#MIT
MIT-IBM 计算研究实验室启动，塑造 AI 与量子计算未来
MIT-IBM Computing Research Lab 正式成立，将研究范围从单纯的人工智能扩展至算法与量子计算三大支柱。双方延续近十年的合作传统，目标是在 AI 走向主流部署、量子计算接近实际应用的时间节点，推动量子中心超级计算等新型混合计算系统发展。实验室将重点研究 AI 与传统计算系统的融合、面向复杂问题的新型量子算法，以及数学与算法基础的重构。数百名学生已参与过往合作，产出超过 1500 篇论文。新框架的核心在于把算法单独列为关键方向，意味着从算力与模型的工程竞赛转向基础问题研究，探索如何降低复杂系统的求解成本，推动计算产业重新思考可计算性的边界。
教 AI 模型学会说“我不确定”
MIT CSAIL 提出 RLCR 训练方法，通过在奖励函数中加入 Brier 分数，激励模型同时输出答案和真实置信度。该方法解决传统 RL 训练只奖励结果正确、忽视不确定性表达的缺陷，使模型不仅被训练解题，还被要求诚实评估自身把握程度。实验显示 RLCR 在不损失准确率的前提下，将校准误差降低最多 90%，效果远超事后校准方案。模型输出的置信度成为可参与决策的有效信号。更关键的是，它戳穿了“越会做题就越可靠”的默认前提——能力和自信往往同步增长，而诚实却不会。这项工作将“知不知道自己会不会”拉回训练目标，对高风险决策场景意义重大。
改进 AI 模型预测可解释性的方法
MIT 研究人员提出创新方法，从深度学习模型自身特征中自动提取人类可理解的概念，从而改进概念瓶颈建模技术。该方法利用稀疏自编码器筛选关键特征，再由多模态大语言模型将其转化为文字描述并标注图像，有效解决了传统方法依赖专家预定义概念、信息泄漏等局限。在鸟类识别和医疗诊断等任务上，该方法取得现有最高准确率，为提升 AI 模型可解释性和可问责性提供了新路径。
融合生成式 AI 与物理原理，创造现实世界的实用个人物品
MIT CSAIL 团队开发 PhysiOpt 系统，将物理仿真引擎嵌入生成式 AI 设计流程。通过有限元分析对 AI 生成的 3D 模型进行“压力测试”，自动迭代优化结构薄弱区域，使创意设计转化为可承受真实载荷的实物。该方案利用预训练模型知识，无需额外训练即可让用户快速生成功能完备的个性化物品，标志着生成式设计从“好看”向“好用”的关键跃迁。
软体机器人的神经蓝图：类人智能的新探索
新加坡-麻省理工联合研究团队研发了一套受人类大脑启发的 AI 控制系统，采用双重突触架构，使软体机器人首次在单一框架内实现跨任务泛化、即时环境适应与稳定性保障三大核心能力。测试显示跟踪误差降低 44%至 55%，形状精度超 92%，为软体机器人在医疗、物流、工业等领域的实用化应用奠定基础。
赋能 AI 智能体搜索：获取大语言模型最佳结果
MIT CSAIL 与 Asari AI 联合研发 EnCompass 框架，专为解决大语言模型在代码迁移等任务中的错误恢复难题。该框架通过分支点标注机制，将搜索策略与 AI 智能体工作流程解耦，实现自动化的回溯与并行尝试。实测显示可削减 80%的搜索功能实现工作量，准确率提升 15%至 40%，使开发者无需编写冗长回溯逻辑即可高效构建 AI 辅助软件开发系统。
理性人工智能的哲学难题
麻省理工学院推出跨学科课程“AI 与理性”，由计算机科学与哲学教授联合授课，聚焦人工智能的理性本质与哲学根基。课程不设标准答案，旨在培养学生批判性思维能力。这门课程折射出高等教育正从“元知识”向“元技能”转型的趋势，目标是让未来的技术领袖能够追问“何为理性”的边界，以驾驭人工智能而非被其裹挟。
新方法让 AI 模型在训练中实现轻量化提速
MIT 团队联合多机构开发 CompreSSM 技术，在 AI 模型训练过程中同步完成压缩。核心创新在于引入控制理论数学工具，利用汉克尔奇异值衡量各状态重要性，仅需完成 10%训练即可确定可丢弃部分，后续 90%训练以更小规模进行。实验显示压缩模型保持接近完整准确率，训练速度提升 1.5 至 4 倍，将压缩从事后补救转为训练内生环节，为 AI 系统开发提供从“越大越好”向“适度精准”转变的新范式。
生成式 AI 的未来将会怎样？
2025 年 9 月 MIT 举办首届生成式智能体影响联盟峰会，业界领袖共论技术未来。 MIT 校长与教务长强调需确保人类智慧与技术同步进步。杨立昆指出生成式智能体真正的突破口在于研发“世界模型”，即让机器像婴儿般通过感官与物理世界互动来构建对现实的抽象理解。亚马逊 CTO 认为生成式智能体是极具影响力的技术。峰会折射出业界期待正从“更强大的语言能力”转向“更接近人类认知模式的学习机制”。