Zachary Lipton

ウィキ
, , , ,
1

卡内基梅隆大学机器学习Raj Reddy副教授，Abridge联合创始人兼首席技术官，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，Dive into Deep Learning教科书，以及影响研究界如何讨论自身实践的一针见血的博客而同样闻名。

个人简介

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
CMU职务 机器学习Raj Reddy副教授
行业职务 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 Learning from Temporally-Structured Human Activities Data（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
谷歌学术 MN9Kfg8AAAAJ

概述

Zachary Chase Lipton是卡内基梅隆大学机器学习Raj Reddy副教授，领导ACMI实验室，也是Abridge的联合创始人兼首席技术官——一家总部位于匹兹堡的医疗保健AI公司，专注于构建临床文档的沉浸式AI，已融资超过3亿美元，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，他是Dive into Deep Learning（剑桥大学出版社，2023年）的合著者，这是一本交互式开源教科书，已被70个国家的500多所大学采用。他以塑造社区讨论的批判性文章而广为人知——最著名的是「《模型可解释性的神话》」和「《机器学习学术中的令人不安的趋势》」——以及将技术深度与社会批判和偶尔的讽刺相结合的Approximately Correct博客。他还是一位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Issachar Miron的孙子，后者合写了歌曲「Tzena, Tzena, Tzena」。

早期生活与教育

Lipton于1985年8月19日出生于纽约州新罗谢尔。他是Issachar Miron（1920–2015）的孙子，一位以色列裔美国作曲家，以合写希伯来语歌曲「Tzena, Tzena, Tzena」（1941年）而闻名，该歌曲在20世纪50年代经Pete Seeger和The Weavers改编为英文后成为国际热门歌曲。Lipton从八岁开始演奏萨克斯管，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「对音乐中常被忽视的元素有着罕见的奉献精神」以及「天生的好奇心和 meticulous attention to detail」。作为高中生，他被选入首届纽约青年交响乐团爵士乐团，与Slide Hampton和Jimmy Heath同台演出。

他就读于哥伦比亚大学，获得了数学和经济学文学士学位（约2003–2007年）。大四期间，他录制了首张爵士专辑First Steps（2007年）中的原创作品集，该专辑被《All About Jazz》称赞为「一次引人入胜的亮相，音乐上真诚且构思巧妙」。毕业后，他在纽约逗留了几年，一边从事专业音乐演出，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，为Prime Video优化推荐系统）和微软研究院（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 Group）获得计算机科学博士学位，由Charles Elkan和Julian McAuley指导。他的论文Learning from Temporally-Structured Human Activities Data探讨了从人类活动产生的时间序列数据中进行序列建模和学习。

职业生涯

Amazon AI — 访问科学家 / 研究科学家（2018年–约2023年）

博士毕业后，Lipton在Amazon AI担任访问/研究科学家职位，同时在卡内基梅隆大学担任教职。他之前在博士期间曾在亚马逊核心机器学习部门实习，并在加入学术界后继续这种产业联系，为自然语言处理和机器学习系统研究做出了贡献。

CMU — 机器学习Raj Reddy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，其主要任命在该系，同时在海因兹公共政策与社会计算学院担任兼任教授。他领导ACMI实验室（近似正确机器智能实验室），其研究涵盖分布偏移下的鲁棒机器学习、因果关系与表征学习、临床机器学习以及AI系统的社会影响。他还在CMU软件与社会系统系（S3D）担任附属教员。他的冠名教席——Raj Reddy教授职位——以CMU AI先驱和图灵奖得主Raj Reddy命名。他曾与微软雷德蒙德研究院和微软班加罗尔研究院保持合作关系。

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，是一家用于临床文档的AI驱动的沉浸式倾听平台。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——该平台聆听医患对话，自动生成结构化的临床笔记，并与Epic等电子健康记录系统集成——已扩展到主要的卫生系统合作伙伴关系。该公司筹集了由Lightspeed和Redpoint Ventures领投的1.5亿美元的C轮融资（2024年初），以及随后的以53亿美元估值融资3亿美元（2025年），使总融资额远高于5亿美元。首席执行官Shiv Rao在谈到Lipton时说：「自从五年前认识Zack以来，我一直对他的AI研究印象深刻，该研究开创了许多现代机器学习技术在医疗数据上的应用。」Lipton将核心技术挑战描述为不仅是构建准确的模型，而是在高风险的实时临床环境中安全部署它们——监控、评估和调整模型以防止模型幻觉和分布漂移。

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」定义不清，其多元动机有时相互矛盾，并且常见的论断（例如，线性模型是可解释的，深度网络则不可解释）通常是不合理的。被引用超过1400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。

  • 「《机器学习学术中的令人不安的趋势》」（Lipton和Steinhardt；ICML 2018辩论；Communications of the ACM，2019年）——列举了机器学习学术中的四个系统性缺陷：将解释与推测混为一谈、掩盖经验增益的来源、数学混淆（「mathiness」）和语言滥用。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频繁布置的阅读材料，也是讨论研究严谨性的试金石。

  • 「《使用黑盒预测器检测和校正标签偏移》」（Lipton, Wang, Smola；ICML 2018）——提出了一种实用的方法，仅使用预训练的黑盒分类器来检测和校正标签偏移（部署中一种常见的分布偏移形式），无需访问模型内部结构。有助于形式化标签偏移问题，并推动了关于分布偏移校正的一系列工作。

  • 「《用于序列学习的循环神经网络之批判性评论》」（Lipton, Berkowitz, Elkan；2015年）——一篇早期关于循环神经网络（RNN）的全面综述，澄清了术语并梳理了当时刚刚兴起的序列建模文献；在深度学习时代初期被广泛阅读，是该领域最早严谨的综述之一。

  • 《Dive into Deep Learning》（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，结合了论述、数学和可运行的Jupyter notebook代码，支持PyTorch、TensorFlow和MXNet。被全球70个国家的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NVIDIA首席执行官Jensen Huang的赞扬，并得到了该领域顶尖研究人员的认可。Lipton是仅次于Aston Zhang、Mu Li和Alexander Smola的第二署名合著者。

  • 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行为、其在临床时间序列数据和医疗保健自然语言处理中的应用、以及离线训练的模型在部署中何时可以信赖的持续性研究。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论文。

  • Approximately Correct 博客（2016年启动）——一个长期运营的博客，弥合了技术机器学习视角和社会批判之间的鸿沟，以其关于可解释性、自然语言处理炒作、会议文化和AI伦理的文章而闻名，这些文章的受众远远超出了典型的学术读者群。文章包括「OpenAI训练语言模型，导致大规模歇斯底里」（2019年）和「北美最佳贸易展」，以及Superheroes of Deep Learning漫画系列。

奖项与荣誉

  • Raj Reddy教席教授 — CMU的冠名教席，以图灵奖得主、CMU AI项目的创始人Raj Reddy命名
  • 《纽约时报》特邀专家 — 「What’s the Future for A.I.?」（就AI的经济影响引用）
  • CNBC特邀专家 — 在2023年董事会改组后就OpenAI治理问题发表看法
  • Axios 2024年专题 — 在「AI’s flawed human yardstick」中就基准膨胀问题发表看法
  • Dive into Deep Learning被全球70个国家的500多所大学采用

主要关系

  • Shivdev Rao — Abridge的首席执行官和原始创始人；UPMC的非侵入性心脏病专家；定义了Abridge临床基础的医师-研究者合作关系。Rao将Lipton的医疗保健机器学习研究视为他们合作的主要原因。

  • Alexander Smola — Dive into Deep Learning的合著者；Amazon Web Services的副总裁/杰出科学家，也是核方法和机器学习系统领域最著名的人物之一；Lipton在Amazon的任职以及D2L的合作都源于此关系。

  • Aston Zhang — Dive into Deep Learning的第一署名著者（现任职于OpenAI）；该项目源于由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。

  • Charles Elkan — 加州大学圣地亚哥分校的博士导师；以从不平衡数据和概率建模中学习而闻名；塑造了Lipton在严谨的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的博士联合导师；在推荐系统和自然语言处理领域享有盛誉；Elkan和McAuley的结合反映了Lipton对理论和应用自然语言处理的双重导向。

  • Jacob Steinhardt — 「《机器学习学术中的令人不安的趋势》」的合著者；加州大学伯克利分校的统计学教授，机器学习安全领域的重要声音；该论文代表了他们对机器学习研究界的认识论标准的共同智力关切。

个人风格

Lipton在AI生态系统中占据着不同寻常的三重位置——活跃的研究者、公司建设者和领域批评者——并且不愿意为了其他角色而削弱其中任何一个。他的X账号（@zacharylipton，约6.6万粉丝）是任何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性抨击。他的Digg vibe个人资料将他列为最具幽默感的机器学习研究者前35名，同时在「挑衅性」类别中同样突出。Approximately Correct博客始于2016年，很早就确立了他的批评并非为了反对而反对，而是对领域在其自我呈现和方法论上失误的一贯分析立场。他将萨克斯管描述为一种持续的身份认同，而非过去的爱好——他在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，即它周期性地重新显现，凌驾于他的职业义务之上。

参考资料