1974年，AI在做什么

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. 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。 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