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 KI-Forschung ist der Beruf, der seinen eigenen Ergebnissen am stärksten ausgesetzt ist. Die von ihm entwickelten Tools konzentrieren sich jetzt bewusst auf den Forschungsprozess selbst – das Zusammenfassen von Arbeiten, das Vorschlagen von Experimenten, das Schreiben von Trainingscode – was diesen Abschnitt weniger hypothetisch macht als fast jedes andere Profil auf dieser Website.
Diese Offenlegung macht den Job nicht überflüssig, aber es macht die Auseinandersetzung darüber, was noch übrig ist, ungewöhnlich konkret: Eine Handvoll Labore versuchen offen, Systeme zu entwickeln, die den gesamten Forschungskreislauf abwickeln, und die ehrliche Antwort lautet zum jetzigen Zeitpunkt, dass sie zwar Teile davon machen können, aber nicht die Teile, die für die Beurteilung, ob ein Ergebnis wahr ist, am wichtigsten sind.
Ein bedeutender Teil der Routinearbeit eines KI-Forschers – Literaturauswahl, erster Entwurf eines Experimentcodes, Suche nach Hyperparametern, Entwurf eines Abschnitts zu verwandten Arbeiten – ist für ein KI-System bereits vergleichsweise schnell erledigt, und Forschungssysteme mit mehreren Agenten, die explizit darauf ausgelegt sind, einen größeren Teil der Schleife zu automatisieren, sind ein aktives Projekt in mehreren großen Labors. Was nicht automatisiert wurde, ist die Beurteilung, ob ein Ergebnis real ist, die Entscheidung, welche Frage es wert ist, gestellt zu werden, und die Verantwortung, wenn sich eine veröffentlichte Behauptung als falsch herausstellt.
Bewertet nach den Aufgaben, nicht dem Berufstitel. Niedriger ist sicherer.
Berufe, die KI nicht übernehmen kann →Um einen echten Effekt von Rauschen, einem glücklichen Samen oder einem Benchmark, der stillschweigend in Trainingsdaten eindringt, zu unterscheiden, ist genau die skeptische Beurteilung erforderlich, die automatisierte Systeme am schlechtesten auf ihre eigene Ausgabe anwenden können.
Die Entscheidung, dass ein spezifisches, schwieriges, wenig erforschtes Problem monatelange Rechenarbeit und Aufmerksamkeit eines Labors wert ist, ist eine Wette, die auf der Grundlage unvollständiger Informationen abgeschlossen wird – der Teil der Forschung, der am weitesten von der Musterübereinstimmung im Vergleich zu früheren Arbeiten entfernt ist.
Jemand muss hinter einem Ergebnis stehen, wenn es sich nicht reproduzieren lässt oder sich herausstellt, dass es eine fehlerhafte Basislinie aufweist – ein Modell kann keine professionelle oder wissenschaftliche Verantwortung für seine eigenen Ergebnisse übernehmen.
Das Abwägen der wahrscheinlichen sozialen Auswirkungen, Sicherheitsrisiken oder des Dual-Use-Potenzials eines Systems vor der Veröffentlichung stützt sich auf Werte und Kontext, über die eine automatisierte Forschungspipeline allein nicht nachdenken kann.
Die Intuition, nach der es sich lohnt, überraschenden Ergebnissen nachzujagen, die durch die Beobachtung hunderter erfolgreicher und scheiternder Experimente im Laufe ihrer Karriere entwickelt wurde, ist noch nichts, was irgendein System auf der Ebene eines leitenden Forschers bewiesen hat.
Angesichts der Zehntausenden neuen Vorabdrucke pro Jahr sind Tools, die Beiträge zusammenfassen und nach Relevanz ordnen, in der gesamten Fachwelt bereits routinemäßig im Einsatz.
Die Verkabelung einer Standard-Trainingsschleife, eines Datenladers oder eines Evaluierungsskripts ist jetzt oft schneller zu generieren und zu überprüfen, als von Grund auf neu zu schreiben.
Automatisierte Tuning-Systeme können einen Parameterraum weitaus umfassender und kostengünstiger durchsuchen, als wenn ein Forscher Konfigurationen einzeln manuell durchprobiert.
Ein erster Versuch, frühere Arbeiten, die für eine neue Arbeit relevant sind, zusammenzufassen, wird zunehmend KI-unterstützt, obwohl die konkrete Formulierung und der ehrliche Vergleich noch einer Überprüfung durch einen Forscher bedürfen.
Ein wachsender Teil der Zeit eines Forschers wird darauf verwendet, zu spezifizieren, was ein automatisiertes System versuchen soll, und seine Ergebnisse zu beurteilen, anstatt jedes Experiment persönlich zu schreiben und durchzuführen.
Wie die „bittere Lektion“ des Fachgebiets vorhersagt, bestimmt der Zugang zu groß angelegter Rechenleistung zunehmend, welche Labore eine bestimmte Idee überhaupt testen können, wodurch die Pionierforschung auf eine kleine Anzahl gut finanzierter Organisationen konzentriert wird.
Da KI-gestützte Tools es einfacher machen, schnell ein plausibel aussehendes Ergebnis zu erzielen, wird die rigorose Überprüfung dieses Ergebnisses zu einem wichtigeren und stärker getrennt besetzten Spezialgebiet innerhalb von Forschungsgruppen.
Systeme, die darauf ausgelegt sind, Hypothesen aufzustellen, Experimente durchzuführen und Papiere mit begrenzter menschlicher Aufsicht zu verfassen – Projekte wie „AI Scientist“ (2024) von Sakana AI und „AI Co-Scientist“ (2025) von Google DeepMind – sind mittlerweile selbst ein aktiver Publikationsbereich.
Untersucht, wie man dafür sorgt, dass immer leistungsfähigere Systeme zuverlässig das tun, was ihre Designer beabsichtigen, eine Spezialität, die vor den 2010er Jahren kaum als eigenständige Karriererichtung existierte.
Der Aufbau und die Wartung der verteilten Trainings- und Recheninfrastruktur hängt heute ebenso von der Pionierforschung ab wie von jeder einzelnen algorithmischen Idee.
Arbeitet an der Grenze zwischen technischer Forschung und Regierungs- oder Unternehmensrichtlinien und übersetzt in Regeln oder Schutzmaßnahmen, was die eigenen Systeme eines Labors leisten können und was nicht.
Testet Modelle und KI-generierte Forschungsergebnisse gezielt auf Fehlermöglichkeiten, Sicherheitslücken und falsche Behauptungen, bevor sie in Produktion oder Veröffentlichung gelangen.
Drei umkehrbare Linsen: erweitern, eine Scheibe ersetzen, oder Nische oeffnen. Lehrhilfen, keine Prognosen.
Rolle bleibt; KI beschleunigt Entwuerfe oder Recherche; Urteil bleibt menschlich.
Ein enges Aufgabenbuendel kann zuerst schrumpfen, waehrend angrenzendes Handwerk waechst.
Aufsicht und Integration koennen entstehen, wo KI-Output vertrauenswuerdig sein muss.
Die Nachfrage nach Talenten in der KI-Forschung dürfte im nächsten Jahrzehnt stark anhalten, aber die Einstiegsversion des Jobs verändert sich bereits: Es wird weniger Rollen geben, die ausschließlich der manuellen Durchführung von Routineexperimenten dienen, und mehr werden von einem neuen Forscher erwarten, dass er die Arbeit einer KI-gestützten Pipeline fast sofort leitet, hinterfragt und überprüft.
Der klarste langfristige Vorteil liegt bei Forschern, die eine wirklich neue Frage formulieren, erkennen können, wenn ein plausibel erscheinendes Ergebnis stillschweigend falsch ist, und die Verantwortung für eine Behauptung in der Öffentlichkeit übernehmen können – das gleiche Urteil, das das Fachgebiet schon immer benötigt hat, jetzt angewendet auf einen Forschungsprozess, der zunehmend seinen eigenen ersten Entwurf schreibt.
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