阿贝巴·比尔哈内是一位批判性人工智能研究者，其工作审视机器学习系统中的社会、伦理与政治维度。她是莫兹拉基金会的高级顾问，在该机构中为可信赖人工智能的研究与倡导作出贡献。她的学术研究聚焦于人工智能系统如何延续伤害，尤其是通过内嵌偏见和有缺陷的评估实践。
比尔哈内的研究在揭示机器学习主流方法的局限性方面具有影响力，尤其是对大型数据集和基准测试的依赖。她主张这些方法往往无法应对现实世界的复杂性，并可能强化现有的不平等。她的批评引发了人工智能社群内部关于问责、透明性以及更具社会意识的发展实践的更广泛讨论。
算法伤害与偏见
比尔哈内工作的核心主题之一是识别和分析算法伤害。她记录了人工智能系统（包括大型语言模型和图像识别工具）如何对边缘化群体产生歧视性结果。她的研究表明，训练数据中往往包含历史偏见，而模型随后会放大这些偏见。这项研究已被政策辩论和行业指南引用，影响了各组织处理公平与偏见缓解的方式。
对基准测试的批判
比尔哈内一直直言不讳地批评人工智能研究中对标准化基准的过度依赖。她认为，测试集上的准确率等指标并不能充分衡量系统的社会影响或稳健性。在一篇被广泛讨论的论文中，她和同事分析了ImageNet数据集，揭示了错误标注图像和冒犯性类别等问题。这项工作推动了修订或淘汰问题数据集的努力，并引发了对更严格数据管理实践的呼吁。
以人为本的人工智能
她的观点强调在人工智能开发中以人的经验和社背景为中心的重要性。比尔哈内倡导参与式方法，让受影响的社群参与到技术的设计与评估中。她与认知科学、哲学和社会学等领域的学者合作，构建跨学科框架，以理解人工智能在社会中的角色。这项工作与更广泛的负责任创新和伦理治理运动相一致。
莫兹拉基金会的角色
在莫兹拉基金会，比尔哈内领导探索人工智能、公共利益与数字权利交叉领域的项目。她为阐述可信赖人工智能原则（包括公平、问责和透明）的报告和白皮书作出了贡献。她的职责包括就研究优先事项提供建议，并与政策制定者、公民社会组织和技术专家合作，以推动更安全的人工智能实践。她还曾在主要会议和大学（包括牛津大学和卡内基梅隆大学）发表演讲，分享她的研究成果。
主要出版物与认可
比尔哈内曾在领先的学术场所和期刊上发表论文，包括公平、问责与透明会议（FAccT）以及期刊《自然·机器智能》。她的论文《机器学习研究中编码的价值观》因其对该领域文化假设的分析而受到广泛关注。她被视为批判性人工智能研究领域的新兴声音，其工作被媒体报道和政策文件引用。她的贡献使她受邀加入多个人工智能伦理倡议的顾问委员会。
影响与未来方向
比尔哈内的研究对人工智能从业者和监管者思考伤害的方式产生了可衡量的影响。她的批评促使一些公司修订数据收集方法和评估标准。她继续研究新兴议题，如训练大型模型的环境成本以及人工智能在监控中的角色。截至2024年，她仍然是关于生成式人工智能未来及其社会影响辩论中的活跃声音，敦促人们保持谨慎并对技术乐观主义进行更深入的审视。