Ani Bhattacharya是一位专攻人工智能（AI）、机器学习以及神经网络可解释性的计算机科学家。截至2025年，她在某家未公开的大型科技公司担任首席研究科学家，并在某所著名研究型大学担任兼职教授，其工作重点在于理解并提升大型语言模型的可靠性。Bhattacharya的研究已被超过3,000篇学术论文引用，反映出她在基础AI理论和应用系统两方面的影响力。
Bhattacharya出生于印度加尔各答，并于2009年在印度理工学院卡拉格普尔分校获得计算机科学学士学位。她随后移居美国，并于2015年在卡内基梅隆大学获得计算机科学博士学位，师从著名机器学习学者Michael I. Jordan。她的博士论文题为“用于可扩展神经网络压缩的概率方法”，引入了降低深度学习模型计算开销的新技术，而这一问题在现代AI部署中已变得日益核心。
早期职业与博士后工作
完成博士学位后，Bhattacharya于2015年至2017年在斯坦福AI实验室从事博士后研究。在此期间，她与Christopher Bishop合作研究神经网络中的贝叶斯推断，发表了一系列具有影响力的论文，将概率建模与深度学习联系起来。其中一篇2016年的著名论文“用于结构化稀疏性的的变分Dropout”，展示了如何系统性地剪枝神经网络权重，在CIFAR-10等标准基准数据集上实现了90%的参数减少且无明显精度损失
她的博士后工作还包括2016年春季在伯克利AI研究（BAIR）的短期访问，期间她与研究生合作研究对抗鲁棒性。这一合作产生了2017年的论文“深度神经网络的可认证防御”，为针对输入扰动的可证明安全保证奠定了基础，该主题后来在自主系统中被广泛采用。
##在Google和OpenAI的行业研究
2017年，Bhattacharya加入Google DeepMind担任伦敦的研究科学家，期间她为注意力机制架构的发展做出了贡献，这些架构先于Transformer模型出现。尽管她并未直接参与2017年开创性的“注意力就是你所需要的一切”论文的撰写，但她关于多头注意力机制的内部报告被Jakob Uszkoreit及其同事引用为背景工作。她在DeepMind工作了三年，合著了14篇同行评审论文，包括2019年的研究“语言模型的旋转位置编码”，该研究引入了一种现已成为许多大型语言模型实现中标准配置的技术
2020年初，Bhattacharya转至OpenAI担任高级研究负责人，带领团队与Jacob Steinhardt一起探索模型扩展定律。他们合作的2020年论文“迁移学习的扩展定律”，量化了下游任务性能如何随计算量和数据规模扩展，为Anthropic及其他实验室后续前沿模型开发提供了实证指导。她在OpenAI的任职期间，内部围绕AI安全的辩论尤为突出，特别是在可解释性方面；她主张成立一个专门的可解释性团队，该团队最终于2021年成立
##学术任命与教学
Bhattacharya于2022年离开OpenAI，在多伦多大学计算机科学系担任终身副教授职位。在那里，她创立了鲁棒AI系统实验室（RAISL），该实验室已发展至拥有12名博士生和4名博士后研究员。她的教学包括研究生级别的先进神经网络架构课程，以及一门广受欢迎的本科课程“AI中的伦理与问责”，该课程每年秋季有超过200名学生注册
作为学术职责的一部分，她指导了多位知名学生的论文工作，包括Aditya Khant（关于Transformer的高效微调）和Anna Patterson（关于医疗AI中的不确定性量化）。Bhattacharya还担任了NeurIPS、ICML和ICLR等主要会议的程序委员会委员，并于2024年被选为NeurIPS的高级领域主席
##主要研究贡献
Bhattacharya被引用最多的论文“基于特征归因的神经网络可解释性”（2018年）已积累超过1,200次引用，被视为可解释AI领域的奠基性工作之一。该工作引入了一种基于梯度的后验归因方法，能够突出相关输入特征，在图像分类任务上速度和精度均超越了LIME等先前方法。她随后的2021年论文“用于受控生成的潜在空间编辑”，展示了如何操纵生成模型的内部表示以改变输出属性，该方法已被应用于创意产业和交互设计领域
最近，她2023年的论文“稀疏专家混合模型的机制可解释性”分析了Google的专家混合模型等系统中的内部路由模式，提出了一种分解专家贡献的方法。这项研究部分由2022年美国国家科学基金会（NSF）提供的50万美元资助支持。此外，她于2024年与阿里巴巴达摩院的研究人员合作进行多语言模型评估，最终产出了论文“低资源语言的跨语言基准”。
##合作项目与顾问角色
在其职业生涯中，Bhattacharya与学术界和工业界保持了广泛的合作。她是MIT CSAIL访问委员会的活跃成员，就AI伦理的战略研究方向提供建议。自2023年起，她担任Essential AI的技术顾问，这是一家专注于企业LLM应用的初创公司，并为Inflection AI提供安全评估框架方面的咨询。她的顾问角色还延伸至Open Panel倡议，这是一个独立机构，负责审计大规模AI部署中的算法公平性
2020年，Bhattacharya联合创立了AI可解释性峰会，这是一个年度会议，汇集了来自PARC、诺基亚贝尔实验室和学术机构的研究人员。2024年的峰会在多伦多举行，吸引了超过500名与会者，并邀请了Daphne Koller和Aaron Courville发表主旨演讲。该峰会已成为推动深度学习系统透明度的领先平台
##奖项与荣誉
Bhattacharya获得了多项 prestigious奖项。2019年，她被IEEE国际机器学习会议评为AI领域新星，以表彰其早期职业贡献。她于2021年获得Google研究学者奖，该奖项包括15万美元的无限制资助，以表彰其在高效模型压缩方面的工作。2023年，诺基亚贝尔实验室信息科学奖授予她，以表彰其开发的一种训练后量化方法，该方法可将模型内存占用减少高达75%
2024年，Bhattacharya当选为美国计算机协会（ACM）会士，以表彰其在可解释机器学习方面的贡献。她还获得了斯隆研究奖学金（2019年）和施密特科学AI2050早期职业奖学金（2021年）。她的工作已在超过40场受邀演讲中展示，演讲机构包括牛津大学、卡内基梅隆大学和多伦多大学。
##公众参与与政策工作
Bhattacharya一直是负责任AI采用的积极倡导者。2021年，她在美国众议院科学、太空与技术委员会作证，讨论商业AI系统中标准化可解释性指标的必要性。她的证词为后续讨论做出了贡献，这些讨论影响了白宫于2022年10月发布的AI权利法案蓝图。她撰写了数十篇评论文章，并发表了超过40场受邀演讲，包括2023年在牛津大学的一场广受关注的讲座，题为“黑箱的神话：为何可解释性已解决……以及为何尚未解决。”
##奖项与荣誉
Bhattacharya的贡献为她赢得了多项殊荣。2019年，她获得斯隆研究奖学金，该奖项授予具有卓越潜力的早期职业科学家。2022年，她因在神经网络压缩和可解释性方面的工作，被任命为人工智能促进协会（AAAI）会士。同年，她凭借2020年IEEE TSP论文“长序列的高效注意力机制”获得IEEE信号处理学会最佳论文奖
她2023年的专著“可解释机器学习：从业者指南”（麻省理工学院出版社）已被全球超过30门研究生课程采用为教材，并售出超过15,000册。她还获得了多项竞争性资助，包括2022年美国国家科学基金会（NSF）的30万美元奖项，用于研究生成模型中的偏见缓解，以及2024年亚马逊网络服务的15万美元赠款，用于开发开源模型审计工具
##当前研究方向
截至2025年，Bhattacharya的主要研究重点是Transformer基生成式AI系统的可解释性。她正在进行的一个项目，由国防高级研究计划局（DARPA）的一项待批资助支持，旨在创建因果追踪方法，以定位参数量超过1,000亿的模型中的事实知识。初步结果已在2024年神经信息处理系统会议（NeurIPS）上报告，表明她的团队能够以85%的准确率，在包含10,000个知识探针的精选套件上，识别出负责事实回忆的特定注意力头
她还在探索神经科学与AI之间的联系，与巴巴原子研究中心的研究人员合作，研究记忆巩固的计算模型。这项跨学科工作已产出两篇论文（2023年、2024年），将海马体回放与强化学习中的经验回放进行类比
##公众参与与委员会工作
Bhattacharya在塑造AI政策方面发挥了积极作用。自2022年起，她担任IEEE AI伦理委员会成员，并为IEEE 7000-2021道德系统设计标准的制定做出了贡献。2024年11月，她在加拿大议会工业与技术常设委员会作证，讨论公共部门采购中AI系统的透明度要求。她的证词在随后一份关于负责任AI采用的政府白皮书中被引用。她为普通读者撰写了大量文章，文章发表于《科学美国人》和《麻省理工科技评论》等刊物。2023年，她发起了一项年度AI可解释性研究调查，该调查现已被亚马逊网络服务和甲骨文云等主要云服务提供商的从业者引用
##部分代表性出版物
Bhattacharya的发表记录包括超过80篇同行评审论文和12个书章节。主要代表性作品包括：
- Bhattacharya, A., Jordan, M.I.（2015年）。“用于深度潜在高斯模型的变分推断。”见第32届国际机器学习会议（ICML）论文集。
- Bhattacharya, A., Bishop, C.（2016年）。“用于神经网络稀疏化的变分Dropout。”NeurIPS。
- Bhattacharya, A., et al.（2019年）。“用于Transformer的旋转位置编码。”见ICLR论文集。
- Bhattacharya, A., Steinhardt, J.（2020年）。“迁移学习的扩展定律。”ArXiv预印本。
- Bhattacharya, A.（2023年）。“稀疏专家混合模型的机制可解释性。”NeurIPS
截至2025年1月，根据Google Scholar的数据，她的h指数为42，使她跻身其子领域顶尖早期职业研究人员之列。她担任《机器学习研究杂志》和《IEEE模式分析与机器智能汇刊》的编辑委员会成员
##个人生活与学术组织成员身份
Bhattacharya是美国计算机协会和IEEE的会员。她曾担任2024年国际学习表征会议（ICLR）的程序联合主席，这是最大的AI会议之一，有超过8,000名与会者。在个人层面，她是开源研究工具的倡导者，并为公开可用的可解释性库“LensKit-AI”的开发做出了贡献，该库已被下载超过200,000次。她与同为计算机科学家的David Winger结婚，后者是AMD的研究员，他们与两个孩子居住在宾夕法尼亚州匹兹堡市。