Zachary Lipton

维基
, , , ,
1

卡内基梅隆大学 Raj Reddy 机器学习副教授，Abridge 联合创始人兼首席技术官，同时也是该领域最著名的批判声音之一——以其在分布偏移、模型可解释性和临床机器学习方面的基础性工作，《动手学深度学习》教科书，以及一篇以尖锐笔触塑造了研究界关于自身实践方式的论辩方式的博客而闻名。

简介

领域 详情
全名 Zachary Chase Lipton
出生日期 1985年8月19日
出生地 美国纽约州新罗谢尔
国籍 美国
现任机构 卡内基梅隆大学；Abridge
卡内基梅隆大学职位 Raj Reddy 机器学习副教授
行业角色 联合创始人兼首席技术官，Abridge
研究领域 分布偏移、模型可解释性、临床机器学习、自然语言处理、机器学习方法论、鲁棒/自适应系统
博士论文 从时间结构化的人类活动数据中学习（加州大学圣地亚哥分校，2017年）
博士导师 Charles Elkan；Julian McAuley
研究团队 ACMI 实验室（近似正确机器智能实验室）
个人网站 zacharylipton.com
博客 approximatelycorrect.com
X / Twitter @zacharylipton
GitHub zackchase
Google Scholar MN9Kfg8AAAAJ

概述

Zachary Chase Lipton 是卡内基梅隆大学 Raj Reddy 机器学习副教授，领导 ACMI 实验室，也是 Abridge 的联合创始人兼首席技术官。Abridge 是一家位于匹兹堡的医疗保健人工智能公司，致力于构建用于临床记录的 ambient AI，已筹集超过 3 亿美元资金，估值达 53 亿美元。他的研究涵盖机器学习方法论与理论、分布偏移、模型可解释性、自然语言处理和临床应用，他还是《动手学深度学习》（剑桥大学出版社，2023 年）的合著者之一，这是一本交互式开源教科书，已被 70 个国家/地区的 500 多所大学采用。他以其塑造了社区讨论的关键文章而广为人知——最著名的是《模型可解释性的神话》和《机器学习学术研究的麻烦趋势》——以及将技术深度与社会批评和偶尔的讽刺相结合的《Approximately Correct》博客。他还是一名爵士萨克斯管演奏家，于 2007 年录制了首张专辑，师从 Branford Marsalis，并且是以色列裔美国作曲家 Yisachar Miron 的孙子，后者共同创作了歌曲《Tzena, Tzena, Tzena》。

早期生活与教育

Lipton 于 1985 年 8 月 19 日出生在纽约州新罗谢尔。他是 Yisachar Miron（1920–2015 年）的孙子，他是一位以色列裔美国作曲家，以共同创作希伯来语歌曲《Tzena, Tzena, Tzena》（1941 年）而闻名，这首歌在 1950 年代经过 Pete Seeger 和 The Weavers 的英语改编后成为国际热门歌曲。Lipton 八岁开始学习萨克斯管，并在青少年时期发展成为一位严肃的爵士音乐家，师从 Steve Wilson、Bill McHenry 和 Branford Marsalis，后者称赞他「对音乐中常常被忽视的要素有着罕见的执着」以及「天生的好奇心和一丝不苟的态度」。在高中最后一年，他被选中与 Slide Hampton 和 Jimmy Heath 一起在首届纽约青年交响乐团爵士乐团中演出。

他进入 哥伦比亚大学，获得了 数学与经济学学士学位（约 2003–2007 年）。大四期间，他录制了一系列原创作品，即首张爵士专辑《First Steps》（2007 年），《All About Jazz》称赞其为「一次引人入胜的亮相，音乐真实且构思巧妙」。毕业后，他在纽约待了几年，一边从事专业音乐工作，一边兼职做网页开发。他逐渐转向计算机科学，最终进入加州大学圣地亚哥分校攻读博士学位。

在博士期间，Lipton 曾在西雅图的亚马逊核心机器学习部门实习（2015 年夏季，从事 Prime Video 推荐系统工作）和微软研究院实习（次年），并曾在印度生活过一段时间（2014 年夏季）。他于 2017 年从 加州大学圣地亚哥分校（AI 小组）获得 计算机科学博士学位，导师是 Charles Elkan 和 Julian McAuley。他的论文《从时间结构化的人类活动数据中学习》探讨了序列建模以及从人类活动产生的时间序列数据中学习。

职业生涯

亚马逊 AI——访问/研究科学家（2018–约 2023 年）

获得博士学位后，Lipton 在亚马逊 AI 担任访问/研究科学家的同时，也在卡内基梅隆大学担任教职。他在博士期间曾在亚马逊核心机器学习部门实习，并在进入学术界后继续这种产业合作，为自然语言处理和机器学习系统做出研究贡献。

卡内基梅隆大学——Raj Reddy 机器学习副教授（2018 年至今）

Lipton 于 2018 年加入卡内基梅隆大学机器学习系，主要任命在该系，同时在亨氏公共政策与社会计算学院担任兼职教授。他领导 ACMI 实验室（近似正确机器智能实验室），其研究方向涵盖分布偏移下的鲁棒机器学习、因果性和表示学习、临床机器学习以及人工智能系统的社会影响。他也是卡内基梅隆大学软件与社会系统系（S3D）的附属教员。他的冠名讲席——Raj Reddy 教授席——以卡内基梅隆大学人工智能先驱和图灵奖得主的名字命名。他之前曾与微软研究院雷德蒙德和微软研究院班加罗尔有合作。

Abridge——联合创始人兼首席技术官（2023 年至今）

Abridge 于 2018 年在匹兹堡由 Shivdev Rao（首席执行官）、Florian Metze 和 Sandeep Konam 创立，是一个用于临床文档的人工智能驱动的环境监听平台。Lipton 于 2023 年初加入该公司，最初担任首席科学官，随后成为联合创始人兼首席技术官。在他的技术领导下，Abridge 的平台——该平台监听医患对话，自动生成与 Epic 等电子健康记录系统集成的结构化临床笔记——已扩展到主要的医疗系统合作伙伴关系。该公司完成了由 Lightspeed 和 Redpoint Ventures 领投的 1.5 亿美元 C 轮融资（2024 年初），以及随后一轮 53 亿美元估值的 3 亿美元融资（2025 年），总融资额远超过 5 亿美元。首席执行官 Shivdev Rao 这样评价 Lipton：「自从五年前认识 Zack 以来，我一直对他的人工智能研究印象深刻，他的研究开创了许多现代机器学习技术在医疗数据中的应用。」Lipton 将核心技术挑战不仅描述为构建准确的模型，还包括在高风险环境中安全地部署它们——监控、评估和调整模型以防止幻觉和分布漂移。

主要贡献

  • 《模型可解释性的神话》（Lipton；ICML 2016 研讨会；《ACM Queue》和《Communications of the ACM》，2018 年）——一篇基础性的批评文章，认为机器学习中的「可解释性」定义不明确，其多样化的动机有时相互矛盾，并且常见的断言（例如，线性模型是可解释的，深度网络不可解释）往往是不合理的。被引超过 1,400 次；在公平性、问责制和透明度研究以及机器学习伦理课程中被广泛引用。

  • 《机器学习学术研究的麻烦趋势》（Lipton 和 Steinhardt；ICML 2018 辩论；《Communications of the ACM》，2019 年）——列举了机器学习学术研究中的四种系统性失败：混淆解释与推测、遮蔽经验增益的来源、数学晦涩（「数学性」）和语言误用。在 ICML 的机器学习辩论环节中发表；成为机器学习方法论课程中经常布置的阅读材料，以及关于研究严谨性讨论的试金石。

  • 《使用黑盒预测器检测和纠正标签偏移》（Lipton, Wang, Smola；ICML 2018 年）——介绍了一种实用的方法，仅使用预训练的黑盒分类器即可检测和纠正标签偏移（部署中常见的一种分布偏移形式），而无需访问模型内部。为形式化标签偏移问题并激发关于分布偏移修正的研究方向做出了贡献。

  • 《关于用于序列学习的循环神经网络的批判性评论》（Lipton, Berkowitz, Elkan；2015 年）——一篇早期关于循环神经网络的全面综述，澄清了术语并整理当时刚刚兴起的关于序列建模的文献；在深度学习时代到来之际，作为该领域最早的严谨综述之一被广泛阅读。

  • 《动手学深度学习》（Zhang, Lipton, Li, Smola；剑桥大学出版社，2023 年）——一本完全交互式的开源教科书，融合了解说、数学和可运行的 Jupyter Notebook 代码，支持 PyTorch、TensorFlow 和 MXNet。被 70 个国家/地区的 500 多所大学采用，包括斯坦福大学、麻省理工学院、哈佛大学和剑桥大学。受到 Jensen Huang（英伟达首席执行官）的赞扬，并得到了该领域顶尖研究人员的认可。Lipton 是第二署名合著者，其他作者包括 Aston Zhang、Mu Li 和 Alexander Smola。

  • ACMI 实验室关于分布偏移和临床机器学习的研究——关于机器学习模型在自然和对抗性分布偏移下如何表现、其在临床时间序列数据和医疗自然语言处理中的应用，以及离线训练模型在部署中可在何种条件下被信任的持续性研究。代表性工作包括关于概念漂移、标签偏移和用于 ICU 预测任务的机器学习的论文。

  • *《Approximately Correct》博客（2016 年推出）——一个长期运营的博客，连接了技术机器学习视角和社会批评，以关于可解释性、自然语言处理炒作、会议文化和人工智能伦理的文章而闻名，这些文章覆盖了远超典型学术读者群的广泛受众。文章包括《OpenAI 训练语言模型，引发大规模歇斯底里》（2019 年）和《拉斯维加斯北部最伟大的贸易展》，以及《深度学习超级英雄》漫画系列。

奖项与荣誉

  • Raj Reddy 教授席——卡内基梅隆大学的冠名讲席，以表彰这位图灵奖获得者、卡内基梅隆大学人工智能项目的创始人
  • 《纽约时报》专题专家——（就人工智能的经济影响接受采访）
  • CNBC 专题专家——在 2023 年董事会改组后就 OpenAI 治理问题接受采访
  • Axios 2024 年专题报道——就基准测试膨胀在《人工智能不完善的人类标尺》一文中被引用
  • *《动手学深度学习》*被 70 个国家/地区的 500 多所大学采用

主要关系

  • Shivdev Rao —— Abridge 的首席执行官兼最初创始人；匹兹堡大学医学中心的无创心脏病专家；这种医生-研究者的合作定义了 Abridge 的临床基础。Rao 将 Lipton 的医疗保健机器学习研究归因于他们合作的主要原因。

  • Alexander Smola ——《动手学深度学习》合著者；亚马逊云科技副总裁/杰出科学家，也是核方法和机器学习系统领域最杰出的研究者之一；Lipton 在亚马逊的合作以及《动手学深度学习》的协作都源于此关系。

  • Aston Zhang ——《动手学深度学习》第一署名合著者（目前在 OpenAI）；该项目源于 Zhang、Li 和 Smola 开发的亚马逊内部课程材料，Lipton 后来加入以扩展和出版它。

  • Charles Elkan ——加州大学圣地亚哥分校博士导师；以从不平衡数据中学习和概率建模的研究而闻名；塑造了 Lipton 在严谨机器学习理论和评估方面的早期训练。

  • Julian McAuley ——加州大学圣地亚哥分校博士联合导师；在推荐系统和自然语言处理领域颇有建树；Elkan 和 McAuley 的结合反映了 Lipton 在理论和应用自然语言处理方面的双重取向。

  • Jacob Steinhardt ——《机器学习学术研究的麻烦趋势》合著者；加州大学伯克利分校统计学教授，机器学习安全领域的杰出声音；该论文代表了对机器学习研究界认知标准的共同智识关注。

个人风格

Lipton 在人工智能生态系统中占据了一个不寻常的三重位置——活跃的研究者、公司建设者和领域批评家——并且不愿为了其他角色而淡化其中任何一个。他在 X（@zacharylipton，约 66,000 名关注者）上的存在是所有资深机器学习学者中最具幽默感和挑衅性的：帖子从关于基准完整性和分布偏移的精确技术论证，到对炒作周期、初创公司估值和会议文化的讽刺攻击。他的 Digg vibe 资料将他排在最具幽默感的机器学习研究者前 35 名中，在「挑衅性」类别中也有同样高的存在感。2016 年推出的《Approximately Correct》博客很早就确立了他的批评并非表演性的反对主义，而是一种关于该领域在自我展示和方法论上出错的、一致的分析立场。他将萨克斯管描述为一个持续的身份，而不是过去的爱好——他 X 简介中的「Relapsing :saxophone:」标签反映了他自己对与爵士乐关系的描述，即这种关系会周期性地克服他的职业义务而重新显现。

参考资料