濃いマスほど、このテーマでその指標が高いことを示します。
低高
各バーはこのテーマの0-100アトラス点です。時間軸ではありません。
この職業の報酬とAI耐性を同じ0-100で見ます。
両方の点数は常に見えます。スライダーで左（報酬）か右（AI耐性）を強調します。
報酬
AI耐性
点一つ：名指しした二軸上のこの職業の位置です。
この役割で働くまでにかかる、おおよその教育・訓練年数です。
現場に入るまで約10年の教育・訓練
10年
年代順の節目です。週間の活動マスではありません。
進学、学び直し、最初の内定を検討する人とこの職業マップを共有しましょう。
AI研究者：機械知能を支えるアルゴリズムを設計・検証する仕事。今やその研究プロセス自体の自動化を競う分野になりつつある。
AI研究者は、画像認識や言語生成、計画立案や意思決定をソフトウェアが行えるようにするアルゴリズムを設計・訓練・評価する。多くの場合は機械学習と呼ばれる手法で、人が手で書いたルールに従うのではなく、大量のデータを処理することでモデルがタスクを上達させていく。仕事の範囲は、新しいアーキテクチャを発明する大学の研究室から、実証済みの手法を大規模化する企業の研究グループ、さらには「モデルがごく少量のデータからどう学習するか」といった一つの狭い領域に生涯を捧げる専門家まで幅広い。
この分野は一般に思われているよりもはるかに若い。「人工知能(artificial intelligence)」という言葉は1955年に作られ、1956年にダートマス大学で開かれた夏季ワークショップのために用意されたものだ。それ以来、この分野はブームと「冬の時代」――初期の期待が実現せず資金が枯渇する時期――を二度経験してきた。今日主流のアプローチである深層学習も、2012年のある画像認識コンテストと2017年の「アテンション」に関する論文が分野全体を作り変えるまで、何十年も少数派の立場に甘んじていた。
AI研究がこのサイトで扱う職業の中でも異例なのは、その研究対象と道具立てが同じ技術だという点だ。この分野自身の成果から作られたツールが今や文献レビューの草稿を書き、実験を提案し、訓練実行用のコードを書いている。いくつかの研究所は研究プロセスの一部を自動化しようと公然と試みている。その圧力に何が耐え、何が耐えないのか――このプロフィールの残りの部分は、その問いに安心材料としてではなく、正直に答えようとするものだ。
AI研究は「制御された驚き」の学問である。アイデアを出すのは容易でも、結果がデータ・計算資源・幸運な乱数の産物ではなく、実在し有用だと示すことこそが本業になる。
研究者の一日は、論文精読、比較実験の設計、学習コードの実装とデバッグ、失敗ランの点検、共同研究者への説明で埋まる。有望に見えた改善も、強いベースライン、複数シード、評価セット変更で消えることがある。職人技は実験の厳密さ——何が効果を生んだかを切り分け、ネガティブ結果も記録し、論文の主張を魅力的な物語ではなく証拠に合わせること——にある。日本の大学研究室や企業研究所でも、計算資源の争奪、再現実験、社内レビューが研究速度を左右し、「動いた」だけで終わらせない文化が信頼を決める。失敗ランのログを残し、何が効かなかったかを共有できるチームほど、再現性の高い成果が出る。計算資源の予約、データライセンス、倫理審査が研究計画の一部になり、純粋なアルゴリズム議論だけでは前に進まない場面も増えた。現場では優先順位の衝突が日常であり、安全・品質・期限・コストのどの順で折るかを説明できることが専門性になる。記録を残し、次の担当が追える形にすることが組織への貢献でもある。
大学は長期的問いと人材育成、企業ラボは高価な実験と製品接続、研究エンジニアは両者を可能にする基盤構築を担う。理論、視覚、言語、ロボティクス、強化学習、安全性、科学AIは手法が異なる。共通通貨は肩書きではなく、他者が検証・再現・拡張できる結果である。日本では国立研究所、大手企業の基礎研究所、スタートアップの応用研究が併存し、論文志向とプロダクト志向の評価軸が組織ごとに違う。国際会議への投稿、OSS公開、社内プロプライエタリの線引きがキャリア戦略になる。企業では秘匿データと公開論文の境界が難しく、特許・ノウハウ・外発表の承認フローを理解する必要がある。大学では学生指導と予算獲得が研究時間を削る。どちらも、比較実験の公平性とネガティブ結果の扱い方が科学的信用を決める。現場では優先順位の衝突が日常であり、安全・品質・期限・コストのどの順で折るかを説明できることが専門性になる。記録を残し、次の担当が追える形にすることが組織への貢献でもある。
独立研究への通例ルートは博士課程で、数学・実装・指導教員のラボ経験が土台になる。しかし実務上の門は、査読に耐える論文、コード、データセット、ベンチマーク、共同研究の記録である。物理・神経科学・統計からの転身やレジデンシー、OSS貢献でも入れるが、最前線の席は研究の深さを示す実績を求める。日本では博士進学と就職のトレードオフが強く、企業内博士や社会人博士、海外ラボ経験が差別化になる一方、採用側も「何を検証したか」を見るようになっている。数学的基礎、実装力、領域知識の三つが揃う人材は少ない。日本企業は安定雇用を好む傾向がある一方、最先端は海外ラボ経験やトップ会議実績を求める。国内でも生成AIブームで採用は増えたが、研究職と実装職の期待値のズレに注意が必要だ。現場では優先順位の衝突が日常であり、安全・品質・期限・コストのどの順で折るかを説明できることが専門性になる。記録を残し、次の担当が追える形にすることが組織への貢献でもある。
文献要約、実験コード草案、ハイパーパラメータ探索をAIが担い始め、研究ループの一部まで自動化を試みるシステムもある。それらはもっともらしい成果を安く量産しうる。だから研究のセンス、評価設計、説明責任の価値が上がる——どの問いが重要か、静かな欠陥を見つけるか、公開主張の後ろに立てるか。自動化は実験を回す割合を変えても、検証する義務は消さない。日本企業では社外発表の承認プロセスが厳しく、再現性と安全性の社内ゲートが研究文化の一部になっている。自動実験が增えると、評価指標の設計ミスが大規模に増幅する。社会実装ではバイアス、プライバシー、誤用リスクの説明が論文以上に重要になる。日本の製造業応用では現場制約を踏まえた評価設計ができて初めて、研究が実装に届く。現場では優先順位の衝突が日常であり、安全・品質・期限・コストのどの順で折るかを説明できることが専門性になる。記録を残し、次の担当が追える形にすることが組織への貢献でもある。
同じ肩書きの下にある五つの典型 — 専門・現場・キャリアの形。
実験と論文、共同研究を通じて研究課題を設定・前進させる。
大規模に仮説検証できる学習・評価・データ基盤を構築する。
失敗・誤用・頑健性、安全な挙動やガバナンス手法を研究する。
論文品質と実装制約のあいだで、現場データに耐える手法を探る。
ドメイン科学の仮説検証に機械学習を組み込み、実験計画と結びつける。
同じ職でも入口・地位・日常は違います。各言語の読者が探す文脈で書き直しています。
巨大企業ラボとトップ大学が計算資源と人材を集め、論文とプロダクトの往復が速い。ビザと競争がキャリアを左右する。
大企業のAI研究所と急速なスタートアップが併存し、応用実証の速度が評価されやすい。兵役や学歴文化も進路選択に影響する。
日本のAI研究は大学、国研、大手企業の基礎研究所、近年の生成AIスタートアップが層をなす。計算資源は米国勢に劣りやすい一方、製造業・ロボティクス・言語処理の応用地盤は厚い。科研費や企業内予算、コンソーシアム型プロジェクトが研究テーマを形づくり、英語論文と国内実装の両立が求められる。博士人材の産業界流入は増えつつあるが、評価制度が事業KPI寄りだと基礎研究が痩せやすい。安全性・信頼性・説明可能性は規制議論と結びつき、産学連携の契約設計も実務スキルになっている。社外発表の承認フローを理解できる研究者ほど、組織内で成果を外に出せる。制度面では国家資格・免許・業界団体の指針が入口と責任範囲を定め、現場では長時間労働の是正、外国人材との協働、デジタル化による業務再設計が同時に進む。表面的な職名より、繁忙期のリズム、稟議や合意形成の作法、実際の説明責任の所在を確認してキャリアを選ぶことが重要である。首都圏と地方、日系と外資、大企業と中小では同じ職でも評価軸が異なり、自分の強みがどの環境で通じるかを見極める必要がある。
Fraunhofer等の応用研究と自動車・製造の産業需要が強い。データ保護と職場合意が実験設計の制約になる。
強固な大学研究とロンドン周辺のラボが人材を集め、安全性・政策隣接の議論も活発である。
国家のAI戦略と資金が研究・応用を後押しし、多国籍チームでの英語協業が標準に近い。
この職業向けにセルフホストした Commons CC/PD 画像です。
AI研究は自らの査読プロセスよりも速く進んでしまうため、再現しない結果や自分自身の主張の裏付けを崩すアブレーション実験について研究者が正直であることこそが、この分野の知識に対する実質的に唯一の品質管理になっている。日本の研究室でもこの正直さは締め切りの圧力に最も弱い部分である。
ある結果が本物のように見えるのは、運のよいランダムシードや報告されないハイパーパラメータ探索、あるいは提案手法ほど丁寧に調整されていないベースラインのせいであることがあり、外部の研究室にそれを検証する計算資源があることは稀である。失敗したシードを成功したものと一緒に報告するかどうかは、論文だけからは誰も検証できない決断であり、この分野の知識は結局、研究者が自分自身の最良の結果を自ら覆す意志を持てるかどうかにしかかかっていない。この意志が弱まった瞬間から、分野全体の主張の信頼性が損なわれていく。競争が激しくなるほど、この誠実さを保つことは難しくなる。日本の研究室でも国際会議の採択率を意識するあまり、都合の良い数値だけを選び出してしまう誘惑は同じように強い。
たった一度の大規模な学習実行が研究者の年収を超えることもあり、次にどの実験を走らせるかという判断こそが本物の技能の所在であり、単に多くの実験を素早く回せる能力ではない。曖昧な結果を、次の目立つアイデアに飛びつく前にじっくり理解できない研究者は、同じ予算を持つより慎重な同僚が無駄にしない資源を浪費してしまう。日本の大学や企業研究所では計算資源の割り当て自体が限られており、この判断力の差がそのまま成果の差になりやすい。焦って次の実験に移る誘惑に抗えるかどうかが、実際の研究力を分ける。限られたGPUクラスタの割り当てを申請する段階から、この判断力はすでに試されている。
出版の締め切りと、同じ能力を発表しようと競い合う研究室間の競争は、選び抜かれたデモを一般的な結果として、あるいは狭いベンチマークでの勝利をより広い突破口として描写する持続的な誘惑を生む。目前の締め切りに反してでも、自分自身の主張を崩しかねない地味なアブレーション実験を実行する研究者こそが、この分野の公的な主張を宣伝ではなく検証可能なものとして保っている。この誘惑に負けた論文が積み重なるほど、分野全体への外部からの信頼が失われていく。日本のAI研究者にとっても、国際的な発信力を求められる圧力が、この誇張への誘惑をいっそう強めている。
スローガンではなく、実務が求める五つの具体的な態度です。
その比較を省略すれば印象的な数字を論文の要旨に無傷で通せるとしても、提案手法が適切に調整されたベースラインを実際に上回るかを検証する。結果がどちらに出ても正直に報告する姿勢が、この分野の科学的な信頼を支えている。この一手間を惜しんだ論文は、後から他の研究室に矛盾を突かれる。締め切り直前になるほど、この地味な検証を省略したい誘惑は強くなる。共著者の誰かがこの手間を主張しても、多数決で押し切られてしまう研究室文化も少なくない。
うまくいかなかった実験を、チームの今後の方向性を左右する内部メモにおいても書き残す。成功した結果の方が発表しやすく祝いやすいからといって、それを消してしまわない。失敗の記録を残す文化のある研究室ほど、同じ失敗を繰り返さない。この記録を面倒だと感じる指導教員のもとでは、若手研究者ほど同じ回り道を何度も繰り返すことになる。記録を残す作業自体を評価する仕組みがない限り、この文化は自然には根づかない。
他の研究チーム、あるいは自分自身の後の試みが、以前報告した発見を再現できないとき、それを公にまたは内部で認める。特定されない実装上の違いに食い違いを帰して済ませ、そのまま話を進めない。この認める姿勢こそが、長期的な研究者としての信頼を築く。一度でも曖昧にごまかした経験は、次に自分の主張が疑われたときの反論の力を弱めてしまう。この分野が狭いほど、こうした評判は驚くほど速く周囲に伝わっていく。
より広く、より注目を集めやすい主張の方が採択され、資金を得やすく、報道でも好意的に取り上げられやすいとわかっていても、論文の要旨や公的な発信で、システムが実際にできることを正確に記述する。この抑制を保てる研究者は少数だが、その少数こそが分野の基準を保っている。日本語での記者発表を英語論文の要旨よりさらに誇張してしまう例も少なくなく、この抑制はどの言語でも同じ強さで求められる。広報担当者が誇張した表現を提案してきたときに、研究者自身が押し戻せるかどうかも同じ試験の一部である。
学習実行が期待どおりの性能を出さなかった理由を調べてから、別のランダム初期化で試すのではない。誰も実際に診断していないバグを、サイコロを振り直して直そうとする誘惑に抵抗する。この一手間を惜しむと、同じバグが次の実験でも静かに結果を歪め続ける。計算資源の予約時間が限られているほど、この診断を飛ばして再実行に走る誘惑は強くなる。ログを丁寧に読む地味な作業こそが、遠回りに見えて実は最短の道であることが多い。
履歴書向けの言葉と実際の仕事ぶりが分かれる状況です。
別のチーム、あるいは社内の同僚が、論文の中心的な結果を再現できないと報告してくる。相手の実装ミスだと決めつけるのではなく、その報告を真剣に調査するかどうかが、その研究者の正確さへの本当のコミットメントを映し出す。この調査を渋る態度そのものが、周囲に不誠実さの疑いを抱かせる。多忙な時期に来たこの報告ほど、後回しにしたい気持ちが強くなる。それでも真剣に向き合う姿勢を見せられるかどうかが、長期的な信頼関係を決める。
正直に実行すれば論文の中心的な主張を弱めかねない、まさにその比較実験を査読が求めてくる。それを丁寧に実行し結果をそのまま報告するか、断る技術的な理由を探すかが、厳密な研究者と説得力のある研究者を分ける。後者の道を選ぶ研究者は、長期的には自分の評判を損なう。この判断は再投稿の締め切りが迫るほど難しくなる。指導教員や共著者からの圧力が強いほど、この誠実さを一人で保つのは難しくなる。
数十回の失敗の中から選ばれた数少ない成功例で洗練されたデモが組み立てられる。その選別過程を公に、代表的な能力として説明するか、正直に厳選された最良の事例として説明するかが、デモを通じて発信するこの分野で繰り返される特有の試験になる。この説明の仕方一つが、投資家や社会からの信頼の質を決める。記者発表の場では、この説明を省略する誘惑がとくに強くなる。視聴者や読者が技術的な詳細を確かめる手段を持たないほど、この説明責任は重くなる。
大きな投稿の締め切りが迫っているが、いくつかの検証手順が未完了のまま残っている。確認を省いて投稿するか、締め切りを遅らせたり主張を適切に限定したりするかが、締め切りの圧力と科学的な基準のどちらが研究者の実際の行動を支配しているかを明らかにする。この選択の積み重ねが、その研究者の長期的な評価を形づくる。共著者や指導教員からの投稿圧力が強い研究室ほど、この選択は個人だけの問題ではなくなる。それでも最終的にデータに名前を残すのは自分自身であるという事実は変わらない。
機械学習の博士課程プログラムや業界の研究所は、締め切り前の徹夜作業を人員不足の症状ではなく、期待される通過儀礼として扱う文化を長年記録してきた。若手研究者は、その仕事が世界を変えるとされる重要性を理由に、本来なら拒否したい著者資格の取り決めや労働時間を指導教員から受け入れるよう圧力を受けると報告している。日本のAI研究室でも、教授との関係や次の職への推薦を人質に取られる形で、実質的な無給労働が「研究への情熱」として正当化される場面が少なくなく、同じ「世界を変える」という言葉が、持続不可能な労働時間への異議申し立てを封じてしまう。国からの研究資金や産学連携の期待が高まるほど、この圧力は若手研究者に一方的にしわ寄せされていく傾向がある。
中程度
AI研究者の日常業務のかなりの部分――文献の選別、実験コードの初稿、ハイパーパラメータ探索、関連研究セクションの起草――は、すでにAIシステムにとって比較的高速にこなせるものであり、ループのより多くを自動化するために明示的に構築されたマルチエージェント研究システムは、いくつかの主要研究所での現役プロジェクトだ。まだ自動化されていないのは、結果が本物かどうかを判断すること、どの問いを尋ねる価値があるかを決めること、そして発表した主張が誤りだったと判明したときに責任を負うことだ。
AIと未来 →このサイトの専攻のうち、卒業進路にこの職業を挙げているものです。
分野だけでなく、6つのスコアが近い職業です。
自動車のブレーキから核ミサイルの誘導システムまで、あらゆるコンピュータや携帯電話の中にあるトランジスタを設計・製造する。地球上でごく一部の工場しか動かせないほど精密な機械を使う仕事だ。
AI耐性 60 📦本番環境で機械学習モデルを訓練・配備・監視・ガバナンスするためのシステムを構築する仕事。
AI耐性 54 🩺一度の手術ではなく、診察と根拠に基づいて何年にもわたり病気を見極め健康を管理し続ける——医学のジェネラリストであり長期的な伴走者。
AI耐性 67 🧠薬物療法と精神療法を通じて精神疾患を診断・治療する。医療分野のなかでも数少ない、危機的状況にある患者を法的権限に基づいて強制入院させられる専門職のひとつ。
AI耐性 73 👔依頼人に法的助言を与え、権利義務を縛る文書を起草し、法廷では代理人として弁論する——助言が誤っていれば自ら法的責任を負う職業。
AI耐性 58 🔐デジタル攻撃を発見、防止し、対応することで、システム、データ、人々を保護します。
AI耐性 63現代生活を動かすコードを書き、テストし、保守する仕事であり、AIが自分自身の日々の作業を自動化していく様子を最初に目の当たりにしている職業の一つでもある。
AI耐性 35 🛰️地上を離れる航空機・ロケット・宇宙船を設計・解析・認証する仕事で、推測の余地を残さない安全マージンを守り続ける。
AI耐性 74 🌉川と岩と重力を橋・道路・清潔な水に変える職業――イムホテプ以来、文明を静かに支え続ける仕事。
AI耐性 72 🔌自動車のブレーキから核ミサイルの誘導システムまで、あらゆるコンピュータや携帯電話の中にあるトランジスタを設計・製造する。地球上でごく一部の工場しか動かせないほど精密な機械を使う仕事だ。
AI耐性 60 🦾感知し、判断し、物理世界で行動する機械を設計する仕事。真の難問は知能ではなく、世界そのものだった。
AI耐性 65 🔐デジタル攻撃を発見、防止し、対応することで、システム、データ、人々を保護します。
AI耐性 63 📦本番環境で機械学習モデルを訓練・配備・監視・ガバナンスするためのシステムを構築する仕事。
AI耐性 54 🌬️再生可能な資源を信頼できる電力に変える、風力、太陽光、蓄電、送電網のシステムを設計・構築・改善する。
AI耐性 72