הקמה: מ-2016 ועד הבלוג הפומבי של 2017
המקורות המדויקים של BAIR כמעבדה בעלת שם משותף אינם מתועדים בפירוט רב במקורות פומביים, אך אפשר לשחזר קו-זמן סביר: לפי ויקיפדיה, טרבור דארל, חוקר-ראייה-ממוחשבת בברקלי, נמנה בין מייסדי-השותפים של המעבדה, ו-פיטר אבּיל מונה למנהל-שותף שלה כבר ב-2016 — מה שמעיד שהמעבדה פעלה תחת השם BAIR באותה שנה לכל המאוחר. ב-20 ביוני 2017 השיקה המעבדה את בלוג ה-BAIR הפומבי, שבו הסביר סרגיי לוין, אחד מחוקריה, כי מטרתו להנגיש לציבור הרחב את התוצאות המדעיות שהמעבדה מפרסמת 'מדי שנה' בכנסים אקדמיים — ניסוח שמעיד על פעילות-מחקר סדירה ומבוססת כבר באותו שלב. טרבור דארל משמש גם בראשות הקונסורציום Berkeley DeepDrive (BDD) — שיתוף-פעולה תעשייתי-אקדמי בתחום הנהיגה האוטונומית שפועל בברקלי לצד BAIR, ומדגים כיצד מסורת-המחקר של המעבדה חורגת מגבולות הראייה-הממוחשבת הטהורה אל תחומי-יישום תעשייתיים.
ההיקף היום: המעבדה האקדמית 'המתקדמת בעולם', לפי הצהרתה
BAIR מתארת את עצמה, באתרה הרשמי, כ'מעבדת המחקר האקדמית המתקדמת בעולם בתחום הבינה המלאכותית'. היא מאגדת חוקרים מברקלי החוצים ראייה-ממוחשבת, למידת-מכונה, עיבוד-שפה-טבעית, תכנון, בקרה ורובוטיקה — יותר מ-50 חברי-סגל ומעל 300 דוקטורנטים וחוקרי-בתר-דוקטורט, לפי הנתונים העדכניים באתר המעבדה. לצד המחקר הבסיסי, המעבדה עוסקת גם בנושאים חוצי-תחומים כמו למידה-עמוקה רב-מודלית, בינה מלאכותית תואמת-אדם (human-compatible AI), ובינה מלאכותית אחראית המחברת בין מדעי-המחשב לבין תחומים מדעיים והומניים אחרים. המעבדה פועלת בתוך מחלקת מדעי-המחשב וההנדסה החשמלית (EECS) של ברקלי, ומציעה גם דף-בית ייעודי לתוכנה-בקוד-פתוח שפיתחו חוקריה — כולל, בין היתר, מסגרת-העבודה Caffe המתוארת בהמשך.
ראייה-ממוחשבת ולמידה-עמוקה: מ-Caffe ל-CycleGAN
אחד הפרויקטים המוקדמים והמשפיעים ביותר שיצאו מתוך מסורת-המחקר של BAIR הוא Caffe — תשתית קוד-פתוח ללמידה-עמוקה שפיתח יאנג-צ'ינג ג'יה כדוקטורנט במעבדתו של טרבור דארל בברקלי, ושחרר לציבור בדצמבר 2013; Caffe עדיין מופיעה כיום ברשימת התוכנה הרשמית של BAIR. ב-2017 פרסמו ג'ון-יאן ג'ו, טאיסונג פארק, פיליפ איזולה ו-אלכסיי אפרוס — כולם חוקרים בברקלי — את CycleGAN, שיטה ליצירת-תמונה שיודעת לתרגם בין שני סגנונות-חזותיים (למשל תמונת-סוס לתמונת-זברה, או ציור אימפרסיוניסטי לתצלום) בלי צורך בזוגות-תמונות מתואמים לאימון — רעיון שהפך למרכזי בתחום יצירת-התמונה המבוססת-בינה-מלאכותית.
למידת-חיזוק ורובוטיקה: MAML ו-Soft Actor-Critic
בתחום למידת-החיזוק והרובוטיקה תרמה BAIR שני חידושים מוכרים במיוחד. ב-2017 פרסמו צ'לסי פין, פיטר אבּיל ו-סרגיי לוין את MAML (Model-Agnostic Meta-Learning) — שיטת 'למידה ללמוד' שמאמנת רשת-נוירונים כך שכמה צעדי-אימון בלבד על משימה חדשה יספיקו לה כדי להסתגל אליה, בלי להתחיל כל משימה מאפס; פין תיארה את השיטה בבלוג-המעבדה כ'טכניקה מהמעבדה שלנו'. שנה לאחר-מכן, ב-2018, פרסמו טואומאס הארנויה, סרגיי לוין ועמיתיהם את Soft Actor-Critic (SAC) — ותיארו אותו בבלוג-המעבדה בדצמבר אותה שנה — — אלגוריתם למידת-חיזוק חסכוני-בדוגמאות במיוחד, שמאפשר לרובוט אמיתי ללמוד משימות הליכה ותפעול-חפצים תוך שעתיים עד עשרים שעות בלבד במקום ימים, בזכות מנגנון שממקסם גם את התגמול וגם את רמת-האקראיות של מדיניות-הפעולה עצמה — תכונה שהופכת אותו עמיד יותר לשינויי-היפר-פרמטרים ומתאים לאילוצים של חומרה פיזית אמיתית, לא רק לסימולציה.
BAIR Commons: שיתוף-פעולה מובנה עם התעשייה
במרץ 2019 השיקה BAIR את BAIR Commons — תוכנית-שותפות תעשייתית שנועדה להאיץ מחקר בשיתוף חברות, תוך שמירה על עקרון של פרסום פתוח: פרויקטים משותפים מובלים על ידי דוקטורנטים, התוצאות, הנתונים והקוד אינם בלעדיים ומיועדים לפרסום פתוח, וזכויות-הקניין-הרוחני מתחלקות שווה בשווה בין השותף התעשייתי לבין ברקלי. בהשקה הצטרפו לתוכנית שותפים תעשייתיים ובהם Alibaba, Amazon, Facebook, Google, Microsoft ו-Samsung, ומעל עשרים פרויקטים משותפים קיבלו מימון ראשוני. חלק מהשיתוף מתקיים ב'לבלטים' — חללי-מחקר משותפים המשולבים בתוך מתחם BAIR במבנה Berkeley Way West, מתקן בשטח של כ-27,000 רגל-רבוע. לפי המעבדה, מבנה-השותפות הזה נועד לאפשר לחברות-התעשייה גישה מוקדמת לתובנות-מחקר עדכניות, ובה-בעת לשמר את עצמאות-האקדמיה ואת חובת-הפרסום הפתוח שעליה מבוססת עבודתם של הדוקטורנטים.