AI研究者、のマシンエンジニア

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。 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。研究の現場ではが最も一般的で、大規模な計算や系の研究では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、 & 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に依存している。

他の多くの技術分野よりも容易になれる。物理学、数学、神経科学、統計学はいずれもAI研究に直結しており、影響力のある人物の中にも他分野から移ってきた者がいる――たとえば物理学者ジョン・ホップフィールドは、1982年に発表したニューラルネットワークモデルで2024年のノーベル物理学賞を共同受賞した。専攻そのものよりも、定量的思考とプログラミングの確かな基礎の方が重要だ。 アイデアではなく、計算能力とそれを賄う資金であることがますます増えている。フロンティアモデルの訓練には計算資源だけで数千万ドルもかかることがあり、最も資源集約的な研究は一握りの潤沢な資金を持つ研究所に集中し、大学や小規模研究所の研究者はほとんど必然的に、よりデータ効率・計算効率の高い手法へと向かわされている。