ARTICLE · 1018993
“智链双湾”赴美国实践支队|AI可以帮忙,解释和负责仍要由人完成
一套智能体系统可以连夜优化CUDA内核，AI工具也能帮助多台实验仪器协同工作。可当代码进入课程、研究和芯片工程，谁来解释它、验证它，又由谁为结果负责？7月25日下午与27日上午，支队在麻省理工学院（Massachusetts Institute of Technology，MIT）先后同MIT HAN Lab一名课题组学生、Rajeev Ram课题组硕士生Hasan Zeki Yildiz交流。
MIT以“Mens et manus——心智与双手”为校训，强调知识探索与实践目的相结合。两场交流涉及的团队都与MIT电子学研究实验室（Research Laboratory of Electronics，RLE）的研究网络有关。RLE创建于1946年，是MIT较早建立的跨院系研究平台，研究从电子学延伸至AI系统、光子学、量子技术和生物医学工程。
MIT HAN Lab由MIT电气工程与计算机科学系副教授、RLE课题负责人韩松（Song Han）主持，聚焦高效AI计算，强调算法、软件系统与硬件协同。
Rajeev J. Ram是MIT电气工程与计算机科学系Clarence J. LeBel讲席教授。他主持的物理光学与电子学课题组（Physical Optics and Electronics Group，POE Group）隶属RLE，研究面向通信、能源、生物工程与传感的光电子器件和系统。
01
MIT HAN LAB
第一场交流由MIT HAN Lab一名课题组学生接待，从内核设计智能体（Kernel Design Agents，KDA）开始。CUDA内核是在GPU上执行的底层计算程序；生成一段能运行的代码，与把它优化到满足性能要求，是两件事。受访学生介绍，现有智能体已经能够承担部分代码生成任务，但面对高性能内核，仍需反复修改、编译和测试，并调用性能分析工具、参考既有代码库。
这种能力对初创团队有一项很具体的价值。新模型常会带来新架构，刚发布时的底层支持往往跟不上。如果完全依靠社区逐项优化，等待时间可能很长；团队可以先让KDA运行一夜，较快得到一个尚非最优但已经可用的实现，再由工程师继续打磨。
一名队员结合自己使用Claude Code和Codex的经历追问：如果一个模型写代码、另一个负责审查，反复迭代会不会逐渐偏离目标？受访学生回答时谈到上下文容量、代码库范围和工具调用——审查者看得见多少代码，会直接影响它能发现什么问题。
代码跑起来以后，工程师还要继续检查相邻算子融合、端到端影响和部署成本。智能体只看见单个内核时，可能忽略整个系统；代码库太大，上下文窗口也难以装下全部信息。受访学生几次区分基准测试、论文表现和实际部署：成果好看之后，还要考虑成本、工具流完备性以及复核问题。
团队合照
02
MIT Rajeev Ram Lab
7月27日上午，支队又与MIT电气工程与计算机科学系硕士一年级学生、POE Group成员Hasan Zeki Yildiz交流。他本科同样就读于MIT，聚焦光学传感系统研究，并曾担任本科课程助教。Hasan一开始便问起支队此行的主题，以及队员最想了解什么。队员提出“AI会怎样影响学生走向职场”，随后围绕Hasan的本科课程、课堂项目、科研经历和岗位准备逐层追问。
Hasan形容自己本科阶段的课程像“彼此分离的深井”：每门课可以钻得很深，知识块却未必自然衔接，学生也可能进入研究后才发现漏掉了某项基础。他也发现，当研究真正需要某项知识时，主动把它重新调出来，往往比只为考试记得更牢。他担任助教的项目课在学期后半段把选题空间交给学生，教学团队负责指导，写作、展示与项目投入也会进入评价。
课外研究把这些“深井”接向真实任务。UROP（Undergraduate Research Opportunities Program，本科生研究机会项目）为MIT本科生提供加入真实科研、与教师和导师共同工作的入口；学生可以申请公开岗位，也可以主动联系教授。进入课题后，常由资深成员承担日常指导，学生从基础操作和安全边界开始。
队员继续追问：MIT本科生通常什么时候第一次进组？Hasan按自己的观察回答：他不知道准确分布，身边很多人从大二或大三开始，也有人大一就进了课题组。他自己大一时进过另一个组，组里先让他跟着一名博士生操作设备，为光学器件做蒸发、沉积等基础工艺。这段经历让他先熟悉设备、安全边界和研究方向，复杂课题留到基础更扎实以后。
一名队员把问题落到自己担任暑期课程助教的经历：编程项目发布后，有学生几乎立刻交回代码，教学团队强烈怀疑其使用了AI，却找不到证据。
Hasan介绍，一些实验课会让学生在完成作业后接受助教当面验收（check-off）；在他参与教学的项目课里，学生每周展示进展，教学团队据此追问代码和方法。解释不清可以暴露理解问题，却不能单独证明抄袭；如果课程服务器日志等留下明确的违规使用记录，才会形成更强的证据。
Hasan自己的研究也体现了另一种分工：AI协助编写仪器控制代码，研究者负责测量设计、系统联调和结果判断。他的测量系统需要协调大约十台仪器，AI最实际的用途，是帮助生成和修改让多台设备协同工作的程序。光学原理与实验结论仍由研究者把关。
谈到岗位准备时，Hasan讲起自己参加的一次公司面试。对方更多追问时序、噪声、串扰等电子学基础和系统直觉，而非只看能否写出代码。课程现场检查和企业面试考察的是同一件事：即使代码由工具协助完成，学生也要解释系统为什么这样工作、问题可能出在哪里。
交流快结束时，Hasan讲起自己进入课题组后的一个小转变。起初，他背着包直接去实验台，觉得办公室不过是几把椅子和几张桌子，没有必要去。后来研究中不断有设备无法工作，他才开始到公共办公室询问：有没有机器能完成这个操作？以前谁做过？是否有论文或经验可循？文档没有记录所有设备、论文和操作细节，许多经验掌握在资深成员手中。Hasan后来发现，随时可以追问的同伴比桌椅更重要。
END
文字&图片丨“智链双湾”支队
排版丨赵欣然
审核丨李泊衡 李雨欣 赵登文
EE实践，一路同行
无限之声，欢迎您的关注
