两位 MIT 研究生和一位前博士后如今在 IBM 工作，他们的职业轨迹都受益于 MIT‑IBM Computing Research Lab。
Hong 在强化学习领域深耕，他在 MIT EECS 与 Pulkit Agrawal 合作，利用 Atari 游戏 Montezuma’s Revenge 改进价值函数学习，探索好奇心驱动的探索策略。实验表明，给智能体提供更丰富的奖励反馈可以提升在机器人、LLM 以及科学计算中的表现。现在他在 IBM 负责构建面向企业任务的代理框架，研究包括测试时训练、进化计算以及神经科学启发的模型在线自适应。
Ko 的研究聚焦可信 AI。她在 MIT‑IBM 项目资助下，先后在神经网络和基础模型上工作，毕业后加入 IBM 继续开发可部署的安全技术。她提出的 vLLM Hook 通过插件方式直接访问模型内部隐藏状态，评估安全得分（如提示注入和幻觉概率），实现了比低秩适配器更高效的成本控制。
Arunachalam 则在量子机器学习方向探索理论与实现的桥梁。作为 Aram Harrow 小组的博士后，他在 MIT‑IBM 合作中与 Isaac Chuang、Kristan Temme 合作，聚焦近端量子设备的可实现性约束（邻近耦合、噪声、可观测量）。他发表了两篇关键论文：一篇提供 Hamiltonian 学习的严格保证，另一篇证明在硬度假设下量子核函数可超越经典核。
三人虽分属不同领域，却都有将理论创新转化为实际系统的共识：从好奇心驱动的强化学习到可信 AI 的推理插件，再到量子算法的可实现性验证，他们的工作都在为“杀手级应用”奠基。
点评