Michael I. Jordan (* 25. Februar 1956 in Aberdeen, Maryland) ist ein US-amerikanischer Informatiker und Statistiker. Er ist Pehong-Chen-Distinguished-Professor an der UC Berkeley mit gemeinsamer Anstellung in den Fachbereichen Informatik und Statistik sowie Forscher am Inria Paris. Er zählt zu den einflussreichsten Begründern der statistischen Grundlagen des maschinellen Lernens.
Zusammenfassung
Jordan erwarb 1978 einen Bachelorabschluss in Psychologie an der Louisiana State University, 1980 einen Master in Mathematik an der Arizona State University und promovierte 1985 an der UC San Diego in Kognitionswissenschaft unter David Rumelhart und Donald Norman. Von 1988 bis 1998 lehrte er am Department of Brain and Cognitive Sciences des MIT, bevor er an die UC Berkeley wechselte, wo er seither forscht und lehrt.
Jordans Arbeit umspannt statistisches maschinelles Lernen, Bayes’sche Netze, Variationsverfahren und probabilistische grafische Modelle. Er trug wesentlich dazu bei, die Verbindungen zwischen maschinellem Lernen und klassischer Statistik systematisch herauszuarbeiten, mit besonderem Schwerpunkt auf approximativen Inferenzverfahren. Öffentlich bekannt wurde er auch für seine kritische Haltung gegenüber gängigen KI-Erzählungen: In seinem 2019 im Harvard Data Science Review erschienenen Essay „Artificial Intelligence – The Revolution Hasn’t Happened Yet” argumentierte er, die eigentliche „Revolution der künstlichen Intelligenz” habe noch nicht stattgefunden, und echter Fortschritt erfordere die konsequente Verbindung von Informatik und Statistik statt eines auf Hype gestützten Fortschrittsnarrativs.
Werdegang
Jordan wurde 1956 in Aberdeen, Maryland, geboren. Er erwarb 1978 einen Bachelorabschluss in Psychologie an der Louisiana State University und 1980 einen Master in Mathematik an der Arizona State University, bevor er 1985 an der UC San Diego unter David Rumelhart und Donald Norman in Kognitionswissenschaft promovierte. Von 1988 bis 1998 war er Professor am Department of Brain and Cognitive Sciences des MIT, anschließend wechselte er an die UC Berkeley, wo er heute als Pehong-Chen-Distinguished-Professor gemeinsam den Fachbereichen Informatik (EECS) und Statistik angehört. Zusätzlich forscht er am französischen Forschungsinstitut Inria in Paris.
Für seine Forschung erhielt Jordan zahlreiche Auszeichnungen: die Aufnahme in die National Academy of Sciences (2010) und die National Academy of Engineering, den Rumelhart-Preis (2015), die IEEE John von Neumann Medal (2020) sowie 2022 den erstmals vergebenen Preis der World Laureates Association für grundlegende Beiträge zum maschinellen Lernen.
Kritische Stimme zur KI-Debatte
Jordan zählt zu den prominentesten Statistikerinnen und Statistikern, die öffentlich vor einer verfrühten Gleichsetzung heutiger KI-Fortschritte mit dem Erreichen echter, allgemeiner Intelligenz warnen. 2019 vertrat er die Position, die eigentliche „Revolution der künstlichen Intelligenz” stehe noch aus, und echter, belastbarer Fortschritt setze eine konsequentere Verbindung von Informatik und statistischer Methodik voraus, als sie die vorherrschende, stark von einzelnen spektakulären Modellergebnissen getriebene öffentliche Debatte oft nahelege.
Verwandte Begriffe
- Percy Liang – einer von Jordans zahlreichen Doktoranden, heute selbst prominenter Stanford-Professor
- Variational Autoencoder – Modellklasse, die auf den von Jordan mitentwickelten Variationsverfahren aufbaut
- Scaling Laws – die Trainingsgesetzmäßigkeiten, deren Hype-Narrativ Jordan öffentlich kritisiert
Quellenangaben
- Wikipedia: „Michael I. Jordan”, Stand September 2026 (per WebFetch eingesehen). https://en.wikipedia.org/wiki/Michael_I._Jordan