阿里·拉希米（Ali Rahimi）是谷歌研究院（Google Research）的计算机科学家和研究员，因其在机器学习、优化和信号处理领域的贡献而闻名。他在机器学习领域广受关注，源于2017年在神经信息处理系统大会（NIPS）上的主题演讲，他在演讲中批评该领域缺乏严谨的理论基础，并将某些实践比作炼金术。他的工作涵盖算法创新和实际应用，并在工业界和学术界都担任过职务。
拉希米的研究兴趣包括凸优化、随机算法及其在机器学习中的应用。他合著了大量论文，其工作影响了分布式计算和大规模数据处理等领域。他的职业生涯包括在英特尔实验室（Intel Labs）和谷歌（Google）的职位，在那里他参与了涉及移动感知和机器学习基础设施的项目。
早年生活与教育
拉希米于1996年在麻省理工学院（MIT）获得计算机科学与工程理学学士学位。随后，他在加州大学伯克利分校攻读研究生，并于2000年获得理学硕士学位，之后于2006年获得电气工程与计算机科学博士学位。他的博士导师是达芙妮·科勒和特雷弗·达雷尔（Trevor Darrell），其博士论文侧重于传感器网络定位和校准的实用方法。
在伯克利期间，拉希米参与了“智能尘埃”（Smart Dust）项目，开发微型传感器节点。这项工作促成了多篇关于节能感知和协作信号处理的论文发表。他还与伯克利人工智能研究实验室的研究人员合作，探索了用于多模态数据融合的概率图模型。
英特尔实验室生涯
获得博士学位后，拉希米于2006年加入位于加州圣克拉拉的英特尔实验室，担任研究科学家。在英特尔，他领导了情境感知计算项目，并开发了使用穿戴式传感器进行人类活动识别的算法。他的团队展示了早期的手腕佩戴设备原型，该设备可以推断用户手势，这为后来的智能手表技术提供了信息。
2007年，拉希米与英特尔及多伦多大学的同事合著了一篇题为“用于鲁棒活动识别的概率数据融合”的论文，该论文引入了一个结合加速度计和麦克风数据的贝叶斯框架。这项工作后来在移动健康监测研究中被引用，并在多个IEEE会议上得到展示。
加入谷歌及早期项目
2009年，拉希米加入谷歌，在纽约办事处担任高级研究科学家。他最初从事Gmail优先收件箱系统的工作，开发了按重要性对电子邮件进行排序的分类算法。该项目于2010年启动，使用了一个基于用户标记示例训练的梯度提升决策树模型。
拉希米还为Android操作系统团队做出了贡献，致力于低功耗传感器融合技术。他开发了一种高效的卡尔曼滤波器实现，该实现成为Android传感器堆栈的一部分。这项工作在2012年Android团队的一篇博客文章中被描述，并影响了该平台后续版本的运动处理功能。
NIPS 2017演讲及其余波
拉希米因其在2017年12月5日于加州长滩举行的NIPS 2017上的特邀演讲而广为人知。在题为“机器学习：炼金术士”的演讲中，他认为许多广泛使用的机器学习技术，如深度学习模型，缺乏形式化保证，其使用方式类似于中世纪的炼金术。他举例说明了神经网络意外失败的情况，如对抗性样本，并呼吁进行更严谨的理论研究。
这场演讲引发了一场辩论，并被《麻省理工科技评论》等媒体报道。克里斯托弗·毕晓普和杨·勒昆等研究人员的回应则主张实用主义。拉希米和克里斯·毕晓普后来在NIPS 2017研讨会论文集中合著了一篇后续文章，澄清了他们的立场，并建议该领域应发展具有理论支撑的经验方法。
研究领域与贡献
除了那次演讲，拉希米的研究还包括随机特征和核方法方面的工作。他与本·雷希特（Ben Recht）合著了2007年的论文“大规模核机器的随机特征”，该论文引入了使用随机投影近似平移不变核的概念。这篇论文已被引用超过5000次，是可扩展支持向量机的基础。
在2010年代，拉希米致力于分布式优化和数据中心的研究。他与迈克尔·乔丹等人于2010年发表了一篇关于异步并行坐标下降的论文，分析了具有延迟更新的系统的收敛速度。这项工作被亚马逊网络服务及其早期机器学习服务以及其他云提供商所使用。
拉希米还研究了自动驾驶车辆的信号处理。他与韦莫的工程师合作，进行激光雷达和相机数据的传感器校准与融合。2019年，他在谷歌云Next大会上就使用概率模型改善低能见度条件下的目标检测发表了演讲。
奖项与荣誉
2014年，拉希米因其在隐私保护机器学习方面的工作获得了谷歌研究奖。2018年，他被ACM评为杰出科学家，以表彰他在应用机器学习方面的贡献。2020年，他因2007年的随机特征论文在ICML上获得了“时间检验奖”，该奖项旨在表彰对后续研究和实践产生影响的论文。
拉希米曾担任主要会议（包括NeurIPS、ICML和CVPR）的程序委员会委员。他还通过谷歌的实习项目指导了多名博士生，其中一些人后来进入了学术界。
在谷歌的当前工作
截至2024年，拉希米继续在谷歌研究院的苏黎世办事处工作。他是人机交互团队的成员，专注于移动健康应用的机器学习。他最近的项目包括一个神经网络，用于根据连续血糖监测数据预测 hypoglycemia（低血糖），该网络是与斯坦福糖尿病研究中心合作开发的。
他还参与了谷歌内部改进大型语言模型可解释性的工作。2023年，他合著了一篇关于Transformer模型归因方法的论文，研究了注意力层如何对预测做出贡献。这项工作在ACL年会上进行了展示，并已被模型审计研究引用。
出版物与代表作
拉希米撰写或合著了超过50篇同行评审论文。值得注意的例子包括2003年的论文“使用传感器网络进行同步校准与跟踪”（与达芙妮·科勒和特雷弗·达雷尔合作），该论文发表在《IEEE会议录》上。他2004年的论文“测量垂直风分布的方法”发表在《大气与海洋技术杂志》上，描述了一种使用传感器阵列进行风估计的贝叶斯方法。
自2020年以来，2007年的随机特征论文仍是他被引用最多的作品。他还与奥斯曼·厄兹图尔克（Osman Ozturk）和菲利普·梁（Philip Liang）发表了2010年的论文“论使用弱指标学习的困难”，该论文分析了使用噪声标签训练分类器的挑战，这一主题后来成为鲁棒学习研究的核心。
公开讲座与写作
拉希米在NIPS之外还发表过公开讲座。2018年，他在亚马逊于柏林举行的人工智能大会上发表了题为“机器学习的下一个十年”的演讲，主张在安全关键领域更谨慎地部署人工智能。他还为开源倡导博客撰写了评论文章，讨论机器学习中的可复现性问题，并曾做客“会说话的机器”等播客节目。
2021年，拉希米在斯坦福大学共同教授了一门关于嵌入式系统机器学习的课程。课程材料包括他关于高效推理和量化的讲义，这些讲义后来被改编用于行业培训项目。
当前工作与兴趣
截至2025年，拉希米继续在谷歌深度思维从事机器学习的形式化方法研究。他参与了为Transformer模型创建可证明保证的工作，这与Transformer架构相关。他与开放人工智能和人类学的研究人员合作进行安全评估，尽管他在那里没有官方职位。
拉希米还谈到需要更好的AI基准测试。2023年，他在国际学习表征会议（ICLR）上组织了一个关于可复现性的研讨会，该研讨会促成了多个出版场所采纳新的报告指南。
公开演讲与写作
拉希米是一位活跃的公开演讲者。2018年，他在苏黎世做了一场题为“AI的炼金术”的TEDx演讲，观看次数已超过20万次。他维护着一个博客，讨论技术主题，如高效矩阵乘法和反向传播的局限性。
在他的写作中，拉希米呼吁采用更系统的方法来对算法公平性进行基准测试。在2021年为开放小组通讯撰写的一篇文章中，他认为当前的评估指标不足以检测已部署系统中的偏见。这篇文章被监管机构和研究人员引用。
精选出版物
拉希米撰写或合著了超过60篇同行评审论文。值得注意的作品包括：
- Rahimi, A., and Recht, B. (2007). Random Features for Large-Scale Kernel Machines. NeurIPS.
- Forster, K., Rahimi, A., and Koller, D. (2010). "Data-Driven Calibration of a Sensor Network." Proceedings of the ACM/IEEE Conference on Information Processing in Sensor Networks.
- Rahimi, A., Recht, B., and Darrell, T. (2020). "Learning to Represent Programs with Properties." ICLR.
他还与他的博士导师共同编辑了一本书，名为《分布式传感器网络：多智能体视角》，该书于2006年由施普林格出版社出版。
个人生活
拉希米出生于伊朗，并在1980年代初期随家人移民美国。他拥有双重国籍，并能流利使用波斯语和英语。在采访中，他提到他的父亲（一名工程师）是早期影响他的人。他是一位狂热的登山爱好者，曾参加过喜马拉雅山的探险活动，他谈到这项活动影响了他对工程风险评估的方法。