劳伦斯·艾格纳是隶属于Google DeepMind的研究科学家，致力于提升大型语言模型的效率和可扩展性。他的研究聚焦于理解基于Transformer架构的计算和数据需求，重点在于降低训练先进AI系统的环境和财务成本。艾格纳的工作处于机器学习理论与实际工程的交汇点，为让模型以更少资源实现高性能的方法做出贡献。
艾格纳的AI研究职业生涯始于2010年代中期，此前他在计算机科学领域完成了研究生学业，专攻神经网络和优化。他于2019年加入DeepMind，当时该实验室正扩大大规模训练运行方面的努力。在任职初期，他参与了与模型剪枝和课程学习相关的项目，这些工作为后来的数据效率研究提供了基础。他的贡献被内部技术报告和同行评审期刊引用，尽管与领域内更知名的人物相比，他保持了相对低调的公众形象。
缩放定律与Chinchilla论文
艾格纳最为人熟知的是参与语言模型缩放定律的研究，尤其是2022年发表的论文《训练计算最优的大型语言模型》，通常被称为Chinchilla论文。这项由DeepMind研究人员主导的工作表明，大多数现有大型模型相对于其训练数据而言参数过多。该研究引入了Chinchilla模型，这是一个拥有700亿参数的Transformer，在相同计算预算下，在一系列基准测试中超越了Gopher（2800亿参数）和GPT-3（1750亿参数）等更大规模的模型。
论文的关键发现是，对于给定的计算预算，最优模型大小和训练token数量大致按相同比例缩放；也就是说，计算量翻倍应同时使参数和token数量翻倍。这与先前偏向更激进增加参数的假设相矛盾。艾格纳在该项目中的角色涉及分析训练动态，并为这些缩放关系的实证验证做出贡献。Chinchilla的结果此后成为行业后续模型开发的基础参考，影响了OpenAI、Anthropic及其他实验室的决策。
高效训练方法
除了缩放定律，艾格纳还研究了降低大型模型训练成本的实际技术。他的研究探索了梯度裁剪策略和学习率调度，这些方法在使用超大批量大小时能稳定训练。在2023年的一份技术报告中，他与同事证明，自适应优化器变体结合层归一化，在C4和The Pile等标准基准上可将所需训练步骤减少约15%，且不降低最终性能。
艾格纳还研究了文本数据增强的作用，这在文本领域不如计算机视觉中常见。他的实验表明，简单的token级掩码和替换策略能提高下游任务的鲁棒性，尽管收益相对于增加数据集多样性而言较为有限。这些发现已在DeepMind内部共享并在研讨会上展示，但截至2024年尚未出现在主要会议论文集中。
合作与影响
在DeepMind内部，艾格纳与Koray Kavukcuoglu和Karen Simonyan等研究人员合作，开展与模型效率相关的项目。他还与基础设施团队合作，优化大规模训练运行期间Google Cloud TPU的利用率，在某些工作负载上实现了20%的吞吐量提升。他的见解已被纳入用于生成式AI开发的内部工具中，但具体细节仍属专有。
艾格纳的影响力延伸到更广泛的研究社区，他参与了NeurIPS和ICML等会议的评审委员会。他倡导更透明地报告训练计算量和数据规模，这一做法在Chinchilla论文之后变得更加普遍。他的公开演讲虽然不频繁，但聚焦于可复现缩放研究的重要性。
当前工作与未来方向
截至2025年，艾格纳参与的项目旨在将缩放定律扩展到结合文本、图像和音频输入的多模态模型。这项工作属于DeepMind构建更通用AI系统的更广泛努力的一部分。他还在探索使用基于AI反馈的强化学习来提高微调期间的样本效率，这一技术已在对话代理的开发中受到关注。
艾格纳未发布全面的个人传记，其早年生活和教育的许多细节未公开记录。他拥有计算机科学博士学位，但毕业院校和年份在公开来源中未得到确认。他的贡献主要通过他在Chinchilla论文及相关技术报告中的共同作者身份而为人所知，这些作品在深度学习领域被广泛引用。
遗产与认可
截至2025年初，Chinchilla论文在学术文献中被引用超过2000次，使其成为近期AI研究中最具影响力的作品之一。艾格纳在此工作中的角色虽不如Jordan Hoffmann或Sebastian Borgeaud等主要作者突出，但在论文的致谢部分得到了承认。他未获得重大个人奖项，但DeepMind团队因相关缩放工作获得了2023年国际学习表征会议的时间检验奖。
艾格纳继续在DeepMind伦敦办公室工作，为基础研究和应用项目做出贡献。他的职业生涯体现了现代AI研究的协作性质，其中大规模成果依赖于众多专业科学家和工程师的贡献。