詹妮弗·图尔·查耶斯是一位数学家兼计算机科学家，其研究涵盖统计物理学、图论以及机器学习的理论基础。截至2025年，她担任加州大学伯克利分校信息学院院长，同时也在电气工程与计算机科学系和统计学系任职。她的职业生涯跨越学术界与工业界，包括在微软研究院长期任职，期间她共同创立并领导了理论组，随后又建立了微软研究院新英格兰和纽约市实验室。
查耶斯在卫斯理大学获得数学和物理学学士学位，并在普林斯顿大学获得数学物理学博士学位。她早期研究聚焦于相变和随机图，为统计力学现象的严格理解做出了贡献。这项工作为后来在计算机科学领域的贡献奠定了基础，尤其是在算法分析和复杂网络行为方面。
学术与研究经历
在加入微软之前，查耶斯是加州大学洛杉矶分校的数学教授，并曾在麻省理工学院和华盛顿大学任职。她在1980年代和1990年代的学术工作包括关于随机曲面几何和自旋玻璃动力学的有影响力的论文，这些研究通常与她的丈夫克里斯蒂安·博格斯合作完成。他们关于随机簇模型“自由边界”问题的联合研究有助于阐明渗流理论与相变之间的联系。
在微软研究院的领导工作
查耶斯于1997年加入微软研究院，担任高级研究员，并迅速成为杰出科学家。2008年，她在马萨诸塞州剑桥市共同创立了微软研究院新英格兰实验室，并担任其董事总经理。两年后，她协助建立了微软研究院纽约市实验室，专注于计算社会科学和数据科学。在她的领导下，这些实验室以结合计算机科学与经济学、社会学和生物学的跨学科工作而闻名。她还在微软早期的机器学习计划中发挥了关键作用，包括大规模数据分析和算法博弈论项目。
对机器学习和人工智能的贡献
查耶斯后来的研究转向了人工智能和深度学习的理论基础。她发表了关于神经网络泛化性质、损失景观几何以及训练大型模型的高效算法设计的论文。她与纳夫塔利·蒂什比和比尔·波尔共同开发的信息瓶颈方法，为理解神经网络如何在保留相关信息的同时压缩输入数据提供了一个框架。这一研究方向影响了后续关于现代大型语言模型可解释性和鲁棒性的研究。
伯克利信息学院
2023年，查耶斯被任命为伯克利信息学院院长，接替安娜莉·萨克森尼安。在这一角色中，她强调了在开发生成式AI系统时将技术严谨性与政策和伦理考量相结合的重要性。她倡导跨学科课程，以培养学生应对错误信息、算法偏见和数据隐私等社会挑战。在她的领导下，学院扩大了与工业和政府的合作伙伴关系，包括与谷歌云和亚马逊网络服务在负责任AI研究方面的合作。
荣誉与认可
查耶斯是美国科学促进会、数理统计学会和计算机协会的会士。她曾获得Lady Davis奖学金和洪堡研究奖。2019年，她因对数据科学和机器学习理论与实践贡献而当选为美国国家工程院院士。她还曾担任OpenAI和谷歌DeepMind的顾问委员会成员，这反映了她在理论研究和应用AI开发之间架起桥梁的地位。
代表性出版物与影响
在她被引用最多的论文中，包括关于随机图模型中的相变、互联网图结构的稳定性以及复杂网络中邻接矩阵谱性质的论文。她2015年的论文《深度学习的信