在《人物特写》系列中，TDS编辑团队邀请社区成员分享他们在数据科学与人工智能领域的职业历程、写作心得以及灵感来源。本期我们对话的是资深机器学习工程师斯蒂芬妮·基默（Stephanie Kirmer）。她拥有近十年的数据科学与机器学习经验，此前曾从事高等教育管理工作，教授社会学与健康科学课程。她每月在TDS撰写关于人工智能与社会议题的文章，并在全国多地发表ML相关主题演讲。她将于2026年4月在波士顿ODSC大会上发表关于定制大语言模型评估策略的演讲。 斯蒂芬妮本科主修社会学与教育的社会文化基础。她表示，这段学术背景深刻塑造了她对AI社会影响的思考方式。她习惯以社会学视角看待问题，不断追问：哪些社会不平等正在显现？不同群体如何差异化地体验技术？制度与群体又如何影响技术的发展与应用？这种“提出假设—寻找证据验证”的方法，正是她理解AI现象的核心路径。 在DataGrail担任ML工程师两年多来，她发现大语言模型（LLM）的兴起极大改变了她的日常工作。她利用代码辅助工具进行头脑风暴、获取方案反馈或处理重复性任务（如编写单元测试）。但她强调，面对独特或复杂问题时，人类工程师的经验与判断依然不可替代。同时，她也提醒人们关注LLM带来的潜在风险与社会隐患。 对于“能否拯救AI经济”这一问题，她认为当前AI热潮已形成类似互联网泡沫的投机性泡沫。问题不在于技术本身，而在于资本对超高回报的盲目追求。她指出，若投资方能接受合理回报而非天价收益，AI领域本可更可持续。但现实是，泡沫终将破裂，只是时间问题。 针对公众对生成式AI的“文化反弹”，她认为根源在于企业过度承诺。当公司为迎合财报而做出不切实际的宣传时，公众自然产生信任危机。她建议企业回归务实，聚焦解决真实问题，并推动公众教育，让大众真正理解AI的能力边界。尽管如此，大公司未必愿意主动降低预期，因为这可能影响估值与融资。 关于选题，她通常在每月写作间隙观察AI如何渗透日常生活、新闻事件与人际交流，并结合社会学框架（如权力、种族、阶级、性别、制度等）进行深入思考。她会随时记录灵感，一旦发现真正激发思考的主题，便展开深度研究。 她坦言自己不会提前规划太远，目前仅提前一两个月构思内容。她也欢迎读者提出希望探讨的AI与社会议题，期待更多思想碰撞。欲了解斯蒂芬妮的最新动态，可关注她在TDS或LinkedIn上的更新。