丹尼·埃尔南德斯是一位隶属于Anthropic的研究员，该机构是一家人工智能安全与研究公司。他因对Artificial intelligence系统的实证研究而闻名，尤其是在分析计算资源、模型规模与Machine learning模型性能之间的关系方面。他的工作为关于Neural network架构扩展以及Generative AI发展更广泛轨迹的讨论提供了信息。
埃尔南德斯的研究侧重于量化先进人工智能系统的计算需求，通常借鉴OpenAI和Google DeepMind等主要行业参与者的数据。他发表的分析追踪了人工智能训练运行中计算量的增长，并将这些趋势与经济及环境成本联系起来。他的研究结果在关于计算治理以及硬件供应链战略重要性的辩论中被引用，包括TSMC和NVIDIA（一家在人工智能计算语境中常被讨论的公司，尽管不在提供的slug列表中）所扮演的角色。
计算与扩展定律
埃尔南德斯尤其以其在扩展定律方面的工作而闻名，这些定律描述了模型性能如何随着参数、数据和计算的增加而提升。他合著的研究记录了用于最先进人工智能训练的计算量呈指数级增长，在2012年至2018年间大约每3.4个月翻一番。这项分析在他任职于OpenAI期间发表，强调了人工智能发展的加速步伐，以及对来自AMD和Intel等制造商的专业芯片的相应需求。
他的研究还考察了扩展的收益递减现象，指出更大的模型需要越来越多的计算量才能获得边际收益。这对Large language model的设计以及支撑它们的Transformer (architecture)架构具有启示意义，因为研究人员必须在成本、性能和能耗之间取得平衡。
经济与政策影响
除了技术指标外，埃尔南德斯还探讨了人工智能计算的经济维度。他估算了训练前沿模型的硬件和电力成本，为行业和政策制定者提供了基准。他的工作表明，计算成本是一个关键的进入壁垒，可能将人工智能能力集中在少数资源充足的组织手中，例如Anthropic、OpenAI和Google DeepMind。
这些研究结果被用来主张人工智能发展应更加透明。埃尔南德斯倡导公开披露计算使用情况，他认为这能够更好地监督人工智能风险，包括潜在的滥用。他的观点与人工智能社区中关于计算治理必要性的更广泛讨论相一致，并提及了Amazon Web Services和Microsoft Azure等云服务提供商在托管大规模训练运行中的作用。
硬件与基础设施
埃尔南德斯的分析还涉及支持人工智能的硬件生态系统。他研究了不同芯片类型的相对效率，包括来自AMD的GPU以及AWS Trainium和Cerebras的晶圆级系统等专用加速器。他的工作常常将这些处理器的性能与Google Cloud的张量处理单元（TPU）进行对比，后者被用于许多Google DeepMind项目中。
他指出，主要人工智能参与者越来越依赖定制硅芯片，这是由通用GPU (in AI)的高成本和功耗需求所驱动的。这一趋势对Broadcom和Arm Holdings等为定制人工智能芯片提供组件的公司具有影响。
研究贡献与合作
在OpenAI任职期间，埃尔南德斯与David Kaplan和Jacob Steinhardt等研究人员合作进行了扩展定律研究。他们的联合论文为计算与损失之间的幂律关系提供了经验证据，这是现代Deep learning的基础性成果。他后来加入Anthropic，继续研究计算趋势以及先进人工智能系统的安全性。
他的工作已在主要人工智能会议上展示，并发表在预印本档案中，为公众理解人工智能的资源需求做出了贡献。他还参与了关于人工智能政策的国际讨论，包括考虑计算对国家安全的战略意义的简报。
遗产与影响
埃尔南德斯的研究帮助确立了计算量作为追踪人工智能进展的核心指标，与基准和模型能力并列。他的见解影响了研究人员、行业领袖和政府思考人工智能发展的方式，从硬件投资到监管框架。随着人工智能系统能力的增强，他对实证测量的强调继续塑造着该领域理解和治理这些技术的方法。
参见
参考文献
本文引用了归功于埃尔南德斯及其合作者的公开研究及行业报告。由于文章篇幅限制，具体引文被省略。