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
多くの日は、最近の論文を読むこと、訓練コードを書いてデバッグすること、長時間走らせた実験の結果を待って分析すること、同僚と発見を議論することに費やされる。世間のイメージとは裏腹に、仕事の大部分はゼロから新しいアーキテクチャを発想することではなく、なぜモデルの性能が振るわないのか、なぜ結果が再現しないのかを突き止めることだ。
大学やトップクラスの産業研究所で独立した研究職に就くには、事実上必要だ。免許試験が存在しないため、博士号がこの分野の実質的な資格であり続けている。博士号を持たない優秀なエンジニアが、企業のレジデンシープログラムや、オープンソースでの実績・被引用プレプリントの公開記録を通じて参入するケースは増えているが、「リサーチサイエンティスト」といった肩書きは依然として博士号保持者に大きく偏っている。
一部は明らかにそうだ。文献の要約、定型的な実験コード、関連研究セクションの下書きはすでにAIの助けを借りるのが日常的になっており、研究所は自ら実験を提案し実行するシステムを公然と試している。だが、ある結果が実際に何を意味するのかを解釈すること、そして公表した主張に責任を持つことは、はるかに引き渡しにくいことが分かっている。
雇用主や経験年数によって大きく異なる。米国のより広い「コンピュータ・情報科学研究者」区分の中央値は2024年で年14万910ドルだったが、大手テクノロジー企業の研究所に入る新博士はそれをはるかに上回る額から始まることが多く、2024〜2025年の採用競争では、フロンティアAI研究所の一部の上級研究者が7桁から8桁ドルに及ぶ総報酬パッケージを提示されたと報じられている。
境界は絶えず曖昧になっているが、大まかな区分はある。研究者の成果は通常、論文や新しい手法、あるいはなぜそれがうまくいくのかについての洞察であり、査読によって評価される。エンジニアの成果は通常、実運用で動くシステムであり、それが実際にリリースされ実使用に耐えるかどうかで評価される。キャリアの中で両方をこなす人も多い。
Pythonが主流で、深層学習フレームワークと組み合わせて使われる。研究の現場ではPyTorchが最も一般的で、大規模な計算やGoogle系の研究ではJAXが人気だ。コード以外では、研究者は共有のGPU/TPU計算クラスタ、Weights & Biasesのような実験管理ツール、そして正式な査読の何カ月も前に新しい成果がプレプリントとして出回るarXivに依存している。
AI研究の殿堂は、自身のアイデアで動く実際のコンピュータを一度も見なかった数学者から、流行遅れの技術をほぼ一夜にして分野全体を作り変えるまで何十年も擁護し続けた研究者まで及ぶ。ここに挙げる8人は70年以上、4カ国にまたがる。
彼らをつなぐのは合意ではない――功績、安全性、分野自体の方向性について公然と意見を異にした者もいる――むしろ、誰もそれが報われると思っていなかった時代から一つのアイデアに取り組み続ける共通の意志だ。
“知能に関する抽象的な主張を、単なる定義ではなく具体的で検証可能な予測として述べること。”
Elliott & Fry · Public domain
使用可能なコンピュータが存在するより10年も前にコンピューティングの数学的基盤を築き、1950年には機械知能を検証する実践的なテスト――コンピュータの会話が人間の判定者を欺けるか――を提案し、「機械は考えられるか」を純粋に哲学的な問いではなく検証可能なものへと再定義した。
1950年に『Mind』誌に発表した論文で、チューリングは50年以内に約10億ビットの記憶容量を持つコンピュータが、5分間の質問の後、平均的な人間の尋問者を少なくとも30%の確率で欺くだろうと予測した――誰もそれを実際に検証できるようになるずっと前に、自分の名前を賭けた具体的で反証可能な予測だった。
“知能に関する抽象的な主張を、単なる定義ではなく具体的で検証可能な予測として述べること。”
Cmichel67 · CC BY-SA 4.0
ニューラルネットワーク訓練のための誤差逆伝播法を普及させた1986年の論文を共著し、その後二度のAIの冬を通じて深層学習の数少ない一貫した信奉者として何十年も過ごし、教え子が作ったAlexNetが2012年のImageNetコンペティションに優勝し、ほぼ一夜にして分野を作り変えた。
AlexNetの2012年ImageNet優勝の後、ヒントンはその年のNeurIPS会議が開かれていたレイクタホのホテルの一室から、自身の3人だけのスタートアップDNNresearchをオークションにかけた。Google、Microsoft、百度、DeepMindが競り合い、最終的にGoogleが4400万ドルで勝ち取った――深層学習を学術的な好奇心から商業的優先事項へと変えたたった一日の出来事だった。
“流行遅れのアイデアに繰り返しの拒絶を経ても固執し続けることは、流行ではなく証拠が追いついたときに報われうる。”
Jérémy Barande · CC BY-SA 2.0
1980年代後半にベル研究所で畳み込みニューラルネットワークを構築し、1990年代までに手書き小切手を読み取る商用システムとして展開させた――分野の主流ブレイクスルーの15年以上前に実現した実用的な深層学習の展開だ。現在はMetaの主任AI科学者であり、今日の言語モデルが汎用知能につながるという見方には公然と懐疑的だ。
1990年代、ベル研究所で開発されたルカンの畳み込みネットワークLeNetは、米国の銀行向けに手書きの小切手数字を読み取るために展開された。全盛期には、彼のアーキテクチャに基づくシステムが米国で処理される小切手のかなりの割合を読んでいたと伝えられる――2012年がこのアプローチを有名にするずっと前に、実運用でうまくいくことの証明だった。
“実際の運用で証明されたシステムは、たとえ分野が先に進んでいても、どんなベンチマークスコアも教えられない教訓を教えてくれる。”
Xuthoria · CC BY-SA 4.0
神経言語モデリングを前進させ、同僚とともにトランスフォーマーアーキテクチャに直接つながる注意機構を導入する一方、モントリオール大学のMilaを世界最大級の深層学習研究者の集積地に育て上げた。後に、AIリスクの規制を求める最も著名な声の一人となった。
2023年5月、ベンジオはジェフリー・ヒントンや他の数百人の研究者とともに、AIによる絶滅リスクの緩和はパンデミックや核戦争のような社会規模のリスクと並ぶ世界的優先事項とすべきだと宣言する一文の公開声明に署名した――自ら30年間その技術を築き上げてきた研究者としては、際立った公的な転向だった。
“強力な技術を築くことと、その危険性について公に警告することは、同時に取りうる矛盾しない立場である。”
John Sears · CC BY-SA 4.0
元チェスの天才少年でビデオゲームデザイナーでもあった彼は、2010年にDeepMindを共同設立し、トッププロ棋士を破った初のプログラムAlphaGo、そしてほぼすべての既知のタンパク質の立体構造を予測したAlphaFoldを作ったチームを率いた。AlphaFoldにより2024年のノーベル化学賞を共同受賞。
2016年3月、ソウルで行われた囲碁チャンピオン李世乭(イ・セドル)との対局第2局で、AlphaGoは5線に第37手を打った――あまりに型破りな一手で、解説者マイケル・レドモンドは当初それをおそらくミスだと評した。李は席を離れて気持ちを整えてから戻った。この一手は今、機械が創造的直観に似た何かを生み出した瞬間として広く引用されている。
“狭いゲームのルールだけで訓練されたシステムでも、それを作った人間を驚かせることができる。”
ITU Pictures · CC BY 2.0
約1400万枚の日常写真を手作業でラベル付けしたデータセットImageNetを構築し、画像認識を測定可能な年次コンペティションに変えた。2012年にそれを制したAlexNetシステムは、深層学習ブームを始めたと広く評価されている。現在はスタンフォード人間中心AI研究所の共同ディレクター。
2007年頃から、リーのチームはAmazonのMechanical Turkを使い、クラウドワーカーにWordNet語彙データベースから引いた約2万カテゴリーに1400万枚以上の画像を手作業でラベル付けさせた――何年もかかった地味なプロジェクトで、同僚の中には有望な研究者のキャリアを無駄にしていると彼女に言った者もいたと伝えられる。5年後、同じデータセットでのAlexNetの勝利が深層学習ブームの引き金となった。
“データセットはアルゴリズムと同じくらい重要になりうる――地味なインフラ整備こそが本当のブレイクスルーであることもある。”
1956年のダートマス会議を主催しながら「人工知能」という言葉を作り、翌年にはLispプログラミング言語を発明し、若い分野に名前と、その後数十年にわたる主要な研究ツールの両方を与えた。1971年、分野の理論的基盤を築いた功績でチューリング賞を受賞。
1955年、ロックフェラー財団に1万4000ドルを求める提案書の中で、マッカーシーと3人の共著者は「人工知能」という言葉を作った――一部にはノーバート・ウィーナーのサイバネティクスとこのプロジェクトを区別する狙いがあった。財団は要求額の約半分を助成し、翌年夏に開かれた8週間のダートマス会議は単一の技術的ブレイクスルーを生まなかったが、あえて選ばれたその名前は、そこで実際に議論されたどのアイデアよりも長く生き残った。
“分野に決定的な名前を付けることは、創始者がその年に何を成し遂げたかとは独立に、何十年もその分野のアイデンティティを形作りうる。”
1972年、ケンブリッジで逆文書頻度を開発した。今日分野を支配する深層学習モデルの何十年も前に、多くの検索エンジンと自然言語処理の大半を今も支えるTF-IDFの背後にある統計的洞察だ。生涯を通じて、女性のコンピューティング分野への参入を積極的に擁護した。
スパーク・ジョーンズの1972年の論文は、文書の関連性をランク付けする際に一般的な単語よりも希少な単語をより重く重み付けすることを提案した――今日「逆文書頻度」と呼ばれるアイデアで、現代の検索・検索システムの中に今も構成要素として残っている。彼女は同じくらい、「コンピューティングは男性だけに任せておくには重要すぎる」という率直な決まり文句でも知られるようになり、英国コンピュータ協会は後にこれを年次講演シリーズのタイトルとして採用した。
“一つの、正確に述べられた統計的アイデアは、何十年も後にその上に築かれたアーキテクチャ全体よりも長く生き残りうる。”
バーはこのリストの首位を基準にした相対値です。
名前をオンオフすると — すべての棒が選んだグループの首位を基準に再計算される。
1950年のチューリングテストに合格することが知能の有意味な尺度かどうかは今も論争が続いている。批判者は、チャットボットが判定者を欺くことは、本物の理解というよりも説得力のある流暢さ、あるいは人間の騙されやすさを示すにすぎないと主張する。
2018年のチューリング賞がヒントン、ルカン、ベンジオを深層学習の創始者として位置づけたことは、他の研究者から異論が出ている。最も声高なのはユルゲン・シュミットフーバーで、自身の研究室が先に発表した手法が十分に評価されなかったと主張している。
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