开拓性研究科学家被任命为为期 3 年的资助期限，研究自然和人工系统中的智能基础

肯普纳研究所最新的副教员是（左起）Boaz Barak、Susan Murphy、Samuel Gershman 和 Marinka Zitnik。

马萨诸塞州剑桥——哈佛大学肯普纳自然与人工智能研究所很高兴地宣布任命 Boaz Barak、Samuel Gershman、Susan Murphy 和 Marinka Zitnik 为副教员。

这四位新任命者都是现任哈佛大学教员，他们的开创性工作推进了肯普纳研究所研究自然智能和人工智能交叉的科学使命。四名新任命的副教员将于 7 月 1 日在肯普纳开始任命。

Boaz Barak是 Gordon McKay 计算机科学教授，研究深度学习的基本属性，包括深度学习的工作原理及其底层表示。Barak 研究资源（例如，计算、内存、数据）和性能（例如，准确性、泛化性、鲁棒性）之间的固有权衡。这种权衡是设计新人工智能系统的核心，也可能限制自然智能的进化。他的研究旨在揭示智能的基本功能，而不是特定的架构或应用程序，这可能会增进我们对自然智能基本原理的理解。

Samuel Gershman是心理学教授，研究领域为人工智能 (AI)、认知科学和神经生物学的交叉领域。他的实验室开发了认知模型来解释人类智能的计算起源，然后使用行为和神经方法进行实验测试。格什曼还广泛合作研究非人类动物，以测试机械神经生物学模型。他曾与多个小组合作测试强化学习模型的预测，这些模型通常来自人工智能，旨在了解自然智能和人工智能之间的异同。

Susan Murphy，Mallinckrodt 统计学和计算机科学教授，研究人工智能（决策算法）和自然智能（认知、行为科学）之间的接口。墨菲的工作旨在开发和应用新的人工智能技术，造福人类，包括开发专门用于提供治疗的在线自主强化学习（RL）算法，以帮助个人更好地自我管理慢性疾病。她与由工程师、人类计算机科学家和行为/认知健康科学家组成的大型跨学科团队合作，在现实生活中的健康临床试验中设计和实施强化学习算法。

马林卡·齐特尼克生物医学信息学助理教授，致力于通过开发结合几何、图形结构和对称性并以领域知识为基础的机器学习 (ML) 方法，更好地理解自然和人工系统中智能的基础。她将机器学习研究转化为学习系统，包括预训练、自监督和通用模型，这些模型在大规模数据上进行训练，非常高效，并且可以泛化到训练期间未遇到的数据。Zitnik 的研究受到个体化医学以及药物设计和治疗科学挑战的推动。除了阐明哪些机器学习方法最适合生物医学应用的基础及其原因之外，

巴拉克、格什曼、墨菲和齐特尼克与之前宣布的四名副教员一起组成了肯普纳学院的首批副教员，帮助制定肯普纳研究所的教育和研究重点。

关于肯普纳研究所

肯普纳研究所致力于通过招募和培训未来几代研究人员从生物、认知、工程和计算角度研究智能，来了解自然和人工系统中智能的基础。其大胆的前提是自然智能和人工智能领域是紧密相连的；下一代人工智能 (AI) 将需要与我们的大脑用于快速、灵活的自然推理相同的原理，并通过为 AI 开发的理论来阐明我们的大脑如何计算和推理。加入Kempner 邮件列表以了解更多信息并接收更新和新闻。