Исследователь искусственного интеллекта · Разрабатывает и тестирует алгоритмы, лежащие в основе машинного интеллекта, в области, которая сейчас стремится автоматизировать растущую долю собственного исследовательского процесса.
Чем темнее клетка, тем выше балл по этому показателю.
МеньшеБольше
Последняя проверка Источники и титрыМедиа-кредитыМетодология
Большую часть дней мы тратим на чтение последних статей, написание и отладку обучающего кода, ожидание и анализ результатов длительных экспериментов, а также обсуждение результатов с коллегами. Вопреки распространенному мнению, большая часть работы заключается в диагностике того, почему модель неэффективна или результат не воспроизводится, а не в мозговом штурме новой архитектуры с нуля.
Для независимой исследовательской роли в университете или ведущей отраслевой лаборатории, по сути, да: докторская степень остается настоящим дипломом в этой области, поскольку здесь нет лицензионного экзамена. Сильные инженеры без такового все чаще поступают через отраслевые программы резидентуры или публичные записи о работе с открытым исходным кодом и цитируемые препринты, но такие звания, как «ученый-исследователь», по-прежнему сильно склоняются к обладателям докторских степеней.
Частично это очевидно: обобщение литературы, шаблонный код эксперимента и первые проекты разделов, связанных с работой, уже регулярно выполняются с помощью ИИ, а лаборатории открыто экспериментируют с системами, которые предлагают и проводят свои собственные эксперименты. Гораздо труднее сформулировать, что на самом деле означает результат, и взять на себя ответственность за опубликованное заявление.
Это сильно варьируется в зависимости от работодателя и стажа. Медиана в США для более широкой категории «ученых, занимающихся компьютерными и информационными исследованиями», в 2024 году составляла 140 910 долларов, но новые доктора философии, присоединяющиеся к исследовательской лаборатории крупной технологической компании, часто начинают намного выше этой суммы, и, как сообщается, небольшому числу старших исследователей в передовых лабораториях искусственного интеллекта в ходе конкурса найма на 2024–2025 годы предлагались семи- или восьмизначные пакеты услуг.
Границы постоянно размываются, но грубое различие сохраняется: результатом исследователя обычно является статья, новый метод или понимание того, почему что-то работает, оцениваемое экспертной рецензией; Результатом работы инженера обычно является работающая система в производстве, судя по тому, поставляется ли она и выдерживает ли она реальное использование. Многие люди делают и то, и другое на протяжении всей карьеры.
Доминирует Python в сочетании со структурой глубокого обучения — PyTorch сейчас является наиболее распространенным в исследованиях, а JAX популярен для крупномасштабных работ, связанных с Google. Помимо кода, исследователи полагаются на общие вычислительные кластеры GPU или TPU, инструменты отслеживания экспериментов, такие как Weights & Biases и arXiv, где большинство новых результатов распространяются в виде препринтов за несколько месяцев до официального рецензирования.
Исследования ИИ — это профессия, наиболее непосредственно связанная с собственными результатами. Инструменты, которые он создает, теперь сознательно используются в самом исследовательском процессе — обобщении статей, предложении экспериментов, написании обучающего кода — что делает этот раздел менее гипотетическим, чем почти любой другой профиль на этом сайте.
Это разоблачение не делает эту работу устаревшей, но делает аргумент о том, что выживает, необычайно конкретным: горстка лабораторий открыто пытается создать системы, которые будут выполнять весь цикл исследования, и честный ответ на данный момент заключается в том, что они могут выполнять его части, но не те части, которые имеют наибольшее значение для оценки достоверности результата.
Значительная часть рутинной работы исследователя ИИ — сортировка литературы, первый вариант кода эксперимента, поиск гиперпараметров, составление раздела сопутствующей работы — уже выполняется сравнительно быстро для системы ИИ, а многоагентные исследовательские системы, созданные специально для автоматизации большей части цикла, являются активным проектом в нескольких крупных лабораториях. Что не было автоматизировано, так это оценка того, является ли результат реальным, принятие решения о том, какой вопрос стоит задать, и ответственность, когда опубликованное утверждение оказывается неверным.
Scored from the tasks, not the job title. Lower is safer.
Jobs AI cannot take →Чтобы отличить подлинный эффект от шума, счастливого семени или контрольного показателя, незаметно просачивающегося в обучающие данные, требуется именно тот скептический подход, который автоматизированные системы хуже всего умеют применять к своим собственным результатам.
Решение о том, что конкретная, трудная, недостаточно изученная проблема стоит нескольких месяцев лабораторных вычислений и внимания, — это ставка, сделанная на основе неполной информации — часть исследования, наиболее далекая от сопоставления с образцом прошлых статей.
Кто-то должен поддерживать результат, когда он не воспроизводится или имеет ошибочные исходные данные — модель не может нести профессиональную или научную ответственность за свой собственный результат.
Взвешивание вероятных социальных последствий системы, рисков безопасности или потенциала двойного использования перед публикацией опирается на ценности и контекст, о которых у автоматизированного исследовательского процесса нет оснований рассуждать самостоятельно.
Интуиция, ради которой стоит гнаться за удивительным результатом, развитая в результате наблюдения за сотнями успешных и неудачных экспериментов на протяжении всей карьеры, еще не является тем, что ни одна система продемонстрировала на уровне старшего исследователя.
Учитывая десятки тысяч новых препринтов в год, инструменты, которые обобщают и ранжируют статьи по релевантности, уже широко используются в этой области.
Объединение стандартного цикла обучения, загрузчика данных или сценария оценки теперь зачастую быстрее сгенерировать и проверить, чем писать с нуля.
Системы автоматической настройки могут выполнять поиск в пространстве параметров гораздо более исчерпывающе и с меньшими затратами, чем исследователь вручную пробует конфигурации по одной.
Первый этап обобщения предшествующей работы, имеющей отношение к новой статье, все чаще осуществляется с помощью ИИ, хотя конкретная формулировка и честное сравнение по-прежнему требуют проверки исследователем.
Растущая доля времени исследователя уходит на определение того, что должна попробовать автоматизированная система, и оценку ее результатов, а не на написание и проведение каждого эксперимента лично.
Как предсказывает «горький урок» этой области, доступ к крупномасштабным вычислениям все больше определяет, какие лаборатории смогут даже проверить ту или иную идею, концентрируя передовые исследования внутри небольшого числа хорошо финансируемых организаций.
Поскольку инструменты с помощью искусственного интеллекта позволяют быстро получить правдоподобный результат, тщательная проверка этого результата становится все более ценной и более отдельной специальностью в исследовательских группах.
Системы, предназначенные для выдвижения гипотез, проведения экспериментов и составления проектов документов с ограниченным человеческим контролем — такие проекты, как «Ученый по искусственному интеллекту» Sakana AI (2024 г.) и «Соучёный по искусственному интеллекту» Google DeepMind (2025 г.) — теперь сами являются активной областью публикаций.
Изучает, как обеспечить, чтобы все более мощные системы надежно выполняли то, что задумали их проектировщики, — специальность, которая до 2010-х годов практически не существовала как отдельный карьерный путь.
Создание и поддержка распределенной инфраструктуры обучения и вычислений. Передовые исследования теперь зависят не меньше, чем любая отдельная алгоритмическая идея.
Работает на границе между техническими исследованиями и государственной или корпоративной политикой, переводя то, что могут и не могут делать собственные системы лаборатории, в правила или меры безопасности.
Целенаправленно тестирует модели и результаты исследований, созданные ИИ, на наличие режимов сбоев, дыр в безопасности и ложных утверждений, прежде чем они попадут в производство или будут опубликованы.
Tri obratimye linzy: usilit, zamenit srez ili otkryt nishu. Uchebnye metki, ne prognoz.
Rol sokhranyaetsya; AI uskorayet chernoviki ili issledovanie; suzhdenie ostaetsya chelovecheskim.
Uzkiy paket zadach mozhet szhatsya snachala, poka smezhnoye masterstvo rastet.
Mogut poyavitsya nadzor i integratsiya, gde vyvod AI dolzhen byt dostovernym.
Спрос на талантливых исследователей ИИ, скорее всего, останется высоким в течение следующего десятилетия, но версия работы начального уровня уже меняется: меньше должностей будет существовать исключительно для проведения рутинных экспериментов вручную, и все больше будут ожидать, что новый исследователь будет руководить, подвергать сомнению и проверять работу, которую производит конвейер с помощью ИИ, почти сразу же.
Самое явное долгосрочное преимущество будет у исследователей, которые смогут сформулировать действительно новый вопрос, определить, когда правдоподобный результат оказывается неверным, и взять на себя ответственность за утверждение публично — то же самое суждение, в котором всегда нуждалась эта область, теперь применяется к исследовательскому процессу, который все чаще пишет свой собственный первый черновик.
Разрабатывает и производит транзисторы внутри каждого компьютера, телефона и оружия, используя настолько точные станки, что их могут эксплуатировать лишь несколько заводов на Земле.
AI-resistant 60 📦Создает системы, которые обучают, развертывают, контролируют и управляют моделями машинного обучения в производстве.
AI-resistant 54 🩺Диагностирует болезнь и следит за здоровьем в течение многих лет с помощью осмотров и доказательств, а не одной операции — универсальный и долгосрочный справочник медицины.
AI-resistant 67 🧠Диагностика и лечение психических заболеваний с помощью лекарств и терапии, одна из единственных медицинских специальностей, имеющих законное право удерживать пациента в критическом состоянии.
AI-resistant 73 👔Консультирует клиентов, составляет документы, обязывающие их, и аргументирует их дело, когда оно доходит до суда, неся личную юридическую ответственность, если совет окажется неверным.
AI-resistant 58 🔐Защищает системы, данные и людей, обнаруживая, предотвращая и реагируя на цифровые атаки.
AI-resistant 63Пишет, тестирует и поддерживает код, который управляет современной жизнью, и является одной из первых профессий, наблюдающих, как ИИ автоматизирует свою повседневную работу.
AI-resistant 35 🛰️Проектирует, анализирует и сертифицирует летательные аппараты, ракеты и космические корабли, отрывающиеся от земли, работая с запасом безопасности, не оставляющим места для догадок.
AI-resistant 74 🌉Профессия, превращающая реки, скалы и гравитацию в мосты, дороги и чистую воду — тихая несущая сила цивилизации со времен Имхотепа.
AI-resistant 72 🔌Разрабатывает и производит транзисторы внутри каждого компьютера, телефона и оружия, используя настолько точные станки, что их могут эксплуатировать лишь несколько заводов на Земле.
AI-resistant 60 🦾Разрабатывает машины, которые чувствуют, принимают решения и действуют в физическом мире, где сложной проблемой является не интеллект, а сам мир.
AI-resistant 65 🔐Защищает системы, данные и людей, обнаруживая, предотвращая и реагируя на цифровые атаки.
AI-resistant 63 📦Создает системы, которые обучают, развертывают, контролируют и управляют моделями машинного обучения в производстве.
AI-resistant 54 🌬️Проектирует, строит и совершенствует ветровые, солнечные, накопительные и сетевые системы, которые превращают возобновляемые ресурсы в надежную электроэнергию.
AI-resistant 72