2024 CSAIL Alliances Annual Meeting已於 4 月 2 ~ 4 日舉行，發表 CSAIL 最新技術研究，包含 Next Generation Software Efficiency、Machine Learning Applications、Robot Revolution、Future of Data, Trust, and Privacy、The Latest Advancements in Generative AI 等主題，同時CSAIL提供年會重點整理供您參考。

CSAIL近期研究焦點、課程及活動謹羅列如下

【MIT 新聞】

目前藉由Red-teaming技術，以防止大型語言模型產生惡意或具傷害性的回應， 但防護範圍僅限於既有的提示。由James Glass科學家及Pulkit Agrawal教授所帶領的團隊，運用curiosity-driven exploration技術來改善Red-teaming，可自動產生多元的提示語，來觸發測試模型，產生更廣泛的不良反應，以擴大防護範圍。此研究發表於International Conference on Learning Representations, ICLR 會議，由 Hyundai Motor Company, Quanta Computer, MIT-IBM Watson AI Lab等機構共同贊助。

MIT CSAIL兩位教授(Fredo Durand及William T. Freeman )的團隊，和Adobe 研究員，採用分配匹配蒸餾技術 (Distribution matching distillation, DMD)，將原先擴散模型生成圖片的多個步驟，簡化為一步。使得生成圖片的運算效率提升30 倍，且維持圖片品質。以ImageNet 基準來評量，此方法與現有方法僅差 0.3 Fréchet inception distance (FID)。此研究將發表於Conference on Computer Vision and Pattern Recognition (CVPR)，由National Science Foundation、Singapore Defense Science and Technology Agency、Gwangju Institute of Science and Technology 以及 Amazon 共同贊助。

由麻省理工學院教授 Ila Fiete 、Regina Barzilay 和 Tommi Jaakkola 所領導的研究團隊，使用卷積神經網路建立「3D適應度景觀（fitness landscape）」，呈現給定蛋白質的適應度(fitness) 與原始序列的差異，成功預測優化的 GFP (green fluorescent protein) 序列。此機器學習技術，藉由少量數據，即可預測蛋白質突變，以產生最佳化版本，可應用於神經科學研究工具、醫療應用和測量活體細胞神經元活動的電壓指示蛋白等領域。此項研究將發表於 International Conference on Learning Representations (ICLR)，並獲得國家衛生研究院、國國家科學基金、MIT K. Lisa Yang 與 Hock E. Tan 分子療法中心等機構的資助。

MIT、東北大學、哈佛及以色列理工學院，利用線性函數探查，開發出能夠視覺化大型語言模型知識的技術 — Attribute lens，幫助發現並糾正模型中儲存的錯誤訊息，以提高其可靠性和準確性。此研究發表將於 International Conference on Learning Representations (ICLR)發表，由 Open Philanthropy、Israeli Science Foundation 和 Azrieli Foundation Early Career Faculty Fellowship贊助。

MIT CSAIL William Freeman 教授的團隊，開發出FeatUp 演算法，能夠提升影像辨識的正確率與可解釋性，以協助醫療及自駕車的影像辨識。此研究將於 International Conference on Learning Representations (ICLR) 發表，並獲 National Science Foundation Graduate Research Fellowship、National Science Foundation and Office of the Director of National Intelligence、U.S. Air Force Research Laboratory, 及 U.S. Air Force Artificial Intelligence Accelerator 贊助。

MIT Stephen A. Schwarzman College of Computing在Building 45開立新總部，期許成為MIT另一個匯集跨領域研發動能的新據點。占地178,000平方英尺的8層建築，本學期已正式開設13門大學生和研究生課程，課程包括Interactive Data Visualization and Society (6.C35/6.C85)，由電機資訊系 (EECS）和城市規劃系共同授課。這門課程是計算教育的共同基礎(Common Ground for Computing Education)，旨在集合跨系所一同開發並教授新課程，並將推出計算與其他學科的共同新課程。

MIT 微系統技術實驗室（MTL）首席科學家 Luis Fernando Velásquez-García 的團隊， 利用3D 列印及數位流體 (digital microfluidics) 技術，大幅降質譜儀 (mass spectrometry) 的製造成本 且提升兩倍性能，期望讓質譜儀更普及化，造福慢性病患。此研究發表於 Journal of the American Association for Mass Spectrometry，並獲得 Empiriko Corporation 贊助。

世界衛生組織宣布抗生素抗藥性為全球十大公共衛生威脅之一，根據 2019 年The Lancet 發表的論文，有127萬人可避免因藥物敏感而死亡。MIT 研究員透過機器學習方法，加速在已知藥物中確認抗生素特性的過程。原本辨識出名為 semapimod 的化合物，需要花費數年才能完成，藉由人工智慧技術，一個週末的時間即能完成，該研究發表於 Cell Chemical Biology。

來自MIT三位教授 (Myriam Heiman、Manolis Kellis及 Li-Huei Tsai) 的研究團隊與Mayo Clinic的Veronique Belzil教授，合作追蹤73名，肌萎縮性脊髓側索硬化症 (ALS, 漸凍人症) 及額顳葉退化症 (FTLD)，捐贈者大腦樣本中的RNA 表現模式 (RNA expression patterns)，發現兩者在細胞和分子層面上有顯著的重疊，代表兩者的療法或許能夠互相通用。此研究發表於Cell期刊，獲得國家衛生院、三菱製藥、Picower Institute for Learning and Memory、Robert Packard Center for ALS Research at Johns Hopkins、Mayo Clinic Center for Individualized Medicine 和 Cure Alzheimer’s Fund等單位的贊助。

由John Guttag教授團隊研發出名為 Tyche 的系統，為捕捉醫學影像中不確定性的AI 工具。Tyche無須經過再訓練，即可提供多重不確定部分，以協助醫療或研究人員改善診斷及生物醫學研究。此研究將發表於 IEEE Conference on Computer Vision and Pattern Recognition，並獲得National Institutes of Health、 the Eric and Wendy Schmidt Center at the Broad Institute of MIT and Harvard 和 Quanta Computer 贊助。

MIT 運輸與物流中心 (Center for Transportation and Logistics, CTL) 主任 Matthias Winkenbach，及MIT-IBM Watson AI Lab，探討機器學習如何優化物流運籌及MIT CTL解決方案的優勢

由Michael Carbin教授團隊所提出的量子控制機 (Quantum control machine)，讓量子電腦編程如傳統電腦一般簡易，以增強普通電腦無法有效完成的任務，如分解大量數字、檢索資料庫資訊及藥物研發的分子相互作用模擬等。此研究發表於 ACM conference on Object-oriented Programming, System, Languages, and Applications，由National Science Foundation and the Sloan Foundation 贊助。

MIT Julie Shah 教授團隊，將機器人與大型語言模型 (LLMs) 相結合，使機器人具備生活常識，能夠邏輯性地拆解家務，並適時調整以應對干擾。此研究將於 International Conference on Learning Representations (ICLR) 上發表。

MIT 與 University College London 共同開發名為 Umwelt 的軟體系統，讓視障者或低視能者，無須仰賴視覺圖表轉換，即可打造客製化、多模態的資料表示法。此研究將發表於 ACM Conference on Human Factors in Computing，且由 National Science Foundation 以及 MIT Morningside Academy for Design Fellowship 贊助。

環境工程學Ali Jadbabaie教授的團隊，藉由代數拓撲學概念，提出Simplicial homophil研究方法，將一對一互動的同質性與較大群體互動的同質性分開，並識別群體互動缺乏相似性的情況，可以協助預測未來群體之間的連結。此研究發表於Proceedings of the National Academy of Sciences，並獲Office of the U.S. Secretary of Defense 以及U.S. Army Research Office Multidisciplinary University Research Initiative 贊助。

Daniela Rus 教授介紹 「流動網絡」（liquid networks），一種網模仿簡單有機體神經過程的網絡，將更高效地處理信息，使人工智慧能夠超越數位限制，實際參與現實世界交流。藉此期望打破人工智慧和機器人之間的障礙，創造一個利用 AI 塑造我們日常生活的未來模式。

由Akamai 前首席資安長 Andy Ellis 和 Amazon 廣告暨設備部門首席資安長 Amy Herzog，共同探討在資安威脅的環境中，企業應該關注的議題，包含AI角色、未來資安趨勢、及電子郵件的資安維護等。

Andi Peng 現為 CSAIL 的博士候選人，由 Prof. Jacob Andreas 和 Julie Shah 共同指導。她的目前的研究，期望結合預訓練模型及人類回饋，來學習調整的反饋 (Andi Peng網站：https://andipeng.com/）。

CSAIL主任Daniela Rus新書The Heart and the Chip: Our Bright Future with Robots，探討機器人發展方向及智能機器的未來，並評估該領域的挑戰和機器人學家的責任。Daniela Rus主任和Gregory Mone分享書中的五個關鍵見解：1. 與電影情節相反，機器人和人類是盟友，而非對手。2. 機器人並非萬能，由身體和大腦定義的智慧機器，存在根本性的限制。3. 我們正朝著機器人增強的未來邁出重大一步。4. 人工智慧和智慧機器未來充滿可能性。5. 我們必須利用智慧機器來應對人類面臨的重大挑戰。

課程時間：2024/6/5，為期六週

課程內容：本課程將介紹發展機器學習策略的方法，並運用至現有的商業結構中。

費用：USD 3,500，CSAIL 會員企業輸入優惠碼「 CSAILAlliances23 」可享有 8折優惠（報名連結）

課程時間：2024/10/2，為期六週

課程內容：本課程將介紹如何運用人機互動 (Human-Computer Interaction, HCI) ，有效的將語音和視覺工具，整合至現有的商業行為中。

費用：USD 2,600，CSAIL 會員企業輸入優惠碼「 CSAILAlliances23 」可享有 8折優惠（報名連結）

若您對CSAIL專案計畫有任何疑問或建議，歡迎隨時聯繫指教。

時代基金會 謹識