今為止，聯手建立的最大實驗室之一。
而在研究方向上，實驗室的四大研究支柱分別為AI算法、AI物理學、AI的特定行業應用以及通過AI促進共同繁榮。
1、AI算法，增強機器學習和推理能力
在這一方面，研究人員將創建人工智能系統，該系統既能解決專業任務，還能解決AI研究過程中更復雜的問題，並有利於穩定、持續的學習。
而研究人員對新算法的研究可不只利用目前的大數據，他們還會從一些能夠增強人類智慧的有限數據中學習。
2、AI物理學，推進硬件的開發與升級
別看這方向是叫物理學，但它主要研究的是新的人工智能硬件材料、設備和架構，用來支持未來訓練和部署人工智能模型的模擬計算方法，以及量子計算和機器學習的交叉研究。
同時，量子計算方面還包括使用人工智能來幫助表徵和改進量子設備，以及研究量子計算的使用，來優化和加速機器學習算法和其他人工智能應用。
3、AI行業應用，垂直醫療和網絡
在這一領域，實驗室主要開發用於專業用途的人工智能新應用，其中兩大主要的垂直領域是醫療保健和網絡安全。
不僅如此，研究人員將探索人工智能在醫療數字安全性和隱私性、醫療保健個性化、圖像分析以及針對特定患者的最佳治療路徑等領域的應用。
4、通過AI促進共同繁榮，提高效益
研究人員在這一方面主要探索AI如何為更多的人們、國家和企業帶來經濟和社會效益。
此外還包括探索人工智能的經濟含義，調查人工智能如何能進繁榮，幫助人們在生活中取得更多成就。
實際上，MIT-IBM沃森人工智能實驗室除了上述四大主要研究方向之外，還廣泛地參與開源AI項目。
對此，Dario Gil表示，該實驗室的核心任務是讓MIT的科學家和IBM的研究員們聚集到一起，共同推動AI的未來發展。
同時，實驗室也在進一步解決人工智能的商業和社會應用問題。主要方式是通過實驗室解決一系列特定的業務問題，並將這些模型應用於其他行業。而這種模型開發模式也稱為“遷移學習（Transfer Learning）”，它能夠減少為特定問題開發模型的時間，提高模型的準確性和效率。
在AI可解釋性領域取得重要進展
實際上，對MIT-IBM沃森人工智能實驗室來說，如何採取創新性的方法，利用人工智能進一步地解決人們日益增長的現實生活問題，改善人們的工作和生活，是研究人員十分重要的研發動力。
今年3月，MIT-IBM沃森AI實驗室的研究人員之一，哈佛大學副教授David Cox代表實驗室給大家交了一份答卷，回溯實驗室過去一年的研究情況。
▲哈佛大學副教授David Cox
在Cox看來，神經符號（Neural-Symbolic）學習算法是目前實驗室最有希望的研究領域之一。
這是一種將深度學習和符號化推理技術相結合的嘗試，深度學習系統通過神經網絡軟件來分析大型數據集，而神經網絡軟件擁有能模擬人腦識別模式的能力。
其實，深度學習方法已經有30多年的歷史，但由於數據存儲和計算方面的侷限性，該方法未能一直受到研究人員的重視，直到近十年才被研究人員們重新關注。而如今，深度學習已經成為了許多人工智能應用的基礎。
另一方面，人工智能的符號化推理技術也是研究人員在近幾十年來的研究領域，主要是為了教會機器“以抽象的方式思考概念”，並用邏輯解決問題。
針對這些AI技術，Cox認為，雖然深度學習和符號化推理技術這兩種方法都存在一定的缺陷，但兩者的混合能夠提高它們的效率。
值得一提的是，MIT-IBM沃森人工智能實驗室在這一領域上已經取得一定的進展。
今年5月，研究人員在國際學習代表大會（ICLR）上發表一篇名為《神經符號概念學習者：從自然監督中解讀場景、單詞和句子（Neuro-Symbolic Concept Learner：Interpreting Scenes, Words, and Sentences From Natural Supervision）》的論文。
論文中，他們提出一個叫Neuro-Symbolic Concept Learner（NSCL）的概念，主要是將符號AI和神經網絡結合在一起，創建出比傳統模型更靈活的AI，並且創建出的AI可以解決符號AI和神經網絡都無法自行解決的問題。
而通過這種方式創造出的AI強在哪呢？這就不得不提到視覺問答（VQA）。
VQA是目前人工智能面臨的一項艱鉅的挑戰，具體來說，就是人們向AI展示一副圖像，並讓AI回答這幅圖像中不同元素之間的關係。
這項任務對我們人類來說也許很簡單，但對目前的AI來說卻是十分困難的。因為VQA中涉及圖像識別、自然語言處理和邏輯推理的任務，而這些任務最好是由符號AI和神經網絡一起協作完成。
因此，MIT-IBM沃森AI實驗室的研究人員將符號AI與神經網絡結合，創建了一個混合神經符號系統。
該系統主要有三個部分，第一個是基於神經的感知模塊，它可以從畫面的場景中提取對象級表示；第二個是基於視覺的語義解析器程序，它能夠將人們問的問題翻譯成可執行的文件；第三個是符號程序執行器，它可以讀取對象的感知並將感知內容的屬性和關係進行分類，再執行程序來獲得答案。
隨後，研究人員使用一個在VQA問題中常用的渲染對象圖像數據集CLEVR，對NSCL進行測試。
事實證明，針對學習視覺概念、單詞表達和句子的語義分析方面，NSCL僅使用一小部分數據，就能夠在CLEVR上達到99.8%的準確率。
主要原因是NSCL並不是通過數百萬個例子來強制執行的，而是開發了域的概念表達，這使得它在處理場景時更加容易。
MIT-IBM沃森AI實驗室研發的NSCL在某種程度上，解決了神經網絡的可解釋性問題。在傳統的神經網絡模型中，AI針對某一問題只輸出結果，並沒有提供具體的解決辦法。相反，NSCL混合系統可以產生基於規則的程序，該程序能夠提供其功能的逐步描述。
總的來說，NSCL在學習視覺概念、單詞表示和句子語義分析方面的有著較高的準確性和有效性。此外，它還支持包括視覺問答和雙向圖像文本檢索在內的應用程序，甚至是新的計劃領域。
MIT-IBM沃森AI實驗室的這一成果無疑是重要的，就如他們認為的那樣，人工智能的下一個突破口就可能來自於結束符號AI和神經網絡之間的競爭。
除此之外，MIT-IBM沃森人工智能實驗室在其他領域也取得相應的進展。
例如，該實驗室研究如何在調試神經網絡中發現和消除AI軟件中的錯誤、如何在“黑盒”環境中儘量減少圖像的敵對錯誤分類，以及如何為醫院重症監護室的治療策略進行實時優化。
同時，研究人員們還高度關注訓練人工智能的挑戰，以便AI在每個人工智能項目中對道德和倫理考慮進行推理。
強大的科研技術和人才實力背景
如今，MIT-IBM沃森AI實驗室作為一個初創公司，憑藉其深厚的資本和人才背景，正迅速地在美國肯德爾廣場這片充滿活力的創新沃土中生根發芽。
值得一提的是，肯德爾大街離MIT只有一步之遙，同時還是谷歌、亞馬遜等高科技公司的辦公區，孵化了眾多初創科技企業。
那麼，該實驗室究竟有著怎樣的優勢和實力，才能在當下谷歌、亞馬遜和Facebook等巨頭的AI技術博弈場中站穩腳跟？過去兩年它又開發了哪些創新性的研究項目進一步推動人工智能的加速發展？
這就不得不提到實驗室背後的兩大“東家”——麻省理工大學和IBM。
1、深厚的學科研究和行業技術背景
麻省理工大學創辦於1861年，是一所排名世界第二，僅次於哈佛大學的世界著名私立研究型大學。該校以世界頂尖的工程學和計算機學科而著名，設有麻省理工人工智能實驗室（MIT CSAIL）、林肯實驗室（MIT Lincoln Lab）和麻省理工學院媒體實驗室（MIT Media Lab）。
此外，MIT歷史上曾誕生26名圖靈獎獲獎者，該獎自1966年創辦以來共有70名獲獎者，該校的獲獎人數則位列世界第二。
面對當下人工智能時代AI技術人才短缺的尷尬現狀，MIT在去年宣佈將投資10億美元創立新的人工智能學院——MIT Stephen A.Schwarzman計算學院，跨學科涵蓋計算機科學、人工智能、數據科學等相關領域。
新學院的設立既是目前為止美國學術機構在人工智能領域的最大一筆投資，同時也是MIT近70年來最大的一次架構調整。
另一方面，IBM（International Business Machines Corporation）創立於1911年，是全球最大的信息技術和業務解決方案公司之一。其中，IBM員工曾獲得5項諾貝爾獎、6項圖靈獎、10項美國國家技術獎和5項美國國家科學獎章。
在IBM眾多領域的業務中，人工智能方面最著名的則是一臺名為“深藍”的超級國際象棋電腦，該電腦早在1997年就戰勝來自俄羅斯的國際象棋世界冠軍卡斯帕羅夫，成為歷史上第一個成功打敗世界冠軍的計算機系統。
而該公司研發的另一個問答（QA）計算系統沃森（Watson），是早年IBM衝擊AI時代的生力軍，並在2014年獲得IBM的10億美金投資，正式成為IBM Watson業務集團，全面展開人工智能研究和商業化進程。
2、強大的人才實力
除了雄厚的學科研究和行業技術背景，MIT-IBM沃森AI實驗室在人才方面的實力同樣不容小覷。
該實驗室的兩位領導人之一，Anantha P. Chandrakasan是麻省理工學院工程學院院長、Vannevar Bush電氣工程與計算機科學教授。
▲Anantha P. Chandrakasan教授
Chandrakasan出生於印度，在高中時移居美國。自1994年加入麻省理工學院以來，他已經開展了大量技術研究，在早期主要研發便攜式計算機的低功耗芯片，有助於開發當今的智能手機等移動設備。
2010年至2018年，他擔任IEEE國際固態電路會議（ISSCC）的會議主席。同時還領導麻省理工學院節能電路和系統集團，主要涉及物聯網的安全硬件、能量收集和無線充電技術。
而實驗室的另一位領導人則是IBM Research董事、IBM AI研究院副總裁Dario Gil博士。
▲Dario Gil博士
Gil博士主要負責領導IBM的創新工作，指導量子、人工智能、混合雲、安全、行業解決方案以及半導體和系統的研究戰略。在他的領導下，IBM成為世界上第一家制造可編程量子計算機，並通過雲端使該計算機能普及應用的公司。
實際上，MIT-IBM沃森AI實驗室並不是IBM和MIT的第一次合作，在此之前，兩者之間已經建立了長達數十年的研究關係。
2016年，IBM就與MIT的大腦與認知科學系共同成立一所名為“腦啟發多媒體機器理解IBM-MIT實驗室”的新實驗室，簡稱BM3C。由MIT人腦與認知科學系主任James DiCarlo教授負責領導。
該實驗室主要研究機器視覺領域，開發模仿人類理解能力的認知計算系統，以及將多種音頻和視頻信息源集成到對人類世界的電腦模型中，並且該模型能夠應用於醫療、娛樂和教育等領域。
最近，麻省理工學院（MIT）和IBM兩家合作研發的AI成果頻頻刷了幾波存在感。
就在前段時間，MIT和IBM的研究人員們共同開發了一個叫GAN Paint Studio的後期圖像處理工具，人們通過它能隨心所欲地編輯圖像目標的外觀，包括建築物、植物和其他固定裝置，並且編輯過後的圖像十分逼真。
GAN Paint Studio可以說是AI在圖像處理領域的一大進步，不僅如此，這兩家在腦科學、語音識別、NLP等領域也陸續掀起了不小的浪花。
智東西還發現，這些研究成果其實都出自於一個叫MIT-IBM沃森人工智能實驗室（MIT-IBM Watson AI Lab）。那麼問題來了，MIT和IBM強強聯手成立的實驗室，到底要搞什麼名堂？
為此，智東西專門挖了一把這個實驗室的“老底”。
實際上，今年已經是MIT-IBM沃森人工智能實驗室的第二年。
2017年9月7日，IBM正式宣佈，將在未來數十年計劃投資2.4億美元，與麻省理工學院共同建立MIT-IBM沃森人工智能實驗室。而這個實驗室的老家就位於美國馬薩諸塞州劍橋市的肯德爾廣場（Kendall Square），也就是IBM沃森健康（Watson Health）和網絡安全中心的總部。
它具體要做什呢？實驗室的答案十分簡單粗暴：“促進AI的發展和普遍應用。”
針對這一方面，IBM負責認知解決方案和研究部門的高級副總裁John Kelly博士就曾表示，人工智能在過去的10年裡經歷了令人難以置信的增長和進步。然而，在AI技術非常出色的今天，仍需要更多創新技術來解決日益嚴峻的現實問題。
同時John Kelly博士還提到，麻省理工學院和IBM擁有著極其廣泛而深厚的技術能力和人才，至少在將未來十年內領導人工智能領域。
4大研究方向，已啟動49項提案
MIT-IBM沃森人工智能實驗室自成立以來，結合了上百名AI科學家、教授和學生，在AI算法、AI醫療和網絡安全應用等方面持續地展開研究，不斷釋放人工智能的潛力。
在領導層方面，實驗室主要由IBM AI研究院副總裁Dario Gil和麻省理工學院工程學院院長Anantha Chandrakasan共同領導，向麻省理工學院研究人員和IBM科學家發起AI項目計劃徵集。
當然，除了推動人工智能前沿的創新計劃之外，實驗室還鼓勵麻省理工學院的教師和學生們創辦公司，以推動實驗室人工智能發明和技術的商業化。
▲麻省理工學院院長Lafael Reif（左），IBM認知解決方案和研究高級副總裁John Kelly III（右）
去年9月，MIT-IBM沃森AI實驗室公佈了最新一年的研究進度報告。報告指出，截至2018年9月，實驗室擁有100名AI科學家，其中60名來自麻省理工學院，40名來自IBM。同時，在過去一年內（2017年9月-2018年9月），實驗室接收了來自23個部門和中心的共186項提案。迄今啟動項目已達到49個。
據悉，MIT-IBM沃森人工智能實驗室是學界與業界至今為止，聯手建立的最大實驗室之一。
而在研究方向上，實驗室的四大研究支柱分別為AI算法、AI物理學、AI的特定行業應用以及通過AI促進共同繁榮。
1、AI算法，增強機器學習和推理能力
在這一方面，研究人員將創建人工智能系統，該系統既能解決專業任務，還能解決AI研究過程中更復雜的問題，並有利於穩定、持續的學習。
而研究人員對新算法的研究可不只利用目前的大數據，他們還會從一些能夠增強人類智慧的有限數據中學習。
2、AI物理學，推進硬件的開發與升級
別看這方向是叫物理學，但它主要研究的是新的人工智能硬件材料、設備和架構，用來支持未來訓練和部署人工智能模型的模擬計算方法，以及量子計算和機器學習的交叉研究。
同時，量子計算方面還包括使用人工智能來幫助表徵和改進量子設備，以及研究量子計算的使用，來優化和加速機器學習算法和其他人工智能應用。
3、AI行業應用，垂直醫療和網絡
在這一領域，實驗室主要開發用於專業用途的人工智能新應用，其中兩大主要的垂直領域是醫療保健和網絡安全。
不僅如此，研究人員將探索人工智能在醫療數字安全性和隱私性、醫療保健個性化、圖像分析以及針對特定患者的最佳治療路徑等領域的應用。
4、通過AI促進共同繁榮，提高效益
研究人員在這一方面主要探索AI如何為更多的人們、國家和企業帶來經濟和社會效益。
此外還包括探索人工智能的經濟含義，調查人工智能如何能進繁榮，幫助人們在生活中取得更多成就。
實際上，MIT-IBM沃森人工智能實驗室除了上述四大主要研究方向之外，還廣泛地參與開源AI項目。
對此，Dario Gil表示，該實驗室的核心任務是讓MIT的科學家和IBM的研究員們聚集到一起，共同推動AI的未來發展。
同時，實驗室也在進一步解決人工智能的商業和社會應用問題。主要方式是通過實驗室解決一系列特定的業務問題，並將這些模型應用於其他行業。而這種模型開發模式也稱為“遷移學習（Transfer Learning）”，它能夠減少為特定問題開發模型的時間，提高模型的準確性和效率。
在AI可解釋性領域取得重要進展
實際上，對MIT-IBM沃森人工智能實驗室來說，如何採取創新性的方法，利用人工智能進一步地解決人們日益增長的現實生活問題，改善人們的工作和生活，是研究人員十分重要的研發動力。
今年3月，MIT-IBM沃森AI實驗室的研究人員之一，哈佛大學副教授David Cox代表實驗室給大家交了一份答卷，回溯實驗室過去一年的研究情況。
▲哈佛大學副教授David Cox
在Cox看來，神經符號（Neural-Symbolic）學習算法是目前實驗室最有希望的研究領域之一。
這是一種將深度學習和符號化推理技術相結合的嘗試，深度學習系統通過神經網絡軟件來分析大型數據集，而神經網絡軟件擁有能模擬人腦識別模式的能力。
其實，深度學習方法已經有30多年的歷史，但由於數據存儲和計算方面的侷限性，該方法未能一直受到研究人員的重視，直到近十年才被研究人員們重新關注。而如今，深度學習已經成為了許多人工智能應用的基礎。
另一方面，人工智能的符號化推理技術也是研究人員在近幾十年來的研究領域，主要是為了教會機器“以抽象的方式思考概念”，並用邏輯解決問題。
針對這些AI技術，Cox認為，雖然深度學習和符號化推理技術這兩種方法都存在一定的缺陷，但兩者的混合能夠提高它們的效率。
值得一提的是，MIT-IBM沃森人工智能實驗室在這一領域上已經取得一定的進展。
今年5月，研究人員在國際學習代表大會（ICLR）上發表一篇名為《神經符號概念學習者：從自然監督中解讀場景、單詞和句子（Neuro-Symbolic Concept Learner：Interpreting Scenes, Words, and Sentences From Natural Supervision）》的論文。
論文中，他們提出一個叫Neuro-Symbolic Concept Learner（NSCL）的概念，主要是將符號AI和神經網絡結合在一起，創建出比傳統模型更靈活的AI，並且創建出的AI可以解決符號AI和神經網絡都無法自行解決的問題。
而通過這種方式創造出的AI強在哪呢？這就不得不提到視覺問答（VQA）。
VQA是目前人工智能面臨的一項艱鉅的挑戰，具體來說，就是人們向AI展示一副圖像，並讓AI回答這幅圖像中不同元素之間的關係。
這項任務對我們人類來說也許很簡單，但對目前的AI來說卻是十分困難的。因為VQA中涉及圖像識別、自然語言處理和邏輯推理的任務，而這些任務最好是由符號AI和神經網絡一起協作完成。
因此，MIT-IBM沃森AI實驗室的研究人員將符號AI與神經網絡結合，創建了一個混合神經符號系統。
該系統主要有三個部分，第一個是基於神經的感知模塊，它可以從畫面的場景中提取對象級表示；第二個是基於視覺的語義解析器程序，它能夠將人們問的問題翻譯成可執行的文件；第三個是符號程序執行器，它可以讀取對象的感知並將感知內容的屬性和關係進行分類，再執行程序來獲得答案。
隨後，研究人員使用一個在VQA問題中常用的渲染對象圖像數據集CLEVR，對NSCL進行測試。
事實證明，針對學習視覺概念、單詞表達和句子的語義分析方面，NSCL僅使用一小部分數據，就能夠在CLEVR上達到99.8%的準確率。
主要原因是NSCL並不是通過數百萬個例子來強制執行的，而是開發了域的概念表達，這使得它在處理場景時更加容易。
MIT-IBM沃森AI實驗室研發的NSCL在某種程度上，解決了神經網絡的可解釋性問題。在傳統的神經網絡模型中，AI針對某一問題只輸出結果，並沒有提供具體的解決辦法。相反，NSCL混合系統可以產生基於規則的程序，該程序能夠提供其功能的逐步描述。
總的來說，NSCL在學習視覺概念、單詞表示和句子語義分析方面的有著較高的準確性和有效性。此外，它還支持包括視覺問答和雙向圖像文本檢索在內的應用程序，甚至是新的計劃領域。
MIT-IBM沃森AI實驗室的這一成果無疑是重要的，就如他們認為的那樣，人工智能的下一個突破口就可能來自於結束符號AI和神經網絡之間的競爭。
除此之外，MIT-IBM沃森人工智能實驗室在其他領域也取得相應的進展。
例如，該實驗室研究如何在調試神經網絡中發現和消除AI軟件中的錯誤、如何在“黑盒”環境中儘量減少圖像的敵對錯誤分類，以及如何為醫院重症監護室的治療策略進行實時優化。
同時，研究人員們還高度關注訓練人工智能的挑戰，以便AI在每個人工智能項目中對道德和倫理考慮進行推理。
強大的科研技術和人才實力背景
如今，MIT-IBM沃森AI實驗室作為一個初創公司，憑藉其深厚的資本和人才背景，正迅速地在美國肯德爾廣場這片充滿活力的創新沃土中生根發芽。
值得一提的是，肯德爾大街離MIT只有一步之遙，同時還是谷歌、亞馬遜等高科技公司的辦公區，孵化了眾多初創科技企業。
那麼，該實驗室究竟有著怎樣的優勢和實力，才能在當下谷歌、亞馬遜和Facebook等巨頭的AI技術博弈場中站穩腳跟？過去兩年它又開發了哪些創新性的研究項目進一步推動人工智能的加速發展？
這就不得不提到實驗室背後的兩大“東家”——麻省理工大學和IBM。
1、深厚的學科研究和行業技術背景
麻省理工大學創辦於1861年，是一所排名世界第二，僅次於哈佛大學的世界著名私立研究型大學。該校以世界頂尖的工程學和計算機學科而著名，設有麻省理工人工智能實驗室（MIT CSAIL）、林肯實驗室（MIT Lincoln Lab）和麻省理工學院媒體實驗室（MIT Media Lab）。
此外，MIT歷史上曾誕生26名圖靈獎獲獎者，該獎自1966年創辦以來共有70名獲獎者，該校的獲獎人數則位列世界第二。
面對當下人工智能時代AI技術人才短缺的尷尬現狀，MIT在去年宣佈將投資10億美元創立新的人工智能學院——MIT Stephen A.Schwarzman計算學院，跨學科涵蓋計算機科學、人工智能、數據科學等相關領域。
新學院的設立既是目前為止美國學術機構在人工智能領域的最大一筆投資，同時也是MIT近70年來最大的一次架構調整。
另一方面，IBM（International Business Machines Corporation）創立於1911年，是全球最大的信息技術和業務解決方案公司之一。其中，IBM員工曾獲得5項諾貝爾獎、6項圖靈獎、10項美國國家技術獎和5項美國國家科學獎章。
在IBM眾多領域的業務中，人工智能方面最著名的則是一臺名為“深藍”的超級國際象棋電腦，該電腦早在1997年就戰勝來自俄羅斯的國際象棋世界冠軍卡斯帕羅夫，成為歷史上第一個成功打敗世界冠軍的計算機系統。
而該公司研發的另一個問答（QA）計算系統沃森（Watson），是早年IBM衝擊AI時代的生力軍，並在2014年獲得IBM的10億美金投資，正式成為IBM Watson業務集團，全面展開人工智能研究和商業化進程。
2、強大的人才實力
除了雄厚的學科研究和行業技術背景，MIT-IBM沃森AI實驗室在人才方面的實力同樣不容小覷。
該實驗室的兩位領導人之一，Anantha P. Chandrakasan是麻省理工學院工程學院院長、Vannevar Bush電氣工程與計算機科學教授。
▲Anantha P. Chandrakasan教授
Chandrakasan出生於印度，在高中時移居美國。自1994年加入麻省理工學院以來，他已經開展了大量技術研究，在早期主要研發便攜式計算機的低功耗芯片，有助於開發當今的智能手機等移動設備。
2010年至2018年，他擔任IEEE國際固態電路會議（ISSCC）的會議主席。同時還領導麻省理工學院節能電路和系統集團，主要涉及物聯網的安全硬件、能量收集和無線充電技術。
而實驗室的另一位領導人則是IBM Research董事、IBM AI研究院副總裁Dario Gil博士。
▲Dario Gil博士
Gil博士主要負責領導IBM的創新工作，指導量子、人工智能、混合雲、安全、行業解決方案以及半導體和系統的研究戰略。在他的領導下，IBM成為世界上第一家制造可編程量子計算機，並通過雲端使該計算機能普及應用的公司。
實際上，MIT-IBM沃森AI實驗室並不是IBM和MIT的第一次合作，在此之前，兩者之間已經建立了長達數十年的研究關係。
2016年，IBM就與MIT的大腦與認知科學系共同成立一所名為“腦啟發多媒體機器理解IBM-MIT實驗室”的新實驗室，簡稱BM3C。由MIT人腦與認知科學系主任James DiCarlo教授負責領導。
該實驗室主要研究機器視覺領域，開發模仿人類理解能力的認知計算系統，以及將多種音頻和視頻信息源集成到對人類世界的電腦模型中，並且該模型能夠應用於醫療、娛樂和教育等領域。
結語：學界與業界組合成人工智能創新常態
長期以來，人工智能面臨的挑戰一直是如何將它推出實驗室，並推向世界。
經過幾十年的AI技術變革和發展，看到MIT和IBM作為學界和業界的重要科技力量走到一起，既把行業和學術界的優勢進行互補，又能進一步推動人工智能的發展與應用，不斷減少科學和實用AI解決方案之間的差距。
就目前來說，雖然這個實驗室還沒有給我們帶來像谷歌DeepMind那些為世界帶來突破的創新研究，但也為人類探索人工智能的邊界提供源源不斷的可能。
說回MIT-IBM沃森人工智能實驗室於兩大東家的意義，對IBM來說，它是該公司在面對當下微軟、谷歌和亞馬遜等高科技公司紛紛搶佔人工智能市場的激烈戰場中，所建立的一把聚集業界科技實力和學界科研潛力的科技武器。
對MIT而言，該實驗室將不僅為學校在AI學術界的開墾打造了堅固的基石，也為培育下一代優秀的AI科學家提供了肥沃的思想土壤。
最近，麻省理工學院（MIT）和IBM兩家合作研發的AI成果頻頻刷了幾波存在感。
就在前段時間，MIT和IBM的研究人員們共同開發了一個叫GAN Paint Studio的後期圖像處理工具，人們通過它能隨心所欲地編輯圖像目標的外觀，包括建築物、植物和其他固定裝置，並且編輯過後的圖像十分逼真。
GAN Paint Studio可以說是AI在圖像處理領域的一大進步，不僅如此，這兩家在腦科學、語音識別、NLP等領域也陸續掀起了不小的浪花。
智東西還發現，這些研究成果其實都出自於一個叫MIT-IBM沃森人工智能實驗室（MIT-IBM Watson AI Lab）。那麼問題來了，MIT和IBM強強聯手成立的實驗室，到底要搞什麼名堂？
為此，智東西專門挖了一把這個實驗室的“老底”。
實際上，今年已經是MIT-IBM沃森人工智能實驗室的第二年。
2017年9月7日，IBM正式宣佈，將在未來數十年計劃投資2.4億美元，與麻省理工學院共同建立MIT-IBM沃森人工智能實驗室。而這個實驗室的老家就位於美國馬薩諸塞州劍橋市的肯德爾廣場（Kendall Square），也就是IBM沃森健康（Watson Health）和網絡安全中心的總部。
它具體要做什呢？實驗室的答案十分簡單粗暴：“促進AI的發展和普遍應用。”
針對這一方面，IBM負責認知解決方案和研究部門的高級副總裁John Kelly博士就曾表示，人工智能在過去的10年裡經歷了令人難以置信的增長和進步。然而，在AI技術非常出色的今天，仍需要更多創新技術來解決日益嚴峻的現實問題。
同時John Kelly博士還提到，麻省理工學院和IBM擁有著極其廣泛而深厚的技術能力和人才，至少在將未來十年內領導人工智能領域。
4大研究方向，已啟動49項提案
MIT-IBM沃森人工智能實驗室自成立以來，結合了上百名AI科學家、教授和學生，在AI算法、AI醫療和網絡安全應用等方面持續地展開研究，不斷釋放人工智能的潛力。
在領導層方面，實驗室主要由IBM AI研究院副總裁Dario Gil和麻省理工學院工程學院院長Anantha Chandrakasan共同領導，向麻省理工學院研究人員和IBM科學家發起AI項目計劃徵集。
當然，除了推動人工智能前沿的創新計劃之外，實驗室還鼓勵麻省理工學院的教師和學生們創辦公司，以推動實驗室人工智能發明和技術的商業化。
▲麻省理工學院院長Lafael Reif（左），IBM認知解決方案和研究高級副總裁John Kelly III（右）
去年9月，MIT-IBM沃森AI實驗室公佈了最新一年的研究進度報告。報告指出，截至2018年9月，實驗室擁有100名AI科學家，其中60名來自麻省理工學院，40名來自IBM。同時，在過去一年內（2017年9月-2018年9月），實驗室接收了來自23個部門和中心的共186項提案。迄今啟動項目已達到49個。
據悉，MIT-IBM沃森人工智能實驗室是學界與業界至今為止，聯手建立的最大實驗室之一。
而在研究方向上，實驗室的四大研究支柱分別為AI算法、AI物理學、AI的特定行業應用以及通過AI促進共同繁榮。
1、AI算法，增強機器學習和推理能力
在這一方面，研究人員將創建人工智能系統，該系統既能解決專業任務，還能解決AI研究過程中更復雜的問題，並有利於穩定、持續的學習。
而研究人員對新算法的研究可不只利用目前的大數據，他們還會從一些能夠增強人類智慧的有限數據中學習。
2、AI物理學，推進硬件的開發與升級
別看這方向是叫物理學，但它主要研究的是新的人工智能硬件材料、設備和架構，用來支持未來訓練和部署人工智能模型的模擬計算方法，以及量子計算和機器學習的交叉研究。
同時，量子計算方面還包括使用人工智能來幫助表徵和改進量子設備，以及研究量子計算的使用，來優化和加速機器學習算法和其他人工智能應用。
3、AI行業應用，垂直醫療和網絡
在這一領域，實驗室主要開發用於專業用途的人工智能新應用，其中兩大主要的垂直領域是醫療保健和網絡安全。
不僅如此，研究人員將探索人工智能在醫療數字安全性和隱私性、醫療保健個性化、圖像分析以及針對特定患者的最佳治療路徑等領域的應用。
4、通過AI促進共同繁榮，提高效益
研究人員在這一方面主要探索AI如何為更多的人們、國家和企業帶來經濟和社會效益。
此外還包括探索人工智能的經濟含義，調查人工智能如何能進繁榮，幫助人們在生活中取得更多成就。
實際上，MIT-IBM沃森人工智能實驗室除了上述四大主要研究方向之外，還廣泛地參與開源AI項目。
對此，Dario Gil表示，該實驗室的核心任務是讓MIT的科學家和IBM的研究員們聚集到一起，共同推動AI的未來發展。
同時，實驗室也在進一步解決人工智能的商業和社會應用問題。主要方式是通過實驗室解決一系列特定的業務問題，並將這些模型應用於其他行業。而這種模型開發模式也稱為“遷移學習（Transfer Learning）”，它能夠減少為特定問題開發模型的時間，提高模型的準確性和效率。
在AI可解釋性領域取得重要進展
實際上，對MIT-IBM沃森人工智能實驗室來說，如何採取創新性的方法，利用人工智能進一步地解決人們日益增長的現實生活問題，改善人們的工作和生活，是研究人員十分重要的研發動力。
今年3月，MIT-IBM沃森AI實驗室的研究人員之一，哈佛大學副教授David Cox代表實驗室給大家交了一份答卷，回溯實驗室過去一年的研究情況。
▲哈佛大學副教授David Cox
在Cox看來，神經符號（Neural-Symbolic）學習算法是目前實驗室最有希望的研究領域之一。
這是一種將深度學習和符號化推理技術相結合的嘗試，深度學習系統通過神經網絡軟件來分析大型數據集，而神經網絡軟件擁有能模擬人腦識別模式的能力。
其實，深度學習方法已經有30多年的歷史，但由於數據存儲和計算方面的侷限性，該方法未能一直受到研究人員的重視，直到近十年才被研究人員們重新關注。而如今，深度學習已經成為了許多人工智能應用的基礎。
另一方面，人工智能的符號化推理技術也是研究人員在近幾十年來的研究領域，主要是為了教會機器“以抽象的方式思考概念”，並用邏輯解決問題。
針對這些AI技術，Cox認為，雖然深度學習和符號化推理技術這兩種方法都存在一定的缺陷，但兩者的混合能夠提高它們的效率。
值得一提的是，MIT-IBM沃森人工智能實驗室在這一領域上已經取得一定的進展。
今年5月，研究人員在國際學習代表大會（ICLR）上發表一篇名為《神經符號概念學習者：從自然監督中解讀場景、單詞和句子（Neuro-Symbolic Concept Learner：Interpreting Scenes, Words, and Sentences From Natural Supervision）》的論文。
論文中，他們提出一個叫Neuro-Symbolic Concept Learner（NSCL）的概念，主要是將符號AI和神經網絡結合在一起，創建出比傳統模型更靈活的AI，並且創建出的AI可以解決符號AI和神經網絡都無法自行解決的問題。
而通過這種方式創造出的AI強在哪呢？這就不得不提到視覺問答（VQA）。
VQA是目前人工智能面臨的一項艱鉅的挑戰，具體來說，就是人們向AI展示一副圖像，並讓AI回答這幅圖像中不同元素之間的關係。
這項任務對我們人類來說也許很簡單，但對目前的AI來說卻是十分困難的。因為VQA中涉及圖像識別、自然語言處理和邏輯推理的任務，而這些任務最好是由符號AI和神經網絡一起協作完成。
因此，MIT-IBM沃森AI實驗室的研究人員將符號AI與神經網絡結合，創建了一個混合神經符號系統。
該系統主要有三個部分，第一個是基於神經的感知模塊，它可以從畫面的場景中提取對象級表示；第二個是基於視覺的語義解析器程序，它能夠將人們問的問題翻譯成可執行的文件；第三個是符號程序執行器，它可以讀取對象的感知並將感知內容的屬性和關係進行分類，再執行程序來獲得答案。
隨後，研究人員使用一個在VQA問題中常用的渲染對象圖像數據集CLEVR，對NSCL進行測試。
事實證明，針對學習視覺概念、單詞表達和句子的語義分析方面，NSCL僅使用一小部分數據，就能夠在CLEVR上達到99.8%的準確率。
主要原因是NSCL並不是通過數百萬個例子來強制執行的，而是開發了域的概念表達，這使得它在處理場景時更加容易。
MIT-IBM沃森AI實驗室研發的NSCL在某種程度上，解決了神經網絡的可解釋性問題。在傳統的神經網絡模型中，AI針對某一問題只輸出結果，並沒有提供具體的解決辦法。相反，NSCL混合系統可以產生基於規則的程序，該程序能夠提供其功能的逐步描述。
總的來說，NSCL在學習視覺概念、單詞表示和句子語義分析方面的有著較高的準確性和有效性。此外，它還支持包括視覺問答和雙向圖像文本檢索在內的應用程序，甚至是新的計劃領域。
MIT-IBM沃森AI實驗室的這一成果無疑是重要的，就如他們認為的那樣，人工智能的下一個突破口就可能來自於結束符號AI和神經網絡之間的競爭。
除此之外，MIT-IBM沃森人工智能實驗室在其他領域也取得相應的進展。
例如，該實驗室研究如何在調試神經網絡中發現和消除AI軟件中的錯誤、如何在“黑盒”環境中儘量減少圖像的敵對錯誤分類，以及如何為醫院重症監護室的治療策略進行實時優化。
同時，研究人員們還高度關注訓練人工智能的挑戰，以便AI在每個人工智能項目中對道德和倫理考慮進行推理。
強大的科研技術和人才實力背景
如今，MIT-IBM沃森AI實驗室作為一個初創公司，憑藉其深厚的資本和人才背景，正迅速地在美國肯德爾廣場這片充滿活力的創新沃土中生根發芽。
值得一提的是，肯德爾大街離MIT只有一步之遙，同時還是谷歌、亞馬遜等高科技公司的辦公區，孵化了眾多初創科技企業。
那麼，該實驗室究竟有著怎樣的優勢和實力，才能在當下谷歌、亞馬遜和Facebook等巨頭的AI技術博弈場中站穩腳跟？過去兩年它又開發了哪些創新性的研究項目進一步推動人工智能的加速發展？
這就不得不提到實驗室背後的兩大“東家”——麻省理工大學和IBM。
1、深厚的學科研究和行業技術背景
麻省理工大學創辦於1861年，是一所排名世界第二，僅次於哈佛大學的世界著名私立研究型大學。該校以世界頂尖的工程學和計算機學科而著名，設有麻省理工人工智能實驗室（MIT CSAIL）、林肯實驗室（MIT Lincoln Lab）和麻省理工學院媒體實驗室（MIT Media Lab）。
此外，MIT歷史上曾誕生26名圖靈獎獲獎者，該獎自1966年創辦以來共有70名獲獎者，該校的獲獎人數則位列世界第二。
面對當下人工智能時代AI技術人才短缺的尷尬現狀，MIT在去年宣佈將投資10億美元創立新的人工智能學院——MIT Stephen A.Schwarzman計算學院，跨學科涵蓋計算機科學、人工智能、數據科學等相關領域。
新學院的設立既是目前為止美國學術機構在人工智能領域的最大一筆投資，同時也是MIT近70年來最大的一次架構調整。
另一方面，IBM（International Business Machines Corporation）創立於1911年，是全球最大的信息技術和業務解決方案公司之一。其中，IBM員工曾獲得5項諾貝爾獎、6項圖靈獎、10項美國國家技術獎和5項美國國家科學獎章。
在IBM眾多領域的業務中，人工智能方面最著名的則是一臺名為“深藍”的超級國際象棋電腦，該電腦早在1997年就戰勝來自俄羅斯的國際象棋世界冠軍卡斯帕羅夫，成為歷史上第一個成功打敗世界冠軍的計算機系統。
而該公司研發的另一個問答（QA）計算系統沃森（Watson），是早年IBM衝擊AI時代的生力軍，並在2014年獲得IBM的10億美金投資，正式成為IBM Watson業務集團，全面展開人工智能研究和商業化進程。
2、強大的人才實力
除了雄厚的學科研究和行業技術背景，MIT-IBM沃森AI實驗室在人才方面的實力同樣不容小覷。
該實驗室的兩位領導人之一，Anantha P. Chandrakasan是麻省理工學院工程學院院長、Vannevar Bush電氣工程與計算機科學教授。
▲Anantha P. Chandrakasan教授
Chandrakasan出生於印度，在高中時移居美國。自1994年加入麻省理工學院以來，他已經開展了大量技術研究，在早期主要研發便攜式計算機的低功耗芯片，有助於開發當今的智能手機等移動設備。
2010年至2018年，他擔任IEEE國際固態電路會議（ISSCC）的會議主席。同時還領導麻省理工學院節能電路和系統集團，主要涉及物聯網的安全硬件、能量收集和無線充電技術。
而實驗室的另一位領導人則是IBM Research董事、IBM AI研究院副總裁Dario Gil博士。
▲Dario Gil博士
Gil博士主要負責領導IBM的創新工作，指導量子、人工智能、混合雲、安全、行業解決方案以及半導體和系統的研究戰略。在他的領導下，IBM成為世界上第一家制造可編程量子計算機，並通過雲端使該計算機能普及應用的公司。
實際上，MIT-IBM沃森AI實驗室並不是IBM和MIT的第一次合作，在此之前，兩者之間已經建立了長達數十年的研究關係。
2016年，IBM就與MIT的大腦與認知科學系共同成立一所名為“腦啟發多媒體機器理解IBM-MIT實驗室”的新實驗室，簡稱BM3C。由MIT人腦與認知科學系主任James DiCarlo教授負責領導。
該實驗室主要研究機器視覺領域，開發模仿人類理解能力的認知計算系統，以及將多種音頻和視頻信息源集成到對人類世界的電腦模型中，並且該模型能夠應用於醫療、娛樂和教育等領域。
結語：學界與業界組合成人工智能創新常態
長期以來，人工智能面臨的挑戰一直是如何將它推出實驗室，並推向世界。
經過幾十年的AI技術變革和發展，看到MIT和IBM作為學界和業界的重要科技力量走到一起，既把行業和學術界的優勢進行互補，又能進一步推動人工智能的發展與應用，不斷減少科學和實用AI解決方案之間的差距。
就目前來說，雖然這個實驗室還沒有給我們帶來像谷歌DeepMind那些為世界帶來突破的創新研究，但也為人類探索人工智能的邊界提供源源不斷的可能。
說回MIT-IBM沃森人工智能實驗室於兩大東家的意義，對IBM來說，它是該公司在面對當下微軟、谷歌和亞馬遜等高科技公司紛紛搶佔人工智能市場的激烈戰場中，所建立的一把聚集業界科技實力和學界科研潛力的科技武器。
對MIT而言，該實驗室將不僅為學校在AI學術界的開墾打造了堅固的基石，也為培育下一代優秀的AI科學家提供了肥沃的思想土壤。
值得注意的是，類似MIT-IBM沃森人工智能實驗室的學界+行業合作模式也一直受到各大科技公司的青睞。
IBM除了與MIT合作外，也曾在2016年耗資5000萬美元，與MIT、哈佛大學布羅德研究所共同建立了一個為期五年，針對人工智能和基因組學方面的研究合作。
除此之外，Facebook在2016年12月宣佈，與哈佛大學、普林斯頓大學等17所大學達成合作關係，共同研發虛擬現實和人工智能技術。
去年，谷歌與復旦大學簽署為期兩年的合作協議，成立聯合實驗室以探索基礎AI研究。
人工智能的路還有很長要走，在未來，科研人員們將如何進一步開發人工智能潛力，推動AI技術在人們生活中的應用，這不僅是MIT-IBM沃森人工智能實驗室需要思考並努力解決的難題，也將是一場世界各大頂尖高校和高科技公司在AI競技場的博弈。
相關推薦
