Dalam hal kecerdasan buatan, MIT dan IBM sudah ada di sana sejak awal: meletakkan pekerjaan dasar dan menciptakan beberapa program pertama – pendahulu AI – dan berteori bagaimana “kecerdasan” mesin bisa terbentuk.
Saat ini, kolaborasi seperti MIT-IBM Watson AI Lab, yang diluncurkan delapan tahun lalu, terus menghadirkan keahlian demi teknologi AI masa depan yang menjanjikan. Hal ini sangat penting bagi industri dan angkatan kerja yang ingin memperoleh manfaat, khususnya dalam jangka pendek: mulai dari perkiraan manfaat ekonomi global senilai $3-4 triliun dan peningkatan produktivitas sebesar 80 persen bagi pekerja berpengetahuan dan tugas-tugas kreatif, hingga penggabungan signifikan AI generatif ke dalam proses bisnis (80 persen) dan aplikasi perangkat lunak (70 persen) dalam tiga tahun ke depan.
Meskipun industri telah menyaksikan lonjakan model-model terkenal, terutama pada tahun lalu, dunia akademis terus mendorong inovasi, menyumbangkan sebagian besar penelitian yang banyak dikutip. Di MIT-IBM Watson AI Lab, kesuksesan diwujudkan dalam 54 pengungkapan paten, lebih dari 128.000 kutipan dengan h-index 162, dan lebih dari 50 kasus penggunaan berbasis industri. Beberapa dari banyak pencapaian laboratorium ini termasuk peningkatan penempatan stent dengan teknik pencitraan AI, memangkas overhead komputasi, mengecilkan model sambil mempertahankan kinerja, dan pemodelan potensi interatomik untuk kimia silikat.
“Laboratorium ini diposisikan secara unik untuk mengidentifikasi masalah yang ‘tepat’ untuk dipecahkan, yang membedakan kami dari entitas lain,” kata Aude Oliva, direktur lab MIT dan direktur keterlibatan industri strategis di MIT Schwarzman College of Computing. “Lebih jauh lagi, pengalaman yang diperoleh siswa kami dari mengerjakan tantangan-tantangan AI perusahaan ini diterjemahkan ke dalam daya saing mereka di pasar kerja dan promosi industri yang kompetitif.”
“Lab AI Watson MIT-IBM telah memberikan dampak yang luar biasa dengan menyatukan serangkaian kolaborasi antara IBM dan para peneliti dan mahasiswa MIT,” kata Provost Anantha Chandrakasan, yang merupakan salah satu ketua laboratorium MIT dan Profesor Teknik Elektro dan Ilmu Komputer Vannevar Bush. “Dengan mendukung penelitian lintas sektoral yang merupakan titik temu antara AI dan banyak disiplin ilmu lainnya, laboratorium ini memajukan pekerjaan mendasar dan mempercepat pengembangan solusi transformatif bagi bangsa kita dan dunia.”
Pekerjaan jangka panjang
Ketika AI terus menarik perhatian, banyak organisasi kesulitan untuk menyalurkan teknologi tersebut ke dalam hasil yang bermakna. Sebuah studi Gartner pada tahun 2024 menemukan bahwa, “setidaknya 30% proyek AI generatif akan ditinggalkan setelah konsepnya terbukti pada akhir tahun 2025,” yang menunjukkan ambisi dan rasa lapar yang meluas terhadap AI, namun kurangnya pengetahuan tentang cara mengembangkan dan menerapkannya untuk menciptakan nilai langsung.
Di sini, laboratorium bersinar, menjembatani penelitian dan penerapan. Mayoritas portofolio penelitian lab saat ini diselaraskan untuk menggunakan dan mengembangkan fitur, kapasitas, atau produk baru untuk IBM, perusahaan anggota lab, atau aplikasi dunia nyata. Yang terakhir terdiri dari model bahasa besar, perangkat keras AI, dan model dasar, termasuk model multimodal, biomedis, dan geospasial. Siswa dan pekerja magang yang didorong oleh rasa ingin tahu sangat berharga dalam upaya ini, menawarkan antusiasme dan perspektif baru sambil mengumpulkan pengetahuan domain untuk membantu memperoleh dan merekayasa kemajuan di bidang ini, serta membuka batas baru untuk eksplorasi dengan AI sebagai alatnya.
Temuan dari panel Kepresidenan AAAI 2025 tentang Masa Depan Penelitian AI mendukung perlunya kontribusi kolaborasi akademisi-industri seperti laboratorium di arena AI: “Akademisi mempunyai peran dalam memberikan saran dan interpretasi independen atas hasil-hasil ini [from industry] dan konsekuensinya. Sektor swasta lebih fokus pada jangka pendek, sedangkan universitas dan masyarakat lebih fokus pada perspektif jangka panjang.”
Menggabungkan kekuatan-kekuatan ini, bersama dengan dorongan terhadap open source dan ilmu pengetahuan terbuka, dapat memicu inovasi yang tidak dapat dicapai sendirian. Sejarah menunjukkan bahwa menerapkan prinsip-prinsip ini, dan berbagi kode serta membuat penelitian dapat diakses, memiliki manfaat jangka panjang baik bagi sektor ini maupun masyarakat. Sejalan dengan misi IBM dan MIT, laboratorium ini menyumbangkan teknologi, temuan, tata kelola, dan standar ke ranah publik melalui kolaborasi ini, sehingga meningkatkan transparansi, mempercepat reproduktifitas, dan memastikan kemajuan yang dapat dipercaya.
Laboratorium ini diciptakan untuk menggabungkan keahlian penelitian mendalam MIT dengan kapasitas penelitian dan pengembangan industri IBM, yang bertujuan untuk menghasilkan terobosan dalam metode inti dan perangkat keras AI, serta aplikasi baru di berbagai bidang seperti layanan kesehatan, kimia, keuangan, keamanan siber, serta perencanaan dan pengambilan keputusan yang kuat untuk bisnis.
Lebih besar tidak selalu lebih baik
Saat ini, model pondasi yang besar digantikan oleh model yang lebih kecil dan lebih spesifik tugas sehingga menghasilkan kinerja yang lebih baik. Kontribusi dari anggota lab seperti Song Han, profesor di Departemen Teknik Elektro dan Ilmu Komputer (EECS) MIT, dan Chuang Gan dari IBM Research membantu mewujudkan hal ini, melalui pekerjaan seperti sekali untuk selamanya dan AWQ. Inovasi seperti ini meningkatkan efisiensi dengan arsitektur yang lebih baik, penyusutan algoritme, dan kuantisasi bobot yang peka terhadap aktivasi, sehingga model seperti pemrosesan bahasa dapat berjalan di perangkat edge dengan kecepatan lebih tinggi dan latensi lebih rendah.
Akibatnya, model dasar, visi, multimodal, dan bahasa besar telah merasakan manfaatnya, memungkinkan kelompok penelitian laboratorium Oliva, Associate Professor MIT EECS Yoon Kim, dan anggota IBM Research Rameswar Panda, Yang Zhang, dan Rogerio Feris untuk mengembangkan pekerjaan tersebut. Hal ini mencakup teknik untuk menanamkan pengetahuan eksternal pada model dan pengembangan metode transformator perhatian linier untuk menghasilkan throughput yang lebih tinggi, dibandingkan dengan sistem canggih lainnya.
Pemahaman dan penalaran dalam sistem visi dan multimoda juga mengalami kemajuan. Karya seperti “Task2Sim” dan “AdaFuse” menunjukkan peningkatan performa model visi jika pra-pelatihan dilakukan pada data sintetis, dan bagaimana pengenalan tindakan video dapat ditingkatkan dengan menggabungkan saluran dari peta fitur lama dan saat ini.
Sebagai bagian dari komitmen terhadap AI yang lebih ramping, tim lab yang terdiri dari Gregory Wornell, Profesor Teknik Industri Listrik Sumitomo Electric MIT EECS, Chuang Gan dari IBM Research, dan David Cox, VP AI dasar di IBM Research dan direktur laboratorium IBM, telah menunjukkan bahwa kemampuan beradaptasi model dan efisiensi data dapat berjalan seiring. Dua pendekatan, EvoScale dan Chain-of-Action-Thought Reasoning (COAT), memungkinkan model bahasa memanfaatkan data dan komputasi yang terbatas dengan meningkatkan upaya generasi sebelumnya melalui iterasi terstruktur, sehingga mempersempit respons yang lebih baik. COAT menggunakan kerangka kerja meta-aksi dan pembelajaran penguatan untuk menangani tugas-tugas yang memerlukan penalaran intensif melalui koreksi diri, sementara EvoScale membawa filosofi serupa pada pembuatan kode, mengembangkan solusi kandidat berkualitas tinggi. Teknik-teknik ini membantu memungkinkan penerapan di dunia nyata yang sadar akan sumber daya dan bertarget.
“Dampak penelitian MIT-IBM terhadap upaya pengembangan model bahasa kami yang besar tidak dapat dilebih-lebihkan,” kata Cox. “Kami melihat bahwa model dan alat yang lebih kecil dan lebih terspesialisasi mempunyai dampak yang sangat besar, terutama jika keduanya digabungkan. Inovasi dari MIT-IBM Watson AI Lab membantu membentuk arah teknis ini dan memengaruhi strategi yang kami ambil di pasar melalui platform seperti watsonx.”
Misalnya, banyak proyek laboratorium telah menyumbangkan fitur, kemampuan, dan penggunaan pada Granite Vision IBM, yang memberikan visi komputer mengesankan yang dirancang untuk pemahaman dokumen, meskipun ukurannya kompak. Hal ini terjadi pada saat meningkatnya kebutuhan akan ekstraksi, interpretasi, dan ringkasan informasi dan data yang dapat dipercaya dalam format panjang untuk tujuan perusahaan.
Pencapaian lain yang melampaui penelitian langsung mengenai AI dan lintas disiplin ilmu tidak hanya bermanfaat, namun juga diperlukan untuk memajukan teknologi dan mengangkat masyarakat, demikian kesimpulan panel AAAI 2025.
Pekerjaan dari laboratorium Caroline Uhler dan Devavrat Shah — keduanya Profesor Andrew (1956) dan Erna Viterbi di EECS dan Institut Data, Sistem, dan Masyarakat (IDSS) — bersama dengan Kristjan Greenewald dari IBM Research, melampaui spesialisasi. Mereka sedang mengembangkan metode penemuan kausal untuk mengungkap bagaimana intervensi mempengaruhi hasil, dan mengidentifikasi intervensi mana yang mencapai hasil yang diinginkan. Studi-studi tersebut mencakup pengembangan kerangka kerja yang dapat menjelaskan bagaimana “pengobatan” untuk berbagai sub-populasi dapat diterapkan, seperti pada platform e-commerce atau pembatasan mobilitas terhadap dampak morbiditas. Temuan dari badan kerja ini dapat mempengaruhi bidang pemasaran dan kedokteran hingga pendidikan dan manajemen risiko.
“Kemajuan dalam AI dan bidang komputasi lainnya memengaruhi cara manusia merumuskan dan mengatasi tantangan di hampir setiap disiplin ilmu. Di MIT-IBM Watson AI Lab, para peneliti menyadari sifat lintas sektoral dari pekerjaan mereka dan dampaknya, menginterogasi masalah dari berbagai sudut pandang dan membawa masalah dunia nyata dari industri, untuk mengembangkan solusi baru,” kata Dan Huttenlocher, salah satu ketua lab MIT, dekan MIT Schwarzman College Komputasi, dan Henry Ellis Warren (1894) Profesor Teknik Elektro dan Ilmu Komputer.
Hal penting yang membuat ekosistem penelitian ini berkembang adalah masuknya bakat mahasiswa dan kontribusi mereka melalui Undergraduate Research Opportunities Program (UROP) MIT, Program MIT EECS 6A, dan Program Magang MIT-IBM Watson AI Lab yang baru. Secara keseluruhan, lebih dari 70 peneliti muda tidak hanya mempercepat pengembangan keterampilan teknis mereka, namun, melalui bimbingan dan dukungan dari mentor lab, mereka memperoleh pengetahuan di bidang AI untuk menjadi praktisi baru. Inilah sebabnya laboratorium ini terus berupaya mengidentifikasi siswa yang menjanjikan di semua tahap eksplorasi potensi AI.
“Untuk memanfaatkan potensi AI secara penuh di bidang ekonomi dan sosial, kita perlu mengembangkan ‘kecerdasan yang berguna dan efisien’,” kata Sriram Raghavan, Wakil Presiden Riset IBM untuk AI dan ketua laboratorium IBM. “Untuk mewujudkan janji AI menjadi kemajuan, sangat penting bagi kami untuk terus fokus pada inovasi untuk mengembangkan model yang efisien, optimal, dan sesuai dengan tujuan yang dapat dengan mudah diadaptasi ke domain dan kasus penggunaan tertentu. Kolaborasi akademis-industri, seperti MIT-IBM Watson AI Lab, membantu mendorong terobosan yang memungkinkan hal ini.”
