一天是实验,不是灵感
研究人员阅读论文,设计比较,编写和调试训练代码,检查失败运行并向合作者解释结果. 在加强基线、增加随机种子或改变评价组合之后,有希望的改进可能会消失。 该工艺是实验性硬性:将造成效果的东西隔离开来,记录负面结果,并将论文的说法与证据而不是最有吸引力的叙述相匹配。
格子越深，表示该主题在这项指标上越高。
抗AI50
薪酬90
入行门槛92
自主性68
需求90
影响力96
低高
每根柱是该主题的0-100图鉴分，不是时间轴。
把这份职业的薪酬与抗自动化放在同一条0-100尺上。
两项分数始终可见。拖动滑块可强调左侧（薪酬）或右侧（抗AI）。
薪酬
抗AI
一个点：该职业在两条命名轴上的位置。
进入这一角色前通常需要的教育与训练年数。
约10年教育训练后进入岗位
10年
按时间排列的节点，不是每周活动格。
- McCulloch和皮特斯在数学上模拟神经元
- 图灵提议模仿游戏
- 达特茅斯工场命名场
- 罗森布拉特建造了佩西德龙
- 第一个AI冬天开始
- 反传播被普及
- The second AI winter
- LeCun证明了革命网络在实际检查方面的工作
- AlexNet 赢得ImageNet 并开始深入学习的繁荣
- 变形器和缩放时代
把这份职业地图分享给正在考虑升学、转训或首份工作的人。
一句话看懂
AI Researcher：设计并测试了机器智能背后的算法,在一个领域,现在竞相将自己研究过程中越来越大的份额自动化.
- 典型薪酬
- $200k–$400k+ (United States)
- 入行年限
- 10
- AI抗性
- 50/100
- 需求
- 90/100
速览
1956, DartmouthField founded
Perceptron, 1958First neural net
AlexNet, 2012Landmark breakthrough
2018 (deep learning)AI Turing Award
$140,910/yrMedian pay (US, 2024)
~19% (N. America)Women in new AI PhDs
AI研究者设计,训练和评价让软件识别图像,生成语言,计划和决策的算法——通常是一种机器学习的形式,一个模型通过处理大量数据而不是遵循一个人手写的规则来改进任务. 这项工作跨越大学实验室 发明新建筑, 公司研究团体 放大 证明的, 和专家 花一个职业生涯 一个狭小的片段, 例如一个模型如何学习 极少的数据。
该领域比大多数人假定的要年轻:1955年在达特茅斯学院的1956年暑期讲习班上发明了"人工智能"这一短语,从那时起,工作经过了两次繁荣和“冬季”的循环——在早期承诺未兑现之后,资金崩溃。 以及2017年的一篇关于“关注”的论文,
AI的研究在这个网站的专业中是不寻常的,因为它的学科和仪器是相同的技术. 从现场产出中建造的工具现在起草文献评论,提出实验和写出训练运行的代码,少数实验室公开试图将研究过程本身的部分自动化. 在压力中幸存下来的是什么, 而不是什么, 问题是本简介的其余部分 试图诚实回答而不是令人放心。
深入这份职业
AI研究是受控惊喜的学科: 提出一个想法是容易的,但显示一个结果是真实的,有用的,而不是数据的文物,计算或幸运种子是实际的作品.
工作涉及不同的机构
大学的研究人员在很长的距离内进行提问,并培训学生;工业实验室可以进行昂贵的实验,并将结果转移到产品中;研究工程师建立系统,使两者都成为可能。 理论,计算机视觉,语言,机器人,强化学习,安全和科学AI需要不同的方法. 分享货币是其他人可以检查、复制或发展的结果,而不仅仅是一份职称。
出版是非正式的大门
博士仍然是独立研究的通常途径,其基础是数学、编程和顾问实验室。 然而,实用的大门是认真工作的记录:论文、代码、数据集、基准和协作,这些都经受住了怀疑的审查。 来自物理学,神经科学或统计学的强力工程师和研究人员可以通过住所和开源贡献进入,但前沿角色通常需要显示研究深度.
字段自动化自己的工作流程
AI工具现在总结了文献,实验代码草案和搜索超参数;一些系统尝试更大的研究循环部分. 他们可以使合理的工作更便宜生产。 这增加了研究品味、评价和问责制的价值:决定哪些问题很重要,发现一个静悄悄的缺陷,并站在公众诉求的背后。 自动化改变运行实验的比例来判断它们,而不是验证的义务.
工作如何分岔
同一头衔下常见的五条路径——专长、场景与生涯形态。
Research scientist
通过实验、论文和合作制定或推进研究议程。
Research engineer
建设培训,评价和数据系统,使研究思想可以进行规模测试.
AI safety researcher
研究模式为失败,误用,稳健性以及更安全的行为或治理方法.
机器人/包含的人工智能研究员
结合了感知,控制,模拟和硬件实验,用于在世界上操作的系统.
科学研究员
应用或发展生物学,气候,材料,物理等研究领域的学习方法.
各国读法不同
同样的行当，门槛、地位与日常不同。按各语言读者真正搜索的语境重写。
美国——边境实验室和大学
大量集中的主要实验室、云计算和大学创造了高薪但有选择性的机会。 获得计算和强大的出版网络可以决定哪些问题是可行的。
韩国——应用研究和大型平台.
公司研究中心、大学和电子公司支持语言、视觉、机器人和芯片方面的工作。 产品压力可以使研究人员接近部署.
日本——机器人、工业和研究机构
机器人、制造和长期成立的研究机构创造了独特的研究途径。 公司实验室和大学之间的合作仍然很重要。
德国——研究所和应用科学
大学团体、研究机构和工业雇主支持与制造业和工程业有密切联系的AI研究。 供资结构往往奖励合作项目。
联合王国——研究集群和政策关注
大学研究和设在伦敦的实验室创造了一个集中的生态系统,同时建立了明显的AI安全和政策社区。 对高级人才的竞争十分激烈.
新加坡——国际研究中心.
大学、公共研究方案和多国实验室在国际上征聘。 区域应用、多语种数据和跨界合作是共同的主题。
档案图集
为本职业自托管的 Commons CC/PD 图片。
为什么态度在这份工作里很重要
AI研究运行速度比它自己的同行评审快,因此研究人员对不复制的结果的诚实或者削弱自己头条主张的衰减往往是这个领域实际掌握的唯一质量控制.
复制取决于诚实 没有人能强迫
一个结果可以看起来是真实的,因为幸运的随机种子,一个未报告的超参数搜索,或者一个基线没有像拟议方法那样仔细的调制,只有很少的外部实验室有计算器来检查. 研究人员报告失败的种子和成功种子是否是决定,任何审查者都无法从文件中核实。 该领域的知识只有研究者愿意削弱自己的最佳结果时才可靠.
计算成本使判断比持久性更有价值
一次大型的训练跑会比研究人员的年薪花费更多,所以决定下一步进行什么样的实验,而不是快速进行许多实验的能力,是真正的技能生活的地方. 一个无法忍受模糊结果的研究人员在追逐下一个闪闪发光的想法之前,会把资源浪费得更慢、更谨慎、预算相同的同事不会。
竞争压力奖励
公布期限和实验室之间竞相宣布同样的能力,造成了一种持续的诱惑,将樱桃选手的演示描述为一般结果,或将狭隘的基准胜负描述为更广泛的突破. 研究者进行无聊的放荡,可能削弱他们自己的主张,甚至违反即将到来的最后期限,是使外地的公开主张可以核实而不是宣传的原因。
压力之下仍立得住的态度
不是口号，而是这份工作真正看重的五种具体姿态。
运行可能削弱标题结果的衰减
测试拟议方法是否实际超过适当调整的基线,即使跳过这一比较,也会让一个更令人印象深刻的数字到达论文的抽象无争议之处,并且诚实地报告比较,不管它显示什么。
报告负面结果,而不是悄悄地将其搁置
写作一个不起作用的实验,包括在塑造一个团队未来方向的内部注释中,而不是让它消失,因为一个积极的结果更容易呈现和庆祝.
接受结果不复制
当另一小组或自己后来的尝试无法重复先前报告的调查结果时,公开或内部承认,而不是将差异归结为未具体说明的执行差异,而是继续前进。
在提交压力下拒绝超标能力
描述一个系统在一篇论文的抽象和公开的沟通中所实际起到的作用, 即使一个更广泛、更受关注的主张更容易被媒体和社交媒体接受、资助或报道。
在使用新种子重运行前读取失败日志
调查为何训练运行表现不佳,而不是立即以不同的随机初始化方式进行重新试验,希望骰子的更好一卷可以修复一个无人实际诊断或理解的bug.
分辨真假的时刻
把简历用语和实际执行区分开来的具体情境。
另一支团队或内部同事报告说,他们无法获得论文的核心结果复制。 认真调查该报告,而不是在报告结尾处假定执行错误,这是研究人员对正确性的实际承诺。
同行评审要求进行精确的比较,如果诚实地进行,可能会削弱论文的核心主张. 正确运行并报告所发现的结果,而不是找到下降的技术原因,将严格的研究人员与有说服力的研究人员分开。
在几十个失败中,从少数成功产出中组装了一个抛光演示。 这种选择过程如何被公开描述为一种代表性能力,或者,坦率地说,是一种选择樱桃的最佳案例,是一个在通过示范进行大量交流的领域中反复出现的具体考验。
一个主要的提交期限即将到来,若干核查步骤仍未完成。 提交跳过检查,而不是推迟或相应限定索赔要求,揭示最后期限压力或科学标准是否确定了研究人员的实际行为。
"使命感"变成伤害的地方
装扮成使命的最后期限磨坊
机器学习博士课程和工业实验室记录了在截止日期之前通宵工作的文化,通常被描述为一种预期的通过仪式,而不是人员不足的表现。 初级研究人员报告说,顾问施加压力,要求他们接受作者安排,或接受他们拒绝的时数,其理由是,所谓的实地工作如何改变。 同样的"改变世界"语言阻止了对不可持续的时数的回推.
职业画像
- 抗AI50
- 薪酬90
- 入行门槛92
- 自主性68
- 需求90
- 影响力96
对AI有多暴露？
Moderate
一个AI研究人员的日常工作——文献分类,第一稿实验代码,超参数搜索,起草相关工作部分——中有意义的一部分已经比较快,一个AI系统可以做,明确用来实现更多循环自动化的多代理研究系统是几个主要实验室的一个积极项目. 未实现自动化的是判断一个结果是否真实,决定哪个问题值得问,以及当公布的索赔证明是错误的时,承担责任。
AI与未来 →理解这一职业的七个角度
常见问题
一个人工智能研究员每天做什么?
大部分时间会分读近期论文,写作和调试训练代码,等待和分析长期实验的结果,并与合作者讨论发现. 与流行形象相反,很大一部分工作正在诊断一个模型为什么表现不佳或者结果不会复制,而不是从零开始集思广益的新建筑.
我需要博士才能成为AI研究员吗?
对于大学或顶级工业实验室的独立研究角色来说,实际上是的——博士仍然是该领域真正的证书,因为没有许可证考试。 但“研究科学家”等称号仍然对博士生有很大影响。
AI的研究本身是否面临AI的风险?
其部分明显是: 文献总结,锅炉板实验代码和第一稿相关工作部分已经是例行AI辅助,实验室正在公开实验提出和运行自己实验的系统. 确定结果的实际含义,并对公布的索赔承担责任,证明移交困难得多。
人工智能研究人员能赚多少钱?
雇主和资历差别很大。 2024年,美国“计算机和信息研究科学家”类别的中位数为140,910美元,但加入一个大型技术公司研究实验室的新博士往往比这个高得多,据报道,在2024年至2025年的招聘竞赛中,前沿AI实验室的少数高级研究人员得到了价值7或8位数字的总包。
AI研究员和机器学习工程师有什么区别?.
线条不断模糊,但粗略的区别在于:研究者的产出通常是论文,新方法或对东西为什么起作用的洞察力,通过同行评审判断;工程师的产出通常是生产中的工作系统,根据它是否船只和是否被实际使用来判断. 很多人在职业生涯中都是这样
AI研究使用哪些编程语言和工具?
Python主导,与深层学习框架配对——PyTorch现在是研究中最常见的,JAX流行于大型和Google附属作品. 代码之外,研究人员依赖于共享的GPU或TPU计算集群,Weights & Biases等实验跟踪工具,以及arXiv,其中大多数新结果在正式同行评审前几个月作为预印流通.
你能成为没有计算机科学背景的AI研究员吗?
是的,比大多数技术领域更容易。 物理学,数学,神经科学和统计学都直接反馈到AI的研究中,一些有影响力的人物——包括物理学家约翰·霍普菲尔德(John Hoppfield),他1982年的神经网络模型共享了2024年诺贝尔物理学奖——从其他地方搬进了这个领域. 强有力的数量和方案编制基础比具体的主要基础更重要。
今天AI研究最大的瓶颈是什么?
越来越多的是计算能力和支付它的钱,而不是想法。 训练前沿模型单靠计算就可能花费数千万美元,将资源最密集的研究集中在少数资金充足的实验室中,并促使大学和小实验室的研究人员几乎出于必要而转向更高效的数据和计算方法。
对比…
相近职业
不限同一领域，六项评分最接近的职业。
🔌
Semiconductor Engineer
每台计算机,手机和武器内部的设计和编织晶体管,使用精确到只有地球上少数工厂能运行的机器.
抗AI 60 📦机器学习运维工程师
构建用于训练、部署、监控和治理生产环境中机器学习模型的系统。
抗AI 54 🩺内科医生
通过问诊与证据诊断疾病并长期管理健康，而非一次手术——医学的通科与长期向导。
抗AI 67 🧠精神科医生
通过药物与心理治疗诊断和治疗精神疾病，是少数拥有法定权力在患者危机时将其强制留院的医学专科之一。
抗AI 73 👔律师
为客户提供法律意见，起草具有约束力的文件，并在案件进入法庭时为其辩护——若建议有误，还须承担个人法律责任。
抗AI 58 🔐网络安全专家
通过发现、防范和响应数字攻击,保护系统、数据与人员的安全。
抗AI 63继续探索
工程·技术领域的其他职业
💻
Software Engineer
写作,测试和维护了管理现代生活的代码——也是最早观看AI将自己的日常工作自动化的职业之一.
抗AI 35 🛰️航空航天工程师
设计、分析并认证离地而行的飞机、火箭与航天器，在不容猜测的安全裕度下工作。
抗AI 74 🌉土木工程师
把河流、岩石与重力变成桥梁、道路与清洁饮水的职业——自伊姆霍特普起，文明安静的承重行当。
抗AI 72 🔌Semiconductor Engineer
每台计算机,手机和武器内部的设计和编织晶体管,使用精确到只有地球上少数工厂能运行的机器.
抗AI 60 🦾Robotics Engineer
设计那些能感知,决定和采取行动的机器 在物理世界里,困难的问题永远不是智能,而是世界本身.
抗AI 65 🔐网络安全专家
通过发现、防范和响应数字攻击,保护系统、数据与人员的安全。
抗AI 63 📦机器学习运维工程师
构建用于训练、部署、监控和治理生产环境中机器学习模型的系统。
抗AI 54 🌬️可再生能源工程师
设计、建造和改进风能、太阳能、存储和电网系统，将可再生资源转化为可靠的电力。
抗AI 72