# IBM convertit trois parcours du MIT en IA industrielle > Le laboratoire MIT-IBM Computing Research Lab accompagne trois chercheurs vers des systèmes déployables en IA, apprentissage quantique et fiabilité. Type : Actualité IA · Catégorie : Stratégie · Publié le 2026-09-14 · Signal IA - Order & Chaos Source : https://www.orderchaos.eu/signal-ia/actu/de-mit-a-ibm-trois-chercheurs-accelerent-lia-et-le-quantique Tags : ia, recherche, ibm, quantique, déploiement, inference --- ## En résumé - Le laboratoire MIT-IBM relie recherche théorique et contraintes de production. - Zhang-Wei Hong développe des agents capables d’améliorer leurs modèles pendant leur déploiement. - Irene Ko et Srinivasan Arunachalam travaillent respectivement sur l’IA fiable et l’apprentissage quantique. **Le signal :** Trois chercheurs passés par le MIT-IBM Computing Research Lab développent chez IBM des systèmes pour agents, IA fiable et informatique quantique. **Trois parcours convergent** Le MIT-IBM Computing Research Lab accompagne trois chercheurs passés par le MIT vers des applications industrielles chez IBM. Zhang-Wei Hong, docteur du MIT en 2025, travaille sur l’apprentissage par renforcement et les [agents](/signal-ia/actu/a-princeton-claude-opus-48-echoue-en-recherche-ouverte) d’intelligence artificielle. Irene Ko, docteure du MIT en 2024, est devenue chercheuse chez IBM Research dans l’IA fiable. Srinivasan Arunachalam a rejoint IBM après un postdoctorat au MIT commencé en 2018. Leurs travaux couvrent l’apprentissage quantique, les agents et la sécurité des modèles. Le laboratoire sert de lien entre théorie, contraintes techniques et systèmes destinés à des usages réels. [Lire l’article du MIT](https://news.mit.edu/2026/from-mit-to-ibm-expediting-ai-and-quantum-deployment-0902). **Une collaboration structurée** Hong a commencé son doctorat au MIT en 2020, au département de génie électrique et d’informatique. Avec Pulkit Agrawal, professeur associé et chercheur principal du laboratoire, il a étudié l’apprentissage des fonctions de valeur dans le jeu Atari Montezuma’s Revenge. Ses recherches visaient à mieux prédire et optimiser les performances d’une politique d’agent. Le laboratoire l’a ensuite conduit vers la robotique, les grands modèles de langage et l’apprentissage par renforcement pour les sciences. Hong souligne la politique de collaboration académique du laboratoire MIT-IBM. Cette relation a accompagné son passage de la [recherche](/signal-ia/actu/du-mit-a-ibm-trois-chercheurs-deploient-lia-et-le-quantique) universitaire vers une infrastructure destinée aux tâches d’entreprise. ## Hong développe des agents adaptatifs **Des agents exploratoires** Hong étudie désormais l’entraînement au moment du test pour les agents et les modèles fondamentaux. Il développe aussi une infrastructure pour le cadre d’agents d’IBM. Celle-ci cible notamment la lecture de graphiques et l’appel d’outils pour interroger des bases de données. Son approche utilise le calcul évolutionnaire afin d’améliorer l’exploration. Elle s’appuie également sur les neurosciences pour informer l’amélioration des modèles pendant leur déploiement. Hong décrit un objectif précis : permettre à un modèle d’améliorer ses poids en ligne, au moment de son utilisation. Il présente cette approche comme un cadre potentiellement utile aux praticiens de l’apprentissage par renforcement. **Une inférence plus observable** Irene Ko travaille sur les limites des méthodes d’IA fiable actuellement déployées dans les plateformes d’inférence. Son projet vLLM Hook donne accès à des signaux internes du modèle, comme les états cachés et les activations. Ce mécanisme agit sur les modules [transformeurs](/signal-ia/actu/discoformer-estime-densite-et-score-sans-reentrainement) pour analyser des scores de sécurité. Il peut notamment estimer la probabilité d’une injection de requête ou d’une hallucination. Ko a développé un cadre léger de modules complémentaires pour le moteur d’inférence vLLM. Elle indique que cette méthode pourrait réduire les coûts par rapport à d’autres approches. Son travail relie directement développement, sécurité et moteurs d’inférence. ## Arunachalam cible le calcul quantique **Des garanties théoriques** Srinivasan Arunachalam s’est concentré chez IBM sur des problèmes potentiellement implémentables par des dispositifs quantiques à court terme. Il a pris en compte l’architecture de voisins proches, le bruit et des mesures observables simplifiées. Ses échanges avec Isaac Chuang, professeur au MIT et chercheur principal du laboratoire, ont conduit à une collaboration avec Kristan Temme, chercheur chez IBM. Deux articles ont marqué ce parcours. Le premier porte sur l’apprentissage hamiltonien et fournit des garanties rigoureuses pour apprendre la dynamique de systèmes quantiques. Le second étudie les noyaux quantiques et présente des éléments théoriques en faveur d’avantages possibles sur des noyaux classiques, sous des hypothèses de difficulté largement admises. [Voir l’article sur l’apprentissage hamiltonien](https://www.nature.com/articles/s41567-021-01232-0).