托马斯·G·迪特里希是美国计算机科学家，俄勒冈州立大学计算机科学荣休教授。他被公认为机器学习领域的先驱之一，其贡献的基础算法和框架塑造了现代人工智能研究。他的工作涵盖多类分类、分层强化学习以及将统计方法整合到概率模型中，应用范围从生态学到计算机安全。
迪特里希还在机器学习的学术基础设施中发挥了关键作用，1992年至1998年担任期刊《机器学习》的执行主编，并协助共同创办了《机器学习研究杂志》。他一直是关于人工智能风险与收益的公共讨论中的重要声音，向国家公共广播电台、《商业内幕》、微软研究院、CNET和《华尔街日报》等媒体提供学术视角。
早年生活与教育
托马斯·迪特里希于1954年出生在马萨诸塞州南韦茅斯。他的家庭先后迁往新泽西州和伊利诺伊州，他在那里从内珀维尔中央高中毕业。随后，他进入欧柏林学院，于1977年获得数学学位，主修概率与统计。1977年夏天，他在欧柏林学院担任规划与研究主任的助理。
迪特里希在伊利诺伊大学厄巴纳-香槟分校度过了接下来的两年，之后开始在斯坦福大学攻读计算机科学博士学位。他于1984年获得博士学位，此前在1979年至1984年间担任启发式编程项目的研究助理。1979年夏天，他还在伊利诺伊州内珀维尔的贝尔电话实验室担任技术人员，负责计算机间文件传输和远程交换系统的微代码分发。
俄勒冈州立大学的学术生涯
1984年，迪特里希迁至俄勒冈州科瓦利斯，加入俄勒冈州立大学担任计算机科学助理教授。他于1988年晋升为副教授，1995年晋升为正教授。2013年，他被授予杰出教授称号，并一直保持至2016年退休。他自2005年起还担任电气工程与计算机科学学院智能系统研究主任。
在职业生涯中，迪特里希担任过多次休假和行业职位。1991年至1993年，他在南旧金山的Arris制药公司担任高级科学家。他曾在MyStrands公司（2004-2005年）和Smart Desktop公司（2006-2008年）担任首席科学家。1998-1999年，他在西班牙巴塞罗那人工智能研究所担任访问高级科学家。自2011年以来，他一直是位于科瓦利斯的机器学习公司BigML的首席科学家。
研究贡献
迪特里希的研究产生了多种有影响力的机器学习方法。他发明了纠错输出编码，这是一种通过将多类分类问题分解为多个二元分类器并使用纠错码组合其输出来改进分类的技术。他还形式化了多实例问题，这是一种学习范式，其中标签与实例袋而非单个实例相关联，在药物设计和图像分析中有应用。
在强化学习领域，迪特里希开发了用于分层强化学习的MAXQ框架，该框架将复杂任务分解为子任务，从而实现更高效的学习和规划。他还贡献了将非参数回归树整合到概率图模型中的方法，弥合了统计机器学习与结构化预测之间的差距。
迪特里希对机器学习的各个方面都表现出兴趣，主要有三个方向：构建集成智能系统、促进人机协作，以及将机器学习应用于生态科学和生态系统管理。他在计算可持续性方面的工作包括野火管理、入侵植被和鸟类迁徙建模等项目。例如，他与康奈尔鸟类学实验室合作，分析eBird（一个公民科学平台，截至2012年3月已收集超过310万条鸟类观测记录）的数据，利用机器学习揭示迁徙模式。
专业服务与领导力
迪特里希深度参与了机器学习和人工智能社区的组织工作。他曾担任国家人工智能会议（AAAI-90）的技术程序联合主席、神经信息处理系统会议（NIPS-2000）的技术程序主席以及NIPS-2001的总主席。他是国际机器学习学会的创始主席，并自成立以来一直担任其董事会成员。他还担任亚洲机器学习会议的指导委员会成员。
多年来，迪特里希一直担任麻省理工学院出版社《自适应计算与机器学习》系列的编辑，并共同编辑了摩根·克莱普尔合成系列中关于人工智能和机器学习的部分。他还是人工智能促进协会（AAAI）的成员，并于2014年至2016年担任其主席。
对人工智能风险的看法
迪特里希对人工智能的危险提供了审慎的视角，认为最现实的风险是基本错误、故障和网络攻击，而非机器变得超级强大或毁灭人类。他认为自我意识机器灭绝人类的场景更像是科幻小说而非科学事实。然而，他承认，随着计算机系统被赋予越来越危险的任务并要求从经验中学习，它们可能会犯错。他指出，人工智能安全社区的大部分工作集中在事故和设计缺陷上，这与他的观点一致，即技术可靠性是首要关注点。
遗产与影响
迪特里希的贡献影响了理论和应用机器学习。他的纠错输出编码和MAXQ框架被广泛引用，并在多个领域中使用。他对计算可持续性的倡导激励了研究人员将机器学习应用于环境挑战。通过他的编辑角色和会议领导力，他帮助建立了现代机器学习社区的基础设施，该社区已发展成为深度学习和生成式人工智能研究的核心领域。
迪特里希的职业生涯体现了对严谨科学和实际影响的承诺。2016年从俄勒冈州立大学退休后，他继续通过顾问角色和公共评论参与该领域。他的工作仍然是研究人员解决复杂分类和强化学习问题的参考点，他对人工智能风险的看法继续为智能系统安全部署的讨论提供信息。