格子越深，表示该主题在这项指标上越高。
低高
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.
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。
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。
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。
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
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研究的神话从一个数学家,他从未见过一个工作计算机建立在他的想法上,到研究者花了几十年时间来捍卫一种不时髦的技术,然后几乎一夜之间就重新塑造了整个领域. 这里的8人跨越了70多年和4个国家.
将它们联系起来的不是协议——有些人在信贷、安全和实地方向方面公开不同意——而是共同愿意在其他人认为会有所收获之前,继续研究一个想法。
“将情报作为一项具体、可检验的预测——而不仅仅是一项定义——抽象地宣称。”
Elliott & Fry · Public domain
在任何可用的计算机存在之前的十年里,赖德计算数学基础,然后在1950年提出了对机器智能的实用测试——计算机的对话可以愚弄一个人类法官——这重新塑造了“机器可以认为”是可以检验的而不是纯粹的哲学的东西.
图灵在1950年为"明德"期刊撰写的论文中预测,在五十年内,一台拥有约十亿比特存储量的计算机,在经过5分钟的询问后,会愚弄至少30%的平均人类审讯者——一个具体的,可伪造的预测,他把他的名字放在几十年之后,然后任何人都才能实际测试出来.
“将情报作为一项具体、可检验的预测——而不仅仅是一项定义——抽象地宣称。”
Cmichel67 · CC BY-SA 4.0
共同撰写了1986年的论文,为培养神经网络普及了反传播,之后在两个AI冬天中作为深入学习的少数一贯信徒之一度过数十年,直到他的学生AlexNet赢得2012年的ImageNet比赛,并几乎一夜之间重塑了这个领域.
在AlexNet的2012年ImageNet获胜后,欣顿从当年塔霍湖NeurIPS会议的酒店房间拍卖了他的三人启动DNNresearch;Google,微软,Baidu和DeepMind在Google以4400万美元取胜前互相竞标,一个单一的下午从学术好奇的深度学习变成了商业优先.
“通过反复拒绝来坚持一个不时尚的想法,一旦证据而不是时尚赶上,就可以得到回报.”
Jérémy Barande · CC BY-SA 2.0
20世纪80年代后期在贝尔实验室建立了革命神经网络,并在20世纪90年代前在商业上阅读手写检查——这是场内主流突破前15年多的工作深入学习部署. 现在梅塔的首席AI科学家和声优怀疑当今的语言模型会导致一般智能.
在20世纪90年代,LeCun在贝尔实验室开发的革命网络LeNet被部署在读取美国银行支票的手写数字;据报道,在其顶峰时,基于他架构的系统读取了在美国处理的所有支票中有意义的一部分,证明这一方法在生产中行之有效,早在2012年之前就使它成名.
“一个在实际部署中得到证明的系统所传授的教训是,即使外地已经取得进展,基准分数也无法得出。”
Xuthoria · CC BY-SA 4.0
高级神经语言建模,并与同事一起引入了直接注入变形金刚架构的注意力机制,同时将蒙特雷亚尔大学的米拉建设成为世界上最集中的深层学习研究者之一. 后来成为球场最突出的呼声之一,呼吁AI-风险监管.
2023年5月,本吉奥与杰弗里·欣顿和其他数百名研究人员共同签署了一份一判决公开声明,宣布减轻AI的灭绝风险应当与诸如流行病和核战争等其他社会规模的风险一起成为全球优先事项——对于一个花费了30年时间来开发被警告的技术的研究人员来说,这是一个严峻的公开转折.
“建设强大的技术并公开警告其风险并不是一时的矛盾立场.”
John Sears · CC BY-SA 4.0
2010年联合创立DeepMind的前国际象棋天才和视频游戏设计师,之后带领建设AlphaGo的团队,这是第一个打败顶级职业Go玩家的程序,AlphaFold则预测了几乎每个已知蛋白质的3D结构. 为AlphaFold分享2024年诺贝尔化学奖.
在AlphaGo2016年3月对阵首尔的Go冠军李·塞多尔的比赛中,节目在第五线打出了第37个动作——这种布局如此非常规,评论员迈克尔·雷德蒙德起初称这有可能是个错误. 李离开房间在返回前自己作曲;这一举动现在被广泛引用为机器产生类似创作直觉的瞬间.
“一个只受过狭义游戏规则训练的系统,仍然能够令建造它的人感到惊讶.”
ITU Pictures · CC BY 2.0
搭建的ImageNet是一个手贴数据集,每天大约有1400万张照片,将图像识别转化为可测量的年度竞赛;2012年赢得的AlexNet系统被广泛赞誉为开始了深度学习的繁荣. 现为斯坦福以人为本AI研究所联合主任.
从2007年左右开始,李'的团队利用亚马逊的机械突厥(Mechanical Turk)将人群工手贴超过1400万张图像,从WordNet词典数据库中抽取了大约2万个类别——这个历时多年,不光彩的项目,据报道一些同事告诉她正在浪费一位有前途的研究员的事业. 5年后,AlexNet在同一个数据集上获胜,从而摆脱了深度学习的繁荣.
“一个数据集可以和算法一样重要——有时不光彩的基础设施工作是真正的突破.”
在组织1956年达特茅斯工作坊时,将"人工智能"一词混为一谈,然后在次年发明了Lisp编程语言,使年轻领域既得名,又得名于几十年的主要研究工具. 获得1971年图灵奖,以创立该领域的理论基础.
在1955年的一项向洛克菲勒基金会寻求14,000美元的提案中,麦卡锡和三位共同作者铸造了"人工智能",部分是为了将项目与诺伯特·维纳的网络神经元区分开来;基金会资助了约一半的请求,由此产生的8周的达特茅斯讲习班在明年夏天没有产生任何单一的技术突破,然而有意选择的名字却超越了实际讨论的每一个想法.
“命名一个领域可以决定性地塑造其几十年的特性,独立于其创始人同年的成就.”
1972年在剑桥开发了反向文件频率,TF-IDF背后的统计洞察力仍然是大多数搜索引擎和许多自然语言处理的基础,比现在主导该领域的深层学习模式早几十年。 一个终身的,直言不讳的倡导 女性进入计算。
Spärck Jones1972年的论文提出,在对文件的相关性进行排名时,对稀有词的加权比普通词要重得多——这个想法现在叫做反向文件频率,仍然是现代搜索和检索系统内部的一个组件. 她同样以钝利的句子而闻名,"计算太过重要,不能留给男人",英国计算机学会后来将它作为年度系列讲座的标题.
“一个单一的,准确表述的统计思想可以超过几十年后在它上面建造的整个建筑.”
柱状图以本榜单第一名为基准。
开关名字——每根柱都会按你所选组合的第一名重新缩放。
是否通过图灵1950年的测试是有意义的智能衡量标准,仍然有争议——批评者认为,一个玩弄法官的聊天机器人表现出了说服力流利,或者人的狡猾性,比真正的理解还要强.
2018年图灵奖将欣顿,勒昆和本吉奥设定为深层学习的创始人,受到其他研究人员的质疑,其中最有声气的是尤尔根·施米德胡伯(Jürgen Schmidhuber),他辩称自己之前出版的实验室技术没有得到充分评价.
不限同一领域，六项评分最接近的职业。
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 📦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 🩺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 🧠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 👔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 🔐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 🛰️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 🌉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 🔌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 🦾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 🔐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 📦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 🌬️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