Pesquisador de IA · Projeta e testa os algoritmos por trás da inteligência das máquinas, em um campo que agora corre para automatizar uma parcela crescente de seu próprio processo de pesquisa.
A investigação em IA é a profissão mais diretamente exposta aos seus próprios resultados. As ferramentas que ele constrói estão agora sendo voltadas, deliberadamente, para o próprio processo de pesquisa — resumindo artigos, propondo experimentos, escrevendo código de treinamento — o que torna esta seção menos hipotética do que em quase qualquer outro perfil deste site.
Essa exposição não torna o trabalho obsoleto, mas torna o argumento sobre o que sobrevive invulgarmente concreto: um punhado de laboratórios está abertamente a tentar construir sistemas que executem todo o ciclo de investigação, e a resposta honesta, a partir de agora, é que podem fazer partes do mesmo, mas não as partes que mais importam para julgar se um resultado é verdadeiro.
Uma parte significativa do trabalho de rotina de um pesquisador de IA - triagem de literatura, primeiro rascunho do código do experimento, pesquisa de hiperparâmetros, elaboração de uma seção de trabalho relacionada - já é comparativamente rápida para um sistema de IA, e sistemas de pesquisa multiagentes construídos explicitamente para automatizar mais o ciclo são um projeto ativo em vários laboratórios importantes. O que não foi automatizado é julgar se um resultado é real, decidir qual pergunta vale a pena ser feita e responsabilizar-se quando uma afirmação publicada se revela errada.
Scored from the tasks, not the job title. Lower is safer.
Jobs AI cannot take →Distinguir um efeito genuíno de ruído, uma semente da sorte ou um benchmark vazando silenciosamente para dados de treinamento requer exatamente o julgamento cético que os sistemas automatizados são piores em aplicar aos seus próprios resultados.
Decidir que um problema específico, difícil e pouco explorado vale meses de computação e atenção de um laboratório é uma aposta feita com informações incompletas – a parte da pesquisa que está mais distante da correspondência de padrões em artigos anteriores.
Alguém tem de defender um resultado quando este não consegue ser replicado ou se revela ter uma base de referência falha – um modelo não pode responsabilizar profissional ou científica pelos seus próprios resultados.
Pesar os prováveis efeitos sociais, os riscos de segurança ou o potencial de dupla utilização de um sistema antes da publicação baseia-se em valores e contexto, um pipeline de investigação automatizado não tem motivos para raciocinar por si só.
A intuição pela qual vale a pena perseguir resultados surpreendentes, desenvolvida ao observar centenas de experimentos bem-sucedidos e fracassados ao longo de uma carreira, ainda não é algo que qualquer sistema tenha demonstrado ao nível de um pesquisador sênior.
Dadas as dezenas de milhares de novos preprints por ano, ferramentas que resumem e classificam os artigos por relevância já estão em uso rotineiro em toda a área.
Conectar um loop de treinamento padrão, carregador de dados ou script de avaliação agora é mais rápido de gerar e verificar do que escrever do zero.
Sistemas de ajuste automatizados podem pesquisar um espaço de parâmetros de forma muito mais exaustiva e barata do que um pesquisador tentando manualmente as configurações, uma de cada vez.
Uma primeira tentativa de resumir o trabalho anterior relevante para um novo artigo é cada vez mais auxiliada pela IA, embora o enquadramento específico e a comparação honesta ainda precisem da verificação do pesquisador.
Uma parcela crescente do tempo de um pesquisador é gasta na especificação do que um sistema automatizado deve tentar e no julgamento de seus resultados, em vez de escrever e executar cada experimento pessoalmente.
Como prevê a própria “lição amarga” deste campo, o acesso à computação em grande escala determina cada vez mais quais os laboratórios que podem testar uma determinada ideia, concentrando a investigação de fronteira num pequeno número de organizações bem financiadas.
À medida que as ferramentas assistidas por IA tornam mais fácil produzir rapidamente um resultado de aparência plausível, a verificação rigorosa desse resultado está se tornando uma especialidade mais valorizada e com pessoal mais separado dentro dos grupos de pesquisa.
Sistemas concebidos para propor hipóteses, executar experiências e redigir documentos com supervisão humana limitada — projetos como o “AI Scientist” da Sakana AI (2024) e o “AI co-cientista” do Google DeepMind (2025) – são eles próprios agora uma área ativa de publicação.
Estuda como manter sistemas cada vez mais capazes fazendo de forma confiável o que seus projetistas pretendem, uma especialidade que mal existia como carreira distinta antes da década de 2010.
Construir e manter o treinamento distribuído e a pesquisa de fronteira da infraestrutura de computação agora depende tanto quanto de qualquer ideia algorítmica individual.
Trabalha na fronteira entre a pesquisa técnica e a política governamental ou corporativa, traduzindo o que os sistemas do próprio laboratório podem ou não fazer em regras ou salvaguardas.
Testa deliberadamente modelos e resultados de pesquisa gerados por IA em busca de modos de falha, falhas de segurança e alegações falsas antes que cheguem à produção ou publicação.
É muito provável que a procura de talentos em investigação em IA se mantenha forte durante a próxima década, mas a versão inicial do trabalho já está a mudar: existirão menos funções puramente para executar experiências de rotina manualmente, e mais pessoas esperarão que um novo investigador dirija, questione e verifique o trabalho de um pipeline assistido por IA produzido quase imediatamente.
A vantagem mais clara a longo prazo residirá nos investigadores que sejam capazes de formular uma questão genuinamente nova, identificar quando um resultado aparentemente plausível está silenciosamente errado e assumir a responsabilidade por uma afirmação em público – o mesmo julgamento de que a área sempre precisou, agora aplicado a um processo de investigação que escreve cada vez mais o seu próprio primeiro rascunho.
Projeta e fabrica os transistores dentro de cada computador, telefone e arma, usando máquinas precisas o suficiente para que apenas algumas fábricas na Terra possam operá-las.
AI-resistant 60 📦Constrói os sistemas que treinam, implantam, monitoram e controlam modelos de aprendizado de máquina em produção.
AI-resistant 54 🩺Diagnostica doenças e gerencia a saúde durante anos por meio de exames e evidências, não de uma única operação - o guia generalista e de longo prazo da medicina.
AI-resistant 67 🧠Diagnostica e trata doenças mentais por meio de medicamentos e terapia, uma das únicas especialidades da medicina com autoridade legal para deter um paciente em crise.
AI-resistant 73 👔Aconselha os clientes, redige os documentos que os vinculam e defende o seu caso quando este chega ao tribunal - assumindo responsabilidade legal pessoal se o aconselhamento estiver errado.
AI-resistant 58 🔐Protege sistemas, dados e pessoas, encontrando, prevenindo e respondendo a ataques digitais.
AI-resistant 63Escreve, testa e mantém o código que comanda a vida moderna – e é uma das primeiras profissões a observar a IA automatizar seu próprio trabalho diário.
AI-resistant 35 🛰️Projeta, analisa e certifica as aeronaves, foguetes e espaçonaves que saem do solo, trabalhando com margens de segurança que não deixam margem para suposições.
AI-resistant 74 🌉A profissão que transforma rios, rochas e gravidade em pontes, estradas e água limpa – o comércio silencioso e pesado da civilização desde Imhotep.
AI-resistant 72 🔌Projeta e fabrica os transistores dentro de cada computador, telefone e arma, usando máquinas precisas o suficiente para que apenas algumas fábricas na Terra possam operá-las.
AI-resistant 60 🦾Projeta as máquinas que sentem, decidem e agem no mundo físico, onde o problema difícil nunca foi a inteligência, mas o próprio mundo.
AI-resistant 65 🔐Protege sistemas, dados e pessoas, encontrando, prevenindo e respondendo a ataques digitais.
AI-resistant 63 📦Constrói os sistemas que treinam, implantam, monitoram e controlam modelos de aprendizado de máquina em produção.
AI-resistant 54 🌬️Projeta, constrói e melhora sistemas eólicos, solares, de armazenamento e de rede que transformam recursos renováveis em eletricidade confiável.
AI-resistant 72