Peter Henderson
Где технические результаты о поведении языковых моделей действительно имеют значение — в аудитах, регулировании и юридической ответственности — и как выглядит разрыв между «мы это измерили» и «это меняет то, что разрешено».
Henderson получил подготовку и как специалист по компьютерным наукам, и как юрист, поэтому его опубликованные работы имеют необычную установку: каждый эмпирический результат о поведении LLM прослеживается до регуляторного последствия или последствия для юридической ответственности, которое из него следует — или не следует. Его статья 2018 года "Deep Reinforcement Learning that Matters" была ранней демонстрацией того, что провалы воспроизводимости в ML — не просто академическая неловкость, а основание не доверять последующим утверждениям, на которые затем должна опираться политика. POLARIS Lab в Princeton продолжает эту линию для эпохи LLM: оценки рисков фундаментальных моделей, аудиты правового соответствия и такая методологически аккуратная эмпирическая работа, которая действительно выдерживает использование регуляторами.