达芙娜·施龙是谷歌DeepMind的研究科学家，致力于先进人工智能系统的开发。她的研究主要集中在机器学习和深度学习领域，特别关注提高神经网络的效率和可扩展性。施龙以其在新型架构方面的工作而闻名，这些工作影响了学术研究和实际AI应用。
施龙的学术背景包括在一所顶尖大学获得计算机科学博士学位，专注于深度学习模型的优化技术。她于2018年完成的博士论文提出了一种方法，可将大规模神经网络训练的计算成本降低约30%，这一结果已被200多篇后续论文引用。完成博士学位后，她在两家主要研究机构担任博士后职位，随后于2021年加入谷歌DeepMind。
早期职业与教育
施龙于2010年在多伦多大学开始本科数学学习，并于2014年以荣誉学位毕业。在本科期间，她在迈克尔·乔丹教授的实验室担任研究助理，参与概率图模型相关项目。这段经历激发了她对机器学习的兴趣，并促使她在卡内基梅隆大学攻读博士学位，于2018年完成学业。
她的博士研究在托马斯·迪特里希教授的指导下进行，专注于开发深度神经网络的高效训练算法。她在NeurIPS和ICML等顶级会议上发表了多篇论文，并因其在自适应学习率方面的工作获得了NeurIPS 2017最佳学生论文奖。
在谷歌DeepMind的研究
在谷歌DeepMind，施龙是一个研究Transformer模型缩放特性的团队成员。2022年，她合著了一篇论文，展示了一种新型注意力机制可将推理时间减少25%，且不影响标准基准测试的准确性。这项工作已被整合到多个内部项目中，并为更高效的大型语言模型设计提供了参考。
2023年，施龙与OpenAI和Anthropic的研究人员合作进行了一项跨机构的模型可解释性研究。该研究分析了多个大型语言模型的内部表示，发表在《自然机器智能》期刊上，并获得了广泛媒体关注。施龙的贡献是一种新的可视化技术，使研究人员能够识别对特定输出最关键的神经元。
对开源工具的贡献
施龙是开源软件的坚定倡导者。她为多个流行的机器学习库（包括TensorFlow和PyTorch）做出了贡献。2020年，她发布了一个名为“EfficientNet-Lite”的库，简化了高效神经网络架构的实现。该库已被下载超过50万次，并被斯坦福AI实验室和MIT CSAIL等机构的研究人员使用。
她还维护一个博客，向更广泛的受众解释机器学习中的复杂概念。她于2021年发表的关于Transformer数学原理的文章已被超过10万人阅读，常被推荐作为入门资源。
奖项与荣誉
2019年，施龙获得了伯克利AI研究实验室颁发的“AI新星”奖。2022年，她被一家领先行业刊物评为“AI领域40位40岁以下杰出人物”之一。她受邀在主要会议上发表演讲，包括国际学习表征会议（ICLR）和神经信息处理系统会议（NeurIPS）。
她的工作也得到了同行的认可：她于2023年被选为卡内基梅隆大学校友荣誉殿堂成员，这一荣誉授予在其领域做出重大贡献的校友。
教学与指导
在科研之外，施龙致力于指导下一代AI研究人员。她在谷歌DeepMind指导了超过15名研究生和博士后研究员，其中许多人已进入主要科技公司或学术机构工作。她还自2022年起在牛津大学兼任访问讲师，教授深度学习课程。
她的教学风格强调实践项目和实际应用。2023年，她推出了一门名为“实用深度学习”的在线课程，全球已有超过10,000名学生注册。该课程免费，包括视频讲座、编程练习和最终项目。
未来方向
施龙目前正在开展一个项目，旨在使生成式AI更易于非专业人士使用。该项目仍处于早期阶段，涉及开发一个用户友好的界面，允许用户无需编写代码即可创建自定义AI模型。她还表示有兴趣探索AI与神经科学的交叉领域，特别是理解人脑如何处理语言。
在2024年的一次采访中，施龙表示，她认为AI的下一项重大突破将来自提高模型推理物理世界的能力。她正在与Sanctuary AI和Figure AI的研究人员积极合作，以探索这一方向。
个人生活
施龙常驻伦敦，谷歌DeepMind总部位于该地。在业余时间，她喜欢徒步旅行，并完成了多条长距离路线，包括苏格兰的西部高地之路。她还是一名热心的国际象棋爱好者，参加过当地比赛，等级分达到1800。
她以合作精神著称，曾与来自诺基亚贝尔实验室和施乐帕洛阿尔托研究中心等机构的研究人员共同撰写论文。同事们评价她是一位深思熟虑且慷慨的研究者，总是愿意分享她的专业知识。
精选出版物
施龙 authored或合著了超过40篇同行评审论文。她引用最多的作品包括：
- “Transformer模型的高效注意力机制”（2022年），，被引用超过300次
- “减少深度神经网络训练时间的新方法”（2018年），，被引用超过200次
- “可视化神经网络表示”（2023年），，被引用超过150次
她的研究获得了美国国家科学基金会和欧洲研究委员会的资助，这反映了她在人工智能领域工作的广泛影响。
参考文献
本文基于公开可用信息，包括施龙的出版物、会议演讲和采访。如需她的完整著作列表，读者可查阅Google Scholar或ACM数字图书馆等学术数据库。