Jennifer Neville 是微软研究院的合伙人研究经理，同时担任普渡大学计算机科学与统计学 Samuel D. Conte 讲席教授。她的研究聚焦于机器学习和 AI 在交互领域及结构化数据中的应用，尤其关注训练数据如何影响系统行为，以及这些行为是否与用户的真实期望一致。她已发表超过 130 篇论文，被引用超过 1 万次，并获得过 NSF CAREER 奖、IEEE ‘10 to Watch’ 等荣誉。
她的职业轨迹颇为曲折。Neville 最初并不想进入计算机科学，因为她的父亲从事这一行。上大学后，她先主修数学，再转物理，但都觉得不太合拍。她曾一度辍学，重返校园后改修认知科学，又觉得这个领域太‘软’，数学分量不够。后来工作了一段时间，再回学校时，她决定主修计算机科学，因为她想处理数据，也正是在这时偶然发现了 AI——她甚至没意识到 AI 属于计算机科学。
她进入研究领域也带有偶然性。由于荣誉项目要求必须完成一个研究课题，她选择了对相互连接的网页数据进行数据挖掘，并被引荐给一位刚涉足‘统计关系学习’这一新兴领域的教授。项目完成后她在研讨会上发表了论文，从此对研究‘上瘾’。真正吸引她的是研究过程本身：有时感觉原地踏步、倍感沮丧，但导师会鼓励她继续，最终学到新东西时的那种兴奋感，以及理解别人尚未理解的前沿问题，让她一直留在研究中。
2021 年，Neville 从学术界加入微软，同时仍在普渡大学任教和指导学生。她的第一次学术休假去了伯克利 Simons 研究所，偏重理论；第二次休假则来到微软研究院，转向应用研究。当她看到算法理论在真实系统、真实用户和真实数据中如何落地后，便难以回头，于是留在微软。她认为，学术界和产业界研究的问题本质相似，但产业界能大规模应用算法，直接接触真实用户和数据，目标更偏向产品和公司利益；学术界则更抽象、覆盖多个领域，资金多来自 DARPA、NSF 等机构。
目前，她领导的团队名为‘AI 交互与学习’。团队致力于推动 AI 系统在真实工作环境中的行为边界：研究当前系统的性能极限、用户在实际工作流中的体验，以及如何改进模型以完成复杂任务。他们从评估入手，因为传统机器学习评估使用的基准相对简单，无法反映真实使用场景。他们设计实践性评估，涵盖多轮对话、协作环境和长周期任务。一旦发现性能差距，就能指导算法、模型和估计方法的改进方向。
Neville 还提到，当模型在传统基准之外接受测试时，会出现‘意外失败’。当结果出乎意料时，仔细检查数据变得至关重要。她结合数十年 AI 进展，谈论了如何预测下一步发展。整场对话提出了一个更大的问题：当路径——无论是人类还是人工——没有按预期展开时，我们究竟能学到什么。