Shmuel Ur是以色列计算机科学家和人工智能研究员，以其在机器学习系统测试与验证方面的工作而闻名。他的职业生涯包括在IBM Research的重要贡献以及与学术机构的合作，专注于确保AI应用的可靠性和安全性。
Ur的早期工作集中在软件测试和形式化验证领域，在IBM任职期间，他在这些领域发表了大量论文。后来，他将研究重点转向机器学习带来的挑战，特别是神经网络和其他AI模型对稳健测试方法的需求。他的研究弥合了传统软件测试与学习系统独特属性（如非确定性和对输入扰动的敏感性）之间的差距。
早期职业生涯与IBM Research
Ur于1990年代加入IBM Research，从事硬件和软件验证工作。在以色列的IBM海法研究实验室，他参与了涉及模型检查和复杂系统测试生成的项目。在此期间的工作为他后来对AI验证的兴趣奠定了基础，因为他将形式化方法应用于日益复杂的软件系统。
转向AI验证
到2010年代中期，Ur已将注意力转向机器学习和深度学习系统。他认识到传统测试技术不足以验证神经网络模型的行为，这些模型通常作为黑盒运行。他的研究提出了系统生成测试用例的方法，以暴露AI系统中的漏洞，包括导致错误分类的对抗性示例。这项工作与AI社区为确保关键应用中模型稳健性所做的更广泛努力相一致。
学术与行业合作
Ur曾在以色列理工学院（Technion – Israel Institute of Technology）和特拉维夫大学等机构担任访问职位并与研究人员合作。他还与行业合作伙伴（包括三星研究院和英特尔）合作开展与AI安全相关的项目。他的咨询工作侧重于为AI产品开发验证框架，尽管这些合作的具体细节未公开记录。
主要出版物与贡献
Ur已撰写或合著了超过50篇同行评审论文，其中许多发表在《国际软件工程会议》和《IEEE软件工程汇刊》等场合。值得注意的作品包括关于神经网络覆盖标准以及检测AI模型偏差方法的研究。他的论文经常被从事AI测试的研究人员引用，表明他在这一细分领域的影响力。
后期工作与当前焦点
近年来，Ur探索了AI与形式化验证的交汇点，倡导在部署AI系统之前采用更严格的方法进行验证。他在会议上谈论了不可靠AI的伦理影响，强调透明度和问责制的必要性。截至2025年，他继续通过独立研究和咨询角色为该领域做出贡献。
遗产与影响
Ur的工作帮助将测试与验证确立为人工智能研究中的一个关键子领域。通过将经典验证技术适应机器学习的挑战，他影响了学术研究和行业实践。他的努力是更广泛运动的一部分，旨在确保AI系统不仅强大，而且值得信赖。
参考文献
本文基于公开可用的信息，包括Ur的发表记录和会议演示。具体日期和隶属关系来自他的职业历史，但由于公开来源有限，某些细节仍未得到验证。