Angeliki Lazaridou是伦敦Google DeepMind的一位研究科学家，以在交互环境和多智能体系统中为大型语言模型提供基础（grounding）的研究而闻名。她的研究处于自然语言处理、强化学习和多模态学习的交叉领域，特别关注人工智能体如何通过交流和具身化（embodiment）获取和使用语言，而非依赖于静态文本语料库。
Lazaridou在多伦多大学完成了计算语言学博士学位，导师是Suzanne Stevenson，研究方向为语义表示和词汇习得。随后，她在牛津大学担任博士后职位，并于2016年加入DeepMind（现为Google DeepMind的一部分）。在DeepMind，她成为涌现交流（emergent communication）研究领域的领军人物，探索智能体如何发展出自己的语言以解决协作任务。
涌现交流与多智能体学习
Lazaridou在DeepMind的早期工作，通常与Karl Moritz Hermann等人合作，证明了强化学习智能体可以从零开始发展出具有组合性的通信协议。在一系列有影响力的论文中，她展示了在网格世界中训练指代物体的智能体能够演化出具有系统性结构的语言，尽管这些语言在效率和鲁棒性上往往与人类语言不同。她与Igor Mordatch合作的2017年论文《Multi-Agent Cooperation and the Emergence of (Natural) Language》成为该领域的奠基性参考文献，表明智能体可以在解决协作任务的同时通过离散符号学习交流。
这一研究方向进一步扩展到探讨影响类人语言特性（如组合性和歧义性）涌现的因素。Lazaridou的工作强调了交流成功与语言复杂性之间的权衡，并帮助理解了智能体何时以及为何会发展出共享约定。她的发现对设计更可解释和可控的AI系统，以及语言演化理论都具有启示意义。
在多模态和具身情境中为语言提供基础
Lazaridou研究的核心主题是基础化（grounding），即将语言符号与感知和物理体验联系起来。她致力于将视觉-语言模型与文本表示对齐，使智能体能够通过语言推理图像和视频。在2021年的一篇论文中，她和同事引入了一种方法，通过训练配对图像-文本数据为语言模型提供视觉世界的基础，提高了模型回答视觉问题和生成描述性标题的能力。
近期，Lazaridou专注于在交互式环境（如文本游戏和模拟世界）中为大型语言模型提供基础。这项工作旨在超越静态的预训练数据，使模型能够从反馈、探索和社会互动中学习。她参与了使用强化学习微调语言模型以实现目标导向行为的项目，包括导航和工具使用等任务，这些任务既需要语言理解，也需要规划能力。
对AI安全和评估的贡献
Lazaridou还为大型语言模型的评估和安全做出了贡献。她共同撰写了关于衡量生成文本事实准确性和一致性，以及检测和缓解模型输出偏差的工作。她的观点强调，通过真实世界互动提供基础可以减少幻觉并提高可靠性，因为模型被迫将其语言与可观察状态对齐。
在2023年，她参与了关于将生成式AI系统与人类价值观对齐的讨论和出版物，特别是在多智能体环境中模型需要相互协调并与人类协调的场景。她主张研究交流作为实现共同目标的手段的重要性，而非仅仅将其视为模式匹配任务。
代表性出版物和认可
Lazaridou的研究成果发表在NeurIPS、ICLR和ACL等顶级会议和期刊上。她的论文被引用数千次，并且她经常受邀在涌现交流和交互式AI相关研讨会上发言。
她曾担任主要NLP和机器学习会议的领域主席，并指导了Google DeepMind的众多实习生和学生。她的研究曾被大众科学媒体报道，突显了AI智能体发展出自己语言的惊人方式。
当前研究方向
截至2025年，Lazaridou继续探索如何将大型语言模型嵌入到能够在动态环境中感知、行动和交流的具身智能体中。她近期的项目涉及具有类人协商和合作能力的多智能体强化学习，以及使用世界模型来提升语言理解。她仍然是跨学科方法的积极倡导者，主张结合语言学、认知科学和计算机科学的见解。
她的工作被广泛视为弥合静态语言模型与交互式、有基础的智能之间的差距，这种智能是机器人技术、虚拟助手和协作AI系统等实际应用所需的。