就在剛剛，哈佛華人研究員Jeffrey Wang正式官宣加入OpenAI——

將作為基礎團隊研究員，負責模型預訓練和推理。

消息公布后，OpenAI聯創&總裁Greg Brockman也在第一時間帶隊歡迎。

在這之前，Jeffrey Wang在哈佛一邊教課一邊研究機器學習。

從哈佛加入OpenAI，高中入圍美國“少年諾貝爾獎”

在從加利福尼亞一所高中畢業后，Jeffrey Wang于2021年本科入學哈佛，專業為數學和計算機科學，同時輔修了英語。

從今年9月開始，他就已經在為OpenAI工作，也許是這幾個月的經歷，讓他最終決定現在加入OpenAI。

實際上，在哈佛期間，還是學生的Jeffrey Wang已經開始一邊教課一邊研究機器學習了。

從去年1月開始，他為計算機科學和統計學系的61名學生講課。

而且同一時間，還兼顧著工程與應用科學學院研究員一職，主要方向為機器學習模型的魯棒性和隱私性。

期間擔任共同一作的兩篇論文還分別亮相了NeurIPS SoLar（2023）和ICML（2024）研討會。

第一篇《MoPe : Model Perturbation-based Privacy Attacks on Language Models》
MoPe：基于模型擾動的語言模型隱私攻擊

簡單理解，這篇論文提出了MoPe（Model Perturbations）這種新檢測工具，它能幫助人們判斷某個特定的文本是否被用來訓練過大語言模型。

這個工具通過在模型參數中加入一些擾動（噪聲），然后觀察這種擾動對模型預測的影響來工作。研究發現，MoPe比之前的方法更有效（從70M到12B參數范圍內），可以更準確地模擬出模型參數變化對預測的影響。

另外研究還發現，僅僅看一個訓練點的損失值是不夠的，因為有些損失值普通的點也能被MoPe成功恢復，這挑戰了之前一些依賴損失值來判斷信息是否被模型記住的研究。

第二篇《Bias Begets Bias: the Impact of Biased Embeddings on Diffusion Models》
偏見滋生偏見：偏見嵌入對擴散模型的影響

這篇論文研究了嵌入空間中的偏見如何影響擴散模型的公平性。

作者們提出，無偏見的文本嵌入對于生成平衡的圖像分布是必要的，并且發現偏見的多模態嵌入（如CLIP）會導致評估圖像與文本提示對齊度時的得分降低，從而無意中獎勵了不公平的行為。

當然，論文還提出了一個理論框架來研究評估中的偏見，并提出了減輕偏見的方法。

除此之外，高中階段的Jeffrey Wang就因“開發統計方法來探測3D基因組結構變化”而獲得國家級獎項。

2021年，他決賽入圍了（前40名）再生元科學天才獎（Regeneron Science Talent Search, STS），這是美國歷史最悠久、最負盛名的高中生研究競賽，有美國“少年諾貝爾獎”之稱。

而且進入前40的選手每人將獲得25000 美元（最低）獎金。

這項研究是他和Abhijit Chakraborty博士合作兩年的成果，前者在周末和休息時間跑到對方實驗室實習觀摩。

他們研究了染色體中DNA的結構。由于許多發育和疾病過程，包括癌癥，都是由DNA三維排列的變化引起的，因此Jeffrey創建了一個計算機應用程序，用于識別和排列不同細胞系基因組中這種排列的顯著差異。

該程序僅基于DNA的三維形狀，就能方便地定位重要的基因和路徑。

后來，他還將這一模型公開了（現已被50多個實驗室使用），以便更多人用于發現新的路徑、調節機制和癌癥靶點。

還是個writer

BTW，除了顯而易見地熱愛開發，Jeffrey Wang還是個小有成就的作家。

早在2019年，他就簽約了《The Adroit Journal》，這家位于紐約成立于2010年的雜志社，主要展示全球新興作家的詩歌、散文和藝術，其作品收錄率低于1%。

接受了文學藝術熏陶后，他又馬不停蹄地簽約了PBH Network長篇歷史作家，其多個聯合作品的點擊量超過25萬次。

一直到現在，他還在美國知名在線問答平臺Quora分享歷史、科學和統計方面的故事，其作品總計超過600萬次瀏覽。

好嘛，能文能武又開始具象化了(doge）。

不過也有網友借機調侃，“退學”加入OpenAI群體+1。

要知道類似消息在OpenAI也不算少見，前一陣還招了一個高中就輟學的瑞典小哥，入職Sora團隊專攻AGI。

甚至OpenAI CEO奧特曼，也是19歲從斯坦福大學計算機專業退學，創立了自己的第一家公司。

……

都快成一種企業文化了。（bushi

論文1：https://aclanthology.org/2023.emnlp-main.842.pdf
論文2：https://arxiv.org/pdf/2409.09569