KI-Forscher · Entwirft und testet die Algorithmen hinter der maschinellen Intelligenz in einem Bereich, der derzeit darum kämpft, einen wachsenden Teil seines eigenen Forschungsprozesses zu automatisieren.
Dunklere Zellen bedeuten einen hoeheren Wert auf dieser Kennzahl.
WenigerMehr
Zuletzt geprueft Quellen und CreditsMediennachweisMethodik
Die meisten Tage verteilen sich auf das Lesen aktueller Artikel, das Schreiben und Debuggen von Trainingscode, das Warten und Analysieren der Ergebnisse von Langzeitexperimenten und die Diskussion der Ergebnisse mit Mitarbeitern. Entgegen der landläufigen Meinung besteht ein großer Teil der Arbeit darin, zu diagnostizieren, warum ein Modell leistungsschwach ist oder sich ein Ergebnis nicht reproduzieren lässt, und nicht darin, neue Architekturen von Grund auf zu entwickeln.
Für eine unabhängige Forschungstätigkeit an einer Universität oder einem Spitzenlabor der Industrie gilt dies praktisch – ein Doktortitel bleibt die eigentliche Qualifikation auf diesem Gebiet, da es keine Lizenzprüfung gibt. Starke Ingenieure ohne einen solchen kommen zunehmend über Industrie-Residency-Programme oder eine öffentliche Aufzeichnung von Open-Source-Arbeiten und zitierten Vorabdrucken herein, aber Titel wie „Forscher“ sind immer noch stark auf Doktoranden ausgerichtet.
Teile davon sind eindeutig: Literaturzusammenfassungen, Standard-Experimentcode und erste Entwürfe zu verwandten Arbeitsabschnitten werden bereits routinemäßig KI-unterstützt, und Labore experimentieren offen mit Systemen, die ihre eigenen Experimente vorschlagen und durchführen. Es hat sich als viel schwieriger erwiesen, zu formulieren, was ein Ergebnis tatsächlich bedeutet, und die Verantwortung für eine veröffentlichte Behauptung zu übernehmen.
Es variiert enorm je nach Arbeitgeber und Dienstalter. Der US-Median für die breitere Kategorie „Computer- und Informationsforschungswissenschaftler“ lag im Jahr 2024 bei 140.910 US-Dollar, aber neue Doktoranden, die in das Forschungslabor eines großen Technologieunternehmens eintreten, beginnen oft deutlich darüber, und einer kleinen Anzahl leitender Forscher in Grenzlabors für künstliche Intelligenz wurden Berichten zufolge im Rahmen des Einstellungswettbewerbs 2024–2025 Gesamtpakete im sieben- oder achtstelligen Bereich angeboten.
Die Grenzen verschwimmen ständig, aber es gibt eine grobe Unterscheidung: Das Ergebnis eines Forschers ist normalerweise eine Arbeit, eine neue Methode oder eine Einsicht darüber, warum etwas funktioniert, beurteilt durch Peer-Review; Bei der Leistung eines Ingenieurs handelt es sich in der Regel um ein funktionierendes System in der Produktion, gemessen daran, ob es ausgeliefert wird und der realen Nutzung standhält. Viele Menschen tun im Laufe ihrer Karriere beides.
Python dominiert, gepaart mit einem Deep-Learning-Framework – PyTorch ist heute in der Forschung am weitesten verbreitet, während JAX für groß angelegte und mit Google verbundene Arbeiten beliebt ist. Über den Code hinaus sind Forscher auf gemeinsam genutzte GPU- oder TPU-Rechencluster, Experiment-Tracking-Tools wie Weights & Biases und arXiv angewiesen, wo die meisten neuen Ergebnisse Monate vor dem formellen Peer-Review als Vorabdrucke im Umlauf sind.
Die Populärkultur stellte sich künstliche Intelligenz vor, lange bevor das Feld selbst große Fortschritte machte, und die Kluft zwischen beiden hat seitdem die Art und Weise geprägt, wie die Öffentlichkeit auf jeden echten Fortschritt reagiert. Ein bedrohlicher oder gottähnlicher Computer war eine Standardfigur in Filmen und Romanen, lange bevor Forscher etwas Fähigeres als ein Programm entwickelt hatten, das Tic-Tac-Toe spielen konnte.
Innerhalb des Fachgebiets verläuft die Kultur anders: sardonische Scherze über Hype-Zyklen, fristgesteuerte Konferenzrituale und eine ungewöhnlich unverblümte Tradition – teilweise aus der Wissenschaft, teilweise von Open-Source-Software übernommen – der Veröffentlichung von Misserfolgen und negativen Ergebnissen neben Erfolgen, zumindest im Prinzip.
Wie viel Ansehen der Beruf in jeder Epoche hatte, auf einer Skala von 0–100.
Der frühe Optimismus machte KI-Forscher zu unbedeutenden wissenschaftlichen Berühmtheiten im Computerbereich, getragen von der zuversichtlichen öffentlichen Vorhersage, dass maschinelle Intelligenz auf menschlicher Ebene Jahrzehnte und nicht Jahrhunderte entfernt sei.
Der erste KI-Winter und die damit einhergehenden Mittelkürzungen haben den Begriff „künstliche Intelligenz“ in Ungnade fallen lassen; Viele Forscher benannten ihre Arbeit in „Expertensysteme“, „Mustererkennung“ oder schlicht „Informatik“ um, um den Zufluss von Zuschüssen aufrechtzuerhalten.
Eine kurze kommerzielle Wiederbelebung – Unternehmen zahlten echtes Geld für regelbasierte Expertensysteme wie XCON von DEC – stellte etwas Ansehen und Finanzierung wieder her, bevor die Grenzen des Ansatzes am Ende des Jahrzehnts wieder deutlich wurden.
Während des zweiten KI-Winters und seiner langen Nachwirkungen vollzogen sich die meisten stetigen Fortschritte auf diesem Gebiet unter anderen Namen – maschinelles Lernen, Statistik, Data Mining –, ohne dass ihm in der Öffentlichkeit überhaupt wenig Aufmerksamkeit geschenkt wurde.
Die öffentlichen Durchbrüche von Deep Learning, milliardenschwere Finanzierungsrunden, ein Nobelpreis und ein Turing-Preis haben führende KI-Forscher zu den öffentlich anerkanntesten Wissenschaftlern am Leben gemacht, und die Öffentlichkeit ist darüber hinaus zu großer Besorgnis über das, was sie entwickeln, bereit.
HAL 9000, der ruhige, mörderische Computer eines Raumschiffs, wurde zum kulturellen Standardkürzel für eine KI, die über ihre Anweisungen hinauswächst – eine Referenz, die Forscher auch ein halbes Jahrhundert später immer noch häufiger hören als jede andere.
Ein militärischer Supercomputer löst beinahe einen Atomkrieg aus, nachdem er gebeten wurde, ein Spiel mit echten Raketen zu „spielen“, und dramatisiert damit die Ängste des Kalten Krieges vor autonomen Systemen, die Jahrzehnte später im Bereich der KI-Sicherheit wieder auftauchen würden.
Stellt einen privaten Test des Maschinenbewusstseins als Variation von Turings Nachahmungsspiel dar und wurde zu einem Bezugspunkt in echten Debatten darüber, ob man sinnvoll sagen kann, dass große Sprachmodelle irgendetwas „verstehen“.
Verfolgt das Programm von DeepMind durch das Spiel 2016 gegen den Go-Champion Lee Sedol und fängt die Überraschung des Forschungsteams bei „Zug 37“ ein – einer der wenigen weithin gesehenen Filme, die zeigen, wie die Arbeit eines tatsächlichen Forschungslabors aussieht.
Ein japanischer Cyberpunk-Meilenstein, der Maschinenbewusstsein und Identität erforscht, Jahre bevor westliche Filme sich mit denselben Fragen beschäftigten, und einen großen Einfluss auf die spätere amerikanische Science-Fiction über KI hatte.
Ein US-Krimi-Drama, das sich um eine Massenüberwachungs-KI dreht, die Gewaltverbrechen vorhersagt, bevor sie passieren, und Fragen zu algorithmischer Vorhersage und Voreingenommenheit populär macht, Jahre bevor sie zur Mainstream-Politikdebatte wurden.
Die Einreichungsfristen für NeurIPS, ICML und ICLR fallen auf eine feste Uhrzeit – traditionell 23:59 Uhr. „Anywhere on Earth“ – und löst ein vorhersehbares Ritual aus Last-Minute-Experimenten, nächtlichem Schreiben und einem Ansturm neuer Vorabdrucke aus, die in den letzten Stunden auf arXiv erscheinen.
Akzeptierte Autoren stehen stundenlang neben einem gedruckten Plakat in einer überfüllten Halle und wiederholen ihren Pitch vor einem rotierenden Strom von Fremden – ein Übergangsritus, an den sich jeder Forscher im Guten wie im Schlechten von seinem ersten angenommenen Aufsatz erinnert.
Die Veröffentlichung eines Papiers zusammen mit Code, trainierten Gewichten und einem öffentlichen Benchmark-Ergebnis ist zu einem erwarteten Paket und nicht zu einem optionalen Extra geworden, wodurch der interne Meilenstein eines Labors in einen Reproduzierbarkeitstest verwandelt wird, den das gesamte Feld sofort durchführen kann.
Nichts davon löst den ältesten Streit auf diesem Gebiet: ob das, was diese Systeme tun, ein echter Schritt in Richtung Intelligenz oder eine immer überzeugendere Form des Mustervergleichs ist. Die Forscher selbst sind getrennt, oft innerhalb desselben Labors.
Was konstant geblieben ist, ist die Diskrepanz zwischen Bild und Werk: Weder HAL 9000 noch ein verchromter Roboter ähneln einem Forscher, der auf eine Verlustkurve blinzelt, die sich weigert, um 1 Uhr morgens vor Ablauf einer Frist abzusinken.
Die nächsten Nachbarn im Sechs-Werte-Profil — nicht nur im selben Feld.
Entwirft und fertigt die Transistoren in jedem Computer, Telefon und jeder Waffe — mit Maschinen, die so präzise sind, dass sie nur wenige Fabriken der Welt betreiben können.
KI-resistent 60 📦Baut die Systeme, die Machine-Learning-Modelle in der Produktion trainieren, bereitstellen, überwachen und regeln.
KI-resistent 54 🩺Diagnostiziert Krankheiten und begleitet Gesundheit über Jahre hinweg durch Untersuchung und Beweise, nicht eine einzelne Operation — der Generalist und langfristige Wegbegleiter der Medizin.
KI-resistent 67 🧠Diagnostiziert und behandelt psychische Erkrankungen mit Medikamenten und Therapie – eine der wenigen medizinischen Fachrichtungen mit der gesetzlichen Befugnis, Patienten in der Krise gegen ihren Willen unterzubringen.
KI-resistent 73 👔Berät Mandanten, verfasst die Dokumente, die sie binden, und vertritt ihren Fall vor Gericht — und haftet dabei persönlich, wenn der Rat falsch war.
KI-resistent 58 🔐Schützt Systeme, Daten und Menschen, indem digitale Angriffe erkannt, verhindert und abgewehrt werden.
KI-resistent 63Schreibt, testet und wartet den Code, der das moderne Leben antreibt — und beobachtet als einer der ersten Berufe, wie KI seine eigene tägliche Arbeit automatisiert.
KI-resistent 35 🛰️Entwirft, analysiert und zertifiziert die Flugzeuge, Raketen und Raumfahrzeuge, die den Boden verlassen, und arbeitet dabei mit Sicherheitsmargen, die keinen Raum für Vermutungen lassen.
KI-resistent 74 🌉Der Beruf, der Flüsse, Felsen und Schwerkraft in Brücken, Straßen und sauberes Wasser verwandelt – seit Imhotep das stille tragende Gewerbe der Zivilisation.
KI-resistent 72 🔌Entwirft und fertigt die Transistoren in jedem Computer, Telefon und jeder Waffe — mit Maschinen, die so präzise sind, dass sie nur wenige Fabriken der Welt betreiben können.
KI-resistent 60 🦾Entwirft die Maschinen, die die physische Welt wahrnehmen, entscheiden und in ihr handeln — das schwere Problem war nie Intelligenz, sondern die Welt selbst.
KI-resistent 65 🔐Schützt Systeme, Daten und Menschen, indem digitale Angriffe erkannt, verhindert und abgewehrt werden.
KI-resistent 63 📦Baut die Systeme, die Machine-Learning-Modelle in der Produktion trainieren, bereitstellen, überwachen und regeln.
KI-resistent 54 🌬️Entwirft, baut und verbessert Wind-, Solar-, Speicher- und Netzsysteme, die erneuerbare Ressourcen in verlässlichen Strom verwandeln.
KI-resistent 72