IBM e il Massachusetts Institute of Technology (MIT) hanno lanciato il MIT-IBM Computing Research Lab, una nuova organizzazione di ricerca congiunta volta a promuovere il lavoro fondamentale nell'ambito dell'intelligenza artificiale, degli algoritmi e del calcolo quantistico, con particolare attenzione ai metodi di calcolo che possono andare oltre i limiti pratici dei sistemi classici. Il laboratorio si evolve dal MIT-IBM Watson AI Lab (fondato nel 2017 nel campus del MIT) e riflette un cambiamento nel panorama tecnologico, in cui l'intelligenza artificiale è ormai ampiamente diffusa e il calcolo quantistico si sta muovendo verso una maggiore utilità pratica.
La dirigenza ha descritto il nuovo laboratorio come uno strumento per un più profondo sviluppo congiunto in ambito di modellazione, algoritmi e progettazione di sistemi, in particolare all'intersezione tra intelligenza artificiale e informatica quantistica. La dirigenza del MIT ha presentato l'iniziativa come la continuazione dei risultati ottenuti dai partner nel decennio precedente e come un meccanismo per sostenere una ricerca a lungo termine con rigore accademico e rilevanza industriale.
Ambiti di ricerca: Intelligenza artificiale, algoritmi, meccanica quantistica e sistemi ibridi.
Il programma tecnico del laboratorio è incentrato sulla collaborazione tra diversi ambiti.
Uno dei principali ambiti di interesse è l'intelligenza artificiale e il calcolo ibrido, con l'esplorazione di approcci che combinano il calcolo classico con metodi avanzati di intelligenza artificiale e, ove opportuno, elementi quantistici. L'obiettivo è migliorare l'integrazione delle capacità di intelligenza artificiale negli ambienti di calcolo orientati alla produzione, ponendo l'accento sui miglioramenti pratici e operativi.
Inoltre, il laboratorio si concentra sullo sviluppo di architetture di modelli linguistici piccole ed efficienti e su nuovi paradigmi di calcolo per l'intelligenza artificiale. Questi sforzi sono visti in un'ottica di implementazione aziendale, con particolare attenzione ad attributi di sistema quali affidabilità, trasparenza e attendibilità. Ciò indica un'attenzione non solo ai prototipi di ricerca, ma anche alla creazione di sistemi operativi che soddisfino i vincoli del mondo reale.
Il programma prevede anche la ricerca sugli algoritmi quantistici e sui fondamenti matematici necessari per affrontare complesse classi di problemi rilevanti per campi come la scienza dei materiali, la chimica e la biologia. Parallelamente, è in corso un'indagine più ampia sui fondamenti matematici e algoritmici del calcolo di prossima generazione, con l'obiettivo di promuovere la comprensione e le capacità di base.
Il laboratorio ha inoltre messo in evidenza il lavoro fondamentale svolto nell'ambito della teoria dell'apprendimento automatico, dell'ottimizzazione, della simulazione hamiltoniana e delle equazioni differenziali parziali (PDE). Queste aree rappresentano spesso dei colli di bottiglia per l'approssimazione di sistemi dinamici su larga scala, dove i metodi classici possono presentare problemi di accuratezza, costi o entrambi. Sebbene siano stati citati diversi esempi di ambiti applicativi, il filo conduttore tecnico è rappresentato dal miglioramento dei metodi di simulazione e ottimizzazione, che potrebbe tradursi in previsioni più accurate e pipeline di calcolo più efficienti.
Allineamento con le iniziative del MIT e con la roadmap quantistica di IBM.
Il MIT ha sottolineato che il laboratorio si affianca a due iniziative a livello di istituto: il MIT Generative AI Impact Consortium e la MIT Quantum Initiative. IBM, da parte sua, ha ribadito il suo piano di realizzare un computer quantistico tollerante ai guasti entro il 2029 e il suo più ampio impegno verso il supercalcolo quantistico, che descrive come la stretta integrazione di sistemi quantistici con il calcolo ad alte prestazioni e gli acceleratori di intelligenza artificiale.
Struttura e leadership del laboratorio
Il laboratorio continuerà ad essere co-diretto da Aude Oliva, ricercatrice senior presso il MIT CSAIL, e David Cox, vicepresidente di AI Foundations presso IBM Research. Sono stati nominati i responsabili di area per i tre filoni di ricerca:
- IA: Jacob Andreas (MIT EECS) e Kenney Ng (IBM Research; responsabile del programma scientifico MIT-IBM)
- Algoritmi: Vinod Vaikuntanathan (MIT EECS) e Vasileios Kalantzis (IBM Research)
- Fisica quantistica: Aram Harrow (MIT, Dipartimento di Fisica) e Hanhee Paik (IBM; Centri per gli algoritmi quantistici)
Il MIT ha inoltre nominato Dan Huttenlocher, preside del MIT Schwarzman College of Computing, come co-presidente del laboratorio per conto del MIT.
Risultati ottenuti finora dal laboratorio precedente
Il MIT e IBM hanno presentato il nuovo laboratorio come un'iniziativa che si basa sulla portata e sul curriculum di pubblicazioni del Watson AI Lab. Fin dalla sua nascita, la precedente collaborazione ha finanziato oltre 210 progetti di ricerca che hanno coinvolto più di 150 docenti del MIT e oltre 200 ricercatori IBM, con la conseguente pubblicazione di oltre 1,500 articoli sottoposti a revisione paritaria. Il programma ha inoltre finanziato oltre 500 studenti e ricercatori post-dottorato, ponendo lo sviluppo della forza lavoro come un risultato continuo, parallelamente alla produzione di ricerca.
IBM e Dallara annunciano l'utilizzo dell'intelligenza artificiale e dell'esplorazione quantistica per i flussi di lavoro di progettazione aerodinamica.
In un comunicato separato diffuso dopo l'inaugurazione del laboratorio MIT-IBM, IBM e il Gruppo Dallara hanno annunciato una collaborazione incentrata sull'applicazione dell'intelligenza artificiale all'aerodinamica dei veicoli basata sulla fisica e sull'esplorazione di metodi quantistici e ibridi quantistico-classici che potrebbero integrare nel tempo i cicli di progettazione basati prevalentemente sulla simulazione.
L'intelligenza artificiale basata sulla fisica come strumento per accelerare l'iterazione guidata dalla fluidodinamica computazionale (CFD).
Il progetto si propone di affrontare un problema ben noto nel settore degli sport motoristici e dello sviluppo di veicoli ad alte prestazioni: la fluidodinamica computazionale (CFD) è precisa ma costosa, e l'esplorazione iterativa della geometria può richiedere da ore per ogni singola simulazione a settimane o mesi nell'ambito di un intero flusso di lavoro di sviluppo.
IBM e Dallara hanno pubblicato i primi risultati di un metodo di intelligenza artificiale basato sulla fisica per valutare diverse configurazioni del diffusore posteriore su una vettura da corsa concettuale simile alla LMP2. Nel confronto descritto, il tradizionale approccio CFD ha richiesto diverse ore per calcolare tutte le configurazioni. Al contrario, il metodo di intelligenza artificiale ha completato le stesse valutazioni in circa 10 secondi, ha riportato margini di errore paragonabili a quelli del CFD e ha identificato una configurazione ottimale.
IBM ha descritto questo approccio come un modo per ridurre da giorni a minuti la valutazione di centinaia di configurazioni, consentendo un'esplorazione più precoce nel ciclo di progettazione e riservando la fluidodinamica computazionale (CFD) completa per una validazione più approfondita e l'ottimizzazione finale. Il comunicato stampa faceva anche riferimento alla modellazione del campo di pressione per la regolazione dell'angolo del diffusore posteriore da -2 a +4 gradi, con risultati ottenuti tramite intelligenza artificiale descritti come molto simili ai risultati della CFD.
Approcci quantistici e ibridi in fase di valutazione
Parallelamente, i team hanno affermato di star valutando in che modo le tecniche quantistiche o ibride quantistico-classiche potrebbero integrarsi nei flussi di lavoro di simulazione e ottimizzazione. L'approccio a breve termine è esplorativo: identificare i carichi di lavoro in cui questi metodi potrebbero integrare le pipeline CFD consolidate e mappare le opportunità a lungo termine man mano che i sistemi quantistici maturano.
Pubblicazione della ricerca e lignaggio del modello (arXiv e ICLR)
IBM e Dallara hanno collegato il lavoro a recenti pubblicazioni:
- I risultati iniziali della collaborazione sono stati descritti in un Preprint di arXiv del 20 aprile 2026.
- Il lavoro si basa sul modello Gauge-Invariant Spectral Transformers (GIST) di IBM, a cui si fa riferimento in un Preprint del 17 marzo.
Le aziende hanno dichiarato di aver presentato i relativi progressi alla Conferenza internazionale sulle rappresentazioni dell'apprendimento (ICLR) il 26 aprile 2026 a Rio de Janeiro.
Fabrizio Arbucci, CIO di Dallara, ha sottolineato la più ampia importanza dei modelli surrogati neurali, inizialmente testati su veicoli ad alte prestazioni. Ha evidenziato come i progressi nell'efficienza aerodinamica, come una riduzione della resistenza aerodinamica dell'uno o due percento, possano portare a un notevole risparmio di carburante in diverse modalità di trasporto, tra cui autovetture e aeromobili, a vantaggio dei settori che dipendono dall'aerodinamica.
Amazon