亚马逊与MIT公布2023年科学Hub获奖项目：聚焦机器学习与机器人安全

亚马逊与麻省理工学院（MIT） 公布了作为科学Hub（Science Hub）一部分的2023年资助项目与奖学金获得者名单。科学Hub由MIT的施瓦茨曼计算学院负责管理，是某机构与MIT之间的合作项目，旨在支持机器学习与机器人等前沿技术领域的研究、教育和推广。

“今年的科学Hub项目致力于解决机器学习与机器人领域中最具挑战性的一些问题。我们的研究人员正深入审视已出现的相关问题，包括自主系统、大语言模型和数据领域的问题，并致力于发现切实可行的解决方案，”MIT科学Hub负责人、信息与决策系统实验室主任、航空航天学教授Sertac Karaman表示。“同时，我也很高兴欢迎我们的新研究员，他们将在人工智能和机器人领域开展自己的独立研究项目。”

“我们很高兴能够支持下一代大语言模型技术的研究，”某机构应用科学总监Shiv Vitaladevuni表示。“这些资助将支持开发更可靠的LLMs，并利用LLMs进行数据管理。利用LLMs进行数据管理将提高开发者总结数据库内容以及处理噪声、缺失或有偏差数据等问题的效率。支持科学界是我们回馈学术界、造福社会长远发展的方式。”

这些研究项目进一步推进了科学Hub的目标，即通过教育和研究确保新技术的益处得到广泛共享，并扩大来自不同学者和创新者的研究参与度。

“我们致力于支持顶尖的机器人与机器学习科学研究，”某机构机器人技术应用科学总监Jeremy Wyatt表示。“这些资助将支持将机器学习应用于机器人领域的突破性工作。这些项目将推动机器学习模型在自主系统中的安全部署，以及在节能设备上实现同步定位与地图构建的进展。回馈学术科学是我们践行‘成功和规模带来责任’这一原则的方式之一。”

由来自某机构和MIT成员组成的委员会共同选出了以下四个研究项目：

“面向AI机器人自主性的在线安全监控”——Navid Azizan，Esther & Harold E. Edgerton职业发展助理教授

“自主系统中的深度神经网络，例如机器人，在处理与训练数据集差异显著的信息时可能变得不可靠——例如，当机器人遇到意外物体阻挡其路径，或与偏离其预期行为的人类互动时。此类情况可能导致事故或操作中断。为确保安全部署，自主系统应检测异常或分布外数据点，并通过将决策权交给更安全的基准策略或切换到安全基准策略来做出反应。这可以在提高系统效率的同时防止堵塞和事故。我们建议研究如何赋予自主系统中的深度神经网络高效、有效地检测异常的能力，这反过来又能通过从随时间推移出现的异常中学习，持续改进模型。”

“用符号结构控制大语言模型”——Yoon Kim，电气工程与计算机科学系助理教授

“尽管能力出众，但大语言模型仍然难以控制。本提案旨在通过符号语法开发控制LLMs的机制。针对一个预训练模型，我们的方法定义了一个概率语法，其非终结符号与预训练模型在部分输出上的分布显式相关。这些符号提供了一个与语言模型交互（并对其施加约束）的接口，这可以比基于提示的方法（无法保证LLM输出遵守约束）实现更明确的受控生成。我们建议将此方法应用于零样本和少样本生成任务，在这些任务中，遵守目标侧的输出约束对于部署至关重要（例如，语义解析、医疗笔记翻译）。”

“DataCore：面向企业数据管理的通用模型”——Samuel Madden，MIT计算学院杰出计算教授

“现代数据密集型应用的特点是，需要组合和查询各种数据集，范围从内部文档，到部分结构化的数据如日志，到数据库中的表格数据，再到机器学习模型和输出。在许多组织中，此类数据分散在企业各处，且常常结构不一致、不完整、未链接。为了对这些维护不善的数据进行数据分析，数据科学家必须经历一个数据管理过程来查找、合并和清理数据集。尽管对这个问题的研究已持续多年，许多数据科学家仍然报告说，他们80%或更多的时间都花在了这类问题上。我们旨在通过构建一个数据管理原生的基础模型来解决这些不足，该模型具有自然语言处理中基础模型的所有优点，以及处理企业数据中常见的大型结构化表格数据集所需的其他关键特性。我们的目标是开发一个通用模型，能够有效地在结构化数据上执行各种数据管理任务，并达到当前最优或更好的性能，与ChatGPT类似，它不需要大量的特定领域训练，但可以通过交互式提示进行引导。”

“为能量受限设备实现内存高效的SLAM”——Vivienne Sze，电气工程与计算机科学系副教授

“我们建议协同设计同时具备高效、鲁棒和精确特性的同步定位与地图构建算法和硬件。像智能手机、AR/VR头显和药丸大小的医疗机器人等能量受限的设备，有望为各种应用做出重要贡献。然而，这些设备的电池容量有限，这限制了可用于传感和计算的能量。尽管如此，为了安全运行，设备应该执行基本任务，例如在没有GPS的情况下确定自身位置（定位）以及创建其环境中障碍物的表示（建图）。现有的用于这些任务的算法需要过高的内存和能量开销，并且在存在传感器噪声和传感器模态不足的情况下也难以应对。因此，在能量受限设备上实现自主性，既需要设计鲁棒且高效的定位与建图算法，也需要专门的节能计算硬件。”

2023年奖学金

以下博士生将获得资助，在机器人和人工智能领域开展独立的个人研究项目。这些学生将有机会在某机构参加带薪暑期实习，直接与某机构的研究人员合作，获得宝贵的行业见解和经验。

• Sirui Li，社会与工程系统及统计学博士生 Li于2019年在华盛顿大学获得计算机科学和数学学士学位，是华盛顿大学工程学院五位2019届毕业生代表之一。Li对贝叶斯方法、社交网络以及机器学习在经济学和政治学中的应用特别感兴趣。Li与土木与环境工程系Gilbert W. Winslow职业发展助理教授Cathy Wu合作，研究使用图神经网络和强化学习解决拼车问题。Li的长期研究目标是改进解决城市规划与机制设计中棘手社会问题的算法/启发式方法。
• Yue Meng，航空航天学博士生 Meng是MIT航空航天系的四年级博士生，在可靠自主系统实验室工作。Meng的研究课题是利用机器学习技术实现安全鲁棒的机器人控制。在此之前，Meng曾在IBM Thomas J. Watson研究中心担任人工智能驻场研究员。他在加州大学圣地亚哥分校获得了电子与计算机工程硕士学位，并在清华大学自动化系获得了理学学士学位。FINISHED