判断结果是否真实
82将真正的效果与噪音、幸运的种子或悄悄泄露到训练数据中的基准区分开来,要求怀疑判断的自动系统在应用自己的输出时最差。
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
简短问答
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.
AI研究是最直接接触自身产出的职业. 它所建立的工具现在被刻意地转向研究过程本身——总结论文,提出实验,写培训代码——这使得这一节的假设性比这个网址上几乎所有其他简介都少.
这种接触并不使工作过时,但它确实提出了关于什么是不寻常的混凝土存在的论点:少数实验室公开试图建立运行整个研究循环的系统,而现在,诚实的答案是,他们可以做其中的一部分,但不能做判断结果是否真实最重要的部分。
Moderate
机器可替代的工作占比
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。
按任务计分，而非头衔。越低越安全。
AI难以取代的职业 →机器夺不走的
选择值得问的问题
85确定一个具体、困难、探索不足的问题值得一个实验室数月的计算,注意力是用不完整的信息作出的赌注——这是研究中与过去论文模式比对最远的部分。
对已公布索偿案的问责
88如果结果不能复制,或者证明基准有缺陷——一个模型不能对自己的产出承担专业或科学责任,那么就必须有人站在结果后面。
跨学科和道德判断
76在公布之前,先了解一个系统可能的社会影响、安全风险或双重用途潜力,然后利用价值和背景,自动研究程序本身没有理由提出理由。
多年来建立科学品味
78令人惊讶的结果值得追求的直觉,通过观察数百个实验在事业中成功和失败而发展起来的直觉,尚不是任何系统在高级研究员的级别上表现出来的.
它们已经在夺的
文学分类和总结
70由于每年有数以万计的新预印本,按相关性对文件进行总结和排级的工具已经在全外地例行使用。
试验和管道准则第一稿
68连接一个标准训练循环,数据加载器或评价脚本现在往往比从零开始写得快,可以生成和检查.
Hyperparameter search
74自动调制系统可以比研究人员一次手动尝试一个配置更详尽和便宜地搜索一个参数空间.
起草相关工作和背景部分
55虽然具体框架和诚实的比较仍需研究人员的检查,但总结与新文件有关的先前工作的第一个通行证越来越得到AI的协助。
工作如何变化
从做实验到指导他们
研究人员越来越多的时间用来说明一个自动化系统应该尝试和判断它的输出,而不是亲自写作和运行每一个实验.
计算和想法一样具有决定性
正如现场自己的'苦力课'所预测的那样,获得大规模计算越来越决定了哪些实验室甚至可以测试某个特定的想法,将前沿研究集中在少数资金充足的组织中.
可复制性和评价获得地位
由于人工智能辅助工具使快速产生一种看似合理的结果更为容易,严格核实这一结果正在成为研究小组中更加珍贵和更加单独配备人员的专业。
使研究循环自动化成为自己的研究课题
旨在提出假说,运行实验和在有限的人类监督下起草论文的系统——如Sakana AI's 'AI Scientist' (2024)和Google DeepMind's 'AI Co-scientist' (2025)等项目——现在本身就是一个活跃的出版领域.
分岔出的新职业
AI 安全/校正研究员
研究如何使能力不断增强的系统可靠地按照设计者的意图行事,这种专业在2010年代之前作为独特的职业道路几乎没有存在.
ML 基础设施/系统工程师
建立并维持分布式培训和计算基础设施前沿研究,现在与任何个人算法思想一样依赖。
AI policy researcher
研究技术研究与政府或公司政策之间的界限,将实验室自己的系统所能做和不能做的转化为规则或保障措施。
红队/评价专家
故意测试模型和AI生成的研究产出,以发现故障模式,安全漏洞和虚假说法,然后才能到达生产或出版.
AI 暴露情景
三个可逆透镜：增强、替代切片、新缝隙。教学标记，非预测。
增强
保留岗位；AI 加速草稿、分诊或调研，判断与责任仍在人。
替代切片
狭窄任务堆可能先压缩，相邻手艺反而增长。
新缝隙
在需信任 AI 输出的受监管场景，可能出现监督、集成与领域质检角色。
展望
对AI研究人才的需求在接下来的十年中极有可能保持强劲,但入门级版本的工作已经在发生变化:将存在较少的角色,纯粹是为了进行日常的手工实验,更多的人会期望一位新研究员指导,质疑和验证几乎立即生产的AI辅助管道的工作.
最明显的长期优势是,研究人员可以设计出一个真正新的问题,当看似可能的结果悄悄地是错误的时,在公开场合承担责任——这个领域一直需要同样的判断,现在应用到越来越多地编写自己的初稿的研究进程中。
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
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