Peter Henderson

Henderson se formó tanto como científico de la computación como abogado, lo que da a su trabajo publicado una postura inusual: cada resultado empírico sobre comportamiento de LLM se rastrea hasta la consecuencia regulatoria o de responsabilidad que implica, o que no implica. Su artículo de 2018, "Deep Reinforcement Learning that Matters", fue una demostración temprana de que los fallos de reproducibilidad en ML no son solo una vergüenza académica, sino una base para desconfiar de afirmaciones aguas abajo sobre las que luego tiene que actuar la política pública. El POLARIS Lab en Princeton continúa esa línea para la era LLM: evaluaciones de riesgo de modelos fundacionales, auditorías de cumplimiento legal y el tipo de trabajo empírico metodológicamente cuidadoso que realmente sobrevive al uso por reguladores.

Vale la pena seguirlo cuando

se quieren hallazgos técnicos de evaluación de IA vinculados con rigor a las decisiones legales y de política pública que deberían —y no deberían— respaldar.

Temas

fallos de reproducibilidad y sus consecuencias regulatorias; evaluación de riesgo de modelos fundacionales desde una doble perspectiva de derecho y ciencia de la computación; política de IA anclada en evaluación empírica.

Obras clave

"Deep Reinforcement Learning that Matters" (2018, autor principal); publicaciones en curso de POLARIS Lab sobre cumplimiento legal de modelos fundacionales; trabajo híbrido entre derecho y ciencia de la computación sobre responsabilidad y regulación de IA.