AI 연구원, 2012년의 딥러닝, 트랜스포머, 그리고 스케일링 시대

대부분의 시간은 최근 논문을 읽고, 훈련 코드를 작성하고 디버깅하고, 오래 실행되는 실험 결과를 기다리며 분석하고, 협업자와 발견 사항을 논의하는 데 나뉘어 쓰인다. 대중적 이미지와 달리, 업무의 큰 비중은 새로운 아키텍처를 처음부터 구상하는 것이 아니라 모델의 성능이 왜 부진한지, 왜 결과가 재현되지 않는지를 진단하는 데 있다. 대학이나 최상위 산업 연구소에서 독립적인 연구직을 맡으려면 사실상 그렇다. 자격시험이 존재하지 않으므로 박사 학위가 이 분야의 실질적 자격증 역할을 한다. 박사 학위가 없는 뛰어난 엔지니어들은 산업체 레지던시 프로그램이나 오픈소스 작업과 인용된 프리프린트라는 공개 기록을 통해 점점 더 많이 진입하고 있지만, '연구 과학자' 같은 직함은 여전히 박사 학위 소지자에게 크게 치우쳐 있다.

일부는 명백히 그렇다. 문헌 요약, 상용구 실험 코드, 관련 연구 초안 작성은 이미 일상적으로 AI의 도움을 받고 있으며, 일부 연구소는 스스로 실험을 제안하고 실행하는 시스템을 공공연히 실험하고 있다. 그러나 결과가 실제로 무엇을 의미하는지 해석하고 발표된 주장에 책임을 지는 일은 넘겨주기 훨씬 어려운 것으로 드러났다. 고용주와 연차에 따라 편차가 매우 크다. 미국의 더 넓은 '컴퓨터 및 정보 연구 과학자' 범주 중위 연봉은 2024년 $140,910였지만, 대형 기술기업 연구소에 합류하는 신규 박사들은 흔히 이보다 훨씬 높은 금액으로 시작하며, 2024~2025년 채용 경쟁 중 프런티어 AI 연구소의 극소수 시니어 연구원들은 7~8자리 숫자에 달하는 총보상 패키지를 제안받았다고 알려져 있다.

경계는 끊임없이 흐려지지만, 대략적인 구분은 유지된다. 연구원의 산출물은 대개 논문, 새로운 방법, 또는 무언가가 왜 작동하는지에 대한 통찰이며 동료 심사로 평가받는다. 엔지니어의 산출물은 대개 실제 운영 중인 시스템이며, 출시되고 실사용에서 버텨내는지로 평가받는다. 많은 사람들이 경력 동안 둘 다를 겸한다. 파이썬이 지배적이며 딥러닝 프레임워크와 함께 쓰인다. 파이토치가 현재 연구에서 가장 흔히 쓰이고, 구글 관련 대규모 작업에는 JAX가 인기가 있다. 코드 외에도 연구자들은 공유 GPU·TPU 컴퓨팅 클러스터, & 같은 실험 추적 도구, 그리고 대부분의 새로운 결과가 공식 동료 심사 몇 달 전에 프리프린트로 유통되는 에 의존한다.