Allan Jabri 是一位人工智能研究科学家，以其在自监督学习、计算机视觉和强化学习方面的工作而闻名。他曾在多家大型科技公司担任研究职位，包括 OpenAI、Meta 超级智能实验室 和 Facebook AI Research (FAIR)。 ^{[1] [2]}

早年生活

Jabri 出生于澳大利亚悉尼，父亲是黎巴嫩裔，母亲是中国裔。他主要在美国长大。根据 Paul & Daisy Soros Fellowships 的说法，他在不同文化之间生活的经历影响了他对理解如何从复杂性中提炼出简单性的兴趣，这后来激发了他对科学和人工智能的好奇心。 ^[3]

教育

Jabri 就读于普林斯顿大学，并于 2015 年获得计算机科学学士学位 (B.S.)。他的本科毕业论文侧重于以自我为中心的场景理解的概率方法，并获得了计算机科学高级论文奖。后来，他在加州大学伯克利分校攻读博士学位，是伯克利人工智能研究 (BAIR) 实验室的成员。他在 2017 年至 2023 年间完成了计算机科学博士学位，导师是 Alexei A. Efros 教授。他的博士工作得到了 Paul & Daisy Soros Fellowship for New Americans 的支持，他于 2018 年获得该奖学金。 ^{[3] [4] [6]}

职业生涯

从普林斯顿大学毕业后，Jabri 在纽约的 Facebook AI Research (FAIR) 开始了他的职业生涯，担任研究工程师。在 FAIR 工作一段时间后，他开始在加州大学伯克利分校攻读博士学位。在研究生学习期间，他担任了多个研究职位，包括在伦敦 DeepMind 实习以及在 Google Brain 担任学生研究员。完成博士学位后，Jabri 加入 OpenAI，成为技术人员和研究科学家。

2025 年 7 月，据报道，Jabri 与 OpenAI 研究员 Lu Liu 一起被 Meta 超级智能实验室 聘用。此举被视为 Meta 扩大其人工智能团队并提升其在生成式人工智能方面的能力的更广泛战略的一部分，此前该公司在该领域进行了其他备受瞩目的人才招聘和收购。从 OpenAI 等竞争对手那里招募顶尖人才凸显了整个行业的一个趋势，即主要科技公司正在大力投资以确保在不断扩展的人工智能领域中的领导地位。 ^{[2] [1] [5] [7]}

研究

Jabri 的研究主要侧重于开发用于自监督和无监督学习的可扩展目标和架构。他的工作经常探索持续学习、内在动机和具身认知等主题，其长期目标是创建能够使机器自主获得视觉和感觉运动常识的学习算法。他为 NeurIPS、ICML、CVPR 和 ICLR 等主要人工智能会议上发表的众多出版物做出了贡献。 ^{[1] [3]}

他的著名作品包括：

• Space-Time Correspondence as a Contrastive Random Walk (NeurIPS 2020): 本文介绍了一种通过将对应学习构建为时空图上的随机游走，从无标签视频中学习密集视觉表示的方法。

• Learning Correspondence from the Cycle-Consistency of Time (CVPR 2019): 与 Xiaolong Wang 和 Alexei A. Efros 共同撰写，这项研究提出使用无标签视频中的时间循环一致性来学习视觉对应的通用表示。
• Unsupervised Curricula for Visual Meta-Reinforcement Learning (NeurIPS 2019): 这项工作探索了通过将深度聚类应用于代理自身的轨迹来无监督地发现和元学习视觉运动技能的方法。
• Scalable Adaptive Computation for Iterative Generation (ICML 2023): 这项研究提出了一种通用神经架构，该架构能够自适应地分配计算资源，以用于高维数据的迭代生成，从而在图像和视频生成方面取得了出色的成果。

他的出版物的完整列表可在他的个人网站和学术资料中找到。 ^{[1] [4] [7] [8] [9]}

奖项和荣誉

2018 年，Jabri 获得了 Paul & Daisy Soros Fellowship for New Americans 奖学金。该奖学金支持在美国攻读研究生学位的移民和移民子女。他还因其本科工作获得了普林斯顿大学计算机科学高级论文奖。 ^[3]