1987年，AI在做什么

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. 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 主导,与深层学习框架配对——现在是研究中最常见的,JAX流行于大型和附属作品. 代码之外,研究人员依赖于共享的GPU或TPU计算集群, & 等实验跟踪工具,以及,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. 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,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。

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。 AI研究是一个不断宣布自己出生,然后再生的领域. 它在1950年代的创始人期望在一代人之内有机器智能;当它没有到达时,资金不是一次而是两次崩溃,每次有一小群没有在神经网络上放弃的研究人员将这个想法维持了多年,大部分领域都认为是死胡同. 贯穿整个故事的两条线索:一条是哲学争论,关于智能是否可以被缩减为符号和规则,还是必须从数据中从统计学来学习,另一条是实际争论,关于球场的冠军或其怀疑者是否正确地预言了进展会有多快. 这两个论点仍未解决,但第二个论点一再超越了冠军们预期的速度.