English Español Français Deutsch
← Zurück zur Liste
Transparenz und Governance Methodiker Direkt der Methodik von ai100 vorgelagert

Peter Henderson

Wo technische Befunde über das Verhalten von Sprachmodellen tatsächlich relevant werden — in Audits, Regulierung und rechtlicher Haftung — und wie die Lücke zwischen „wir haben das gemessen“ und „das ändert, was erlaubt ist“ aussieht.

Henderson ist sowohl als Informatiker als auch als Jurist ausgebildet, was seiner veröffentlichten Arbeit eine ungewöhnliche Haltung gibt: Jedes empirische Ergebnis über LLM-Verhalten wird bis zu der regulatorischen oder haftungsrechtlichen Konsequenz verfolgt, die es impliziert — oder eben nicht. Sein Paper von 2018 „Deep Reinforcement Learning that Matters“ war eine frühe Demonstration, dass Reproduzierbarkeitsfehler in ML nicht nur eine akademische Peinlichkeit sind, sondern eine Grundlage, nachgelagerte Behauptungen zu misstrauen, auf die Politik dann reagieren muss. Das POLARIS Lab bei Princeton führt diese Linie für die LLM-Ära fort — Foundation-Model-Risikobewertungen, Audits rechtlicher Compliance und jene methodisch sorgfältige empirische Arbeit, die den Einsatz durch Regulierer tatsächlich übersteht.

Lesenswert, wenn
man technische Befunde der AI-Evaluation rigoros mit den rechtlichen und politischen Entscheidungen verknüpfen will, die sie stützen sollten — und mit jenen, die sie nicht stützen sollten.
Themen
Reproduzierbarkeitsfehler und ihre regulatorischen Konsequenzen; Risikobewertung von Foundation-Models aus einer dualen Rechts- und Informatikperspektive; AI-Policy, die auf empirischer Evaluation beruht.
Zentrale Arbeiten
„Deep Reinforcement Learning that Matters“ (2018, Hauptautor); laufende POLARIS-Lab-Publikationen zur rechtlichen Compliance von Foundation-Models; hybride Rechts- und Informatikarbeiten zu AI-Haftung und Regulierung.