محقق هوش مصنوعی
AI Researcher
پژوهشگر هوش مصنوعی روش، مدل یا فهم تازه‌ای دربارهٔ سیستم‌های هوش مصنوعی می‌سازد و آن را با آزمایش دقیق می‌سنجد: از آموزش و بهبود مدل‌های زبانی بزرگ تا فهمیدن اینکه درون این مدل‌ها چه می‌گذرد. در بازار کار این نقش بیشتر با عنوان‌های Research Scientist و Research Engineer در آزمایشگاه‌های AI، شرکت‌های بزرگ فناوری و مؤسسه‌های پژوهشی آگهی می‌شود و در دانشگاه از مسیر دکترا و پسادکترا می‌گذرد. خروجی کار آزمایش، کد، گزارش فنی و مقاله است.
مقدمه و تعریف شغل
پژوهشگر هوش مصنوعی (AI Researcher) کسی است که روش، مدل یا فهم تازه‌ای در هوش مصنوعی تولید می‌کند و آن را با آزمایش دقیق می‌سنجد. در آگهی‌های ۲۰۲۶ این کار بیشتر با دو عنوان دیده می‌شود: Research Scientist که ایده و دستور کار پژوهشی را پیش می‌برد، و Research Engineer که کد، زیرساخت و آزمایش‌های بزرگ را ممکن می‌کند. مرز این دو باز است و بسیاری از آگهی‌ها هر دو را با هم می‌خواهند؛ Anthropic در آگهی Research Scientist تیم تفسیرپذیری می‌نویسد پژوهش و مهندسی را دو روی یک سکه می‌داند و هر عضو تیم کد می‌نویسد، آزمایش طراحی و اجرا می‌کند و نتیجه را تفسیر می‌کند. عنوان دقیق AI Researcher هم وجود دارد، مثلاً در Kaedim، Thales و Aleph Alpha، اما کمتر از این دو. مسیر سوم دانشگاه است: دکترا، پسادکترا و بعد عضویت هیئت علمی.
بخش بزرگی از هوش مصنوعی امروز از پژوهش بیرون آمده است. در ۲۰۰۷ فی‌فی لی در Princeton ساخت ImageNet را رهبری کرد؛ مجموعه‌ای با بیش از ۱۴ میلیون تصویر برچسب‌خورده که الهام‌بخش مسابقهٔ ILSVRC شد. در ۲۰۱۲ شبکهٔ AlexNet، که Geoffrey Hinton با دو دانشجویش طراحی کرده بود، این مسابقه را برد. در ۲۰۱۷ هشت پژوهشگر و مهندس Google در مقالهٔ «Attention Is All You Need» معماری Transformer را معرفی کردند که امروز معماری اصلی مدل‌های زبانی بزرگ است. از آن زمان وزن کار به سمت صنعت رفته است: طبق گزارش AI Index ۲۰۲۶ دانشگاه Stanford، در ۲۰۲۵ بیش از ۹۰٪ مدل‌های شاخص هوش مصنوعی را صنعت ساخت و Epoch AI در آن سال ۹۳ مدل شاخص از صنعت و ۲ مدل از دانشگاه ثبت کرد. با این حال دانشگاه کنار نرفته است: همان گزارش می‌گوید شمار دکتراهای تازهٔ AI در آمریکا و کانادا از ۲۰۲۲ تا ۲۰۲۴، ۲۲٪ بیشتر شد و تمام این افزایش به مشاغل دانشگاهی رفت. BLS آمریکا هم برای گروه رسمی «پژوهشگران کامپیوتر و اطلاعات» رشد اشتغال ۲۲٪ را از ۲۰۲۵ تا ۲۰۳۵ پیش‌بینی می‌کند.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک محقق هوش مصنوعی
روش تازه برای پس‌آموزش مدل
Perplexity از پژوهشگرانش می‌خواهد مدل‌های زبانی را با روش‌های SFT، DPO و GRPO پس‌آموزش دهند و ایده‌های پژوهشی را به الگوریتم و آزمایش تبدیل کنند تا مدل تازه منتشر شود. Aleph Alpha همین کار را با هدف کم کردن hallucination و متکی کردن پاسخ‌ها به شواهد آگهی کرده است.
فهم آنچه درون مدل می‌گذرد
تیم تفسیرپذیری Anthropic می‌خواهد الگوریتم‌هایی را که مدل در وزن‌هایش یاد گرفته «مهندسی معکوس» کند: پیدا کردن features و circuitهایی که توضیح می‌دهند مدل چطور به یک پاسخ می‌رسد. به گفتهٔ آگهی، تیم این کار را شبیه زیست‌شناسی یا علوم اعصابِ شبکه‌های عصبی می‌داند.
آزمایش‌های ایمنی و هم‌راستایی
در آگهی Research Engineer / Scientist بخش Alignment در Anthropic، نمونهٔ پروژه‌ها از این قبیل است: آموزش مدل برای دور زدن روش‌های ایمنی و سنجیدن اینکه چقدر موفق می‌شود، آزمایش‌های یادگیری تقویتی چندعاملی برای روشی مثل AI Debate، و ساخت ابزار برای سنجیدن jailbreakهای تازه.
پیش‌آموزش مدل‌های پایه در مقیاس بزرگ
Research Engineer تیم پیش‌آموزش Gemini در Google DeepMind روی پروژه‌های بلندمدتی کار می‌کند که پژوهش تازه را ممکن می‌کنند و به مشکلات فوری در اجراهای بزرگ آموزش رسیدگی می‌کند. تیم Open Ecosystem در Ai2 هم مدل‌های کاملاً باز Olmo و Molmo را آموزش می‌دهد و منتشر می‌کند.
بنچمارک و روش ارزیابی
Kaedim از پژوهشگرش می‌خواهد بنچمارک‌هایی بسازد که کیفیت pipeline را در برابر داده‌های مرجع (ground truth) بسنجد و پیشرفت را «صادقانه» در طول زمان نشان دهد. Aleph Alpha هم طراحی روش‌های دقیق برای سنجیدن نرخ hallucination، صداقت و دقت استدلال را جزو کار آورده است.
مدل‌های پایه برای رباتیک و دنیای فیزیکی
پژوهشگران تیم رباتیک Ai2 روی مدل‌های پایه برای رباتیک کار می‌کنند، با ابزارهای شبیه‌سازی بزرگ و ربات‌های واقعی آزمایش می‌کنند و روش‌ها، داده‌ها، بنچمارک‌ها و مدل‌های کاملاً باز منتشر می‌کنند.
تخصص‌های مختلف محقق هوش مصنوعی
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
پیش‌آموزش و مقیاس‌دهی
Pre-training & Scaling
آموزش مدل‌های پایه از صفر و بررسی اثر مقیاس، داده و معماری؛ مثل تیم پیش‌آموزش Gemini در Google DeepMind و تیم Open Ecosystem در Ai2.
پس‌آموزش و یادگیری تقویتی
Post-training & Reinforcement Learning
SFT، RLHF، مدل پاداش و بهینه‌سازی ترجیح؛ موضوع چند آگهی بررسی‌شده، از Perplexity و Aleph Alpha تا Scale AI و نقش‌های RL در Anthropic.
تفسیرپذیری
Interpretability
فهمیدن سازوکار درونی مدل از روی وزن‌ها و فعال‌سازی‌ها؛ تیم Anthropic آن را محکم‌ترین راه برای ایمن کردن سیستم‌های پیشرفته می‌داند.
هم‌راستایی و ایمنی
Alignment & Safety
آزمودن اینکه روش‌های ایمنی در برابر مدل‌های تواناتر دوام می‌آورند یا نه، و ساخت ارزیابی برای ریسک‌ها؛ مثل بخش Alignment Science در Anthropic و نقش‌های پژوهشی ایمنی در Scale AI.
مدل‌های چندوجهی و هوش مصنوعی فیزیکی
Multimodal & Embodied AI
فهم تصویر و ویدیو، سه‌بعدی و رباتیک؛ مثل تیم Gemini Vision در Google DeepMind، تیم رباتیک Ai2 و پژوهش روی دادهٔ شبیه‌سازی در Kaedim.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
نقش هم‌خانوادهٔ Research Scientist در همان آزمایشگاه‌هاست. در Google DeepMind حداقل شرط آگهی Research Scientist «دکترا یا تجربهٔ عملی معادل» و دو سال تجربهٔ رهبری یک دستور کار پژوهشی است، اما برای Research Engineer تیم پیش‌آموزش «کارشناسی یا تجربهٔ عملی معادل»، دو سال مهندسی نرم‌افزار با کتابخانه‌هایی مثل JAX و یک سال تجربهٔ یادگیری ماشین کافی است. کار Research Engineer بیشتر ساختن ابزار و کدبیسی است که پژوهشگران بتوانند به‌راحتی گسترشش دهند. Anthropic چند آگهی‌اش را با عنوان مشترک «Research Engineer / Scientist» منتشر کرده است.
تفاوت بیشتر در هدف است تا در ابزار. دانشمند یادگیری ماشین روش‌های پژوهشی را برای حل مسئلهٔ مشخص یک محصول یا کسب‌وکار به کار می‌گیرد و موفقیتش با اثر روی محصول سنجیده می‌شود. در آگهی‌های Research Scientist و AI Researcher، خودِ روش تازه، آزمایش و انتشار نتیجه در مرکز کار است؛ مثلاً Scale AI «انتشار یافته‌ها در کنفرانس‌های برتر» را جزو وظایف آورده است. مرز در شرکت‌ها باز است: Thales UK از AI Researcher می‌خواهد پژوهش را به محصول ترجمه کند.
مهندس AI روی مدل‌های آماده محصول می‌سازد و مهندس ML مدل را در پروداکشن مستقر و نگهداری می‌کند. کار پژوهشگر خودِ مدل یا فهم ما از آن را تغییر می‌دهد: روش تازهٔ آموزش، تفسیر درون مدل یا ارزیابی تازه. شرط تحصیلی هم معمولاً بالاتر است: BLS دربارهٔ پژوهشگران کامپیوتر و اطلاعات می‌نویسد معمولاً دست‌کم کارشناسی ارشد لازم است و برخی کارفرماها دکترا را ترجیح می‌دهند.
پژوهشگر دانشگاهی معمولاً با قرارداد موقت شروع می‌کند. نمونه: دانشگاه Edinburgh در اوت ۲۰۲۶ یک پست پسادکترای دوساله روی تولید کنترل‌شده با LLM آگهی کرد با حقوق ۴۱٬۰۶۴ تا ۴۸٬۸۲۲ پوند در سال، شامل بودجهٔ سفر به کنفرانس و دسترسی به خوشهٔ محاسباتی (HPC). آزادی انتخاب موضوع بیشتر است و درآمد کمتر: طبق BLS، میانهٔ دستمزد این گروه شغلی در دانشگاه‌های ایالتی آمریکا ۸۵٬۴۶۰ دلار و در شرکت‌های نرم‌افزاری ۲۱۱٬۲۷۰ دلار است (مه ۲۰۲۵).
تأثیر در صنایع مختلف
محقق هوش مصنوعی در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
آزمایشگاه‌های مدل‌های پیشرو
Anthropic و Google DeepMind روی پیش‌آموزش، پس‌آموزش، تفسیرپذیری و ایمنی مدل‌های پیشرو پژوهشگر استخدام می‌کنند
جستجو و دستیارهای AI
Perplexity پژوهشگرانی می‌خواهد که مدل‌های محصولات جستجو و ایجنتش را با مجموعه‌دادهٔ پرسش و پاسخ خود شرکت بهتر کنند
علم، زیست‌شناسی و اقلیم
Ai2 برای مدل‌سازی اقلیم و مدل‌های پایه برای کشف علمی و Anthropic برای علوم زیستی آگهی Research Scientist دارند
رباتیک و هوش مصنوعی فیزیکی
تیم رباتیک Ai2 روی مدل‌های پایه برای ربات‌ها کار می‌کند و Kaedim دادهٔ شبیه‌سازی برای آموزش ربات‌ها می‌سازد
دفاع، هوافضا و زیرساخت‌های حیاتی
Thales UK پژوهش کاربردی AI را برای دفاع، هوافضا، امنیت سایبری، راه‌آهن و زیرساخت‌های حیاتی می‌خواهد، با تأکید بر AI قابل‌اعتماد و توضیح‌پذیر
AI مستقل برای دولت‌ها و شرکت‌های اروپایی
Aleph Alpha در آلمان مدل‌های پایه را از صفر آموزش می‌دهد و به گفتهٔ آگهی‌اش، مأموریتش ارائهٔ AI مستقل به نهادهای دولتی و شرکت‌های بزرگ است
داده و ارزیابی برای آزمایشگاه‌ها
Scale AI با آزمایشگاه‌های بزرگ AI کار می‌کند و پژوهشگرانش روی روش‌های post-training، داده و ارزیابی برای بهبود مدل‌ها کار می‌کنند
دانشگاه و مؤسسه‌های پژوهشی غیرانتفاعی
دانشگاه‌ها پست‌های پسادکترا و پژوهشی دارند؛ Ai2 مؤسسهٔ پژوهشی غیرانتفاعی است و در آگهی‌هایش می‌نویسد محدودیتی برای انتشار مقاله نیست
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
بدون دکترا نمی‌شود پژوهشگر هوش مصنوعی شد
بسیاری از آگهی‌ها دکترا یا معادل آن را می‌خواهند: Ai2 «پایه‌ای در سطح دکترا» و Google DeepMind «دکترا یا تجربهٔ عملی معادل». اما این قاعدهٔ مطلق نیست. آگهی Research Engineer / Scientist بخش Alignment در Anthropic نوشته متقاضی لازم نیست مدرک یا گواهی رسمی داشته باشد، و Anthropic دربارهٔ برنامهٔ Fellows خود می‌گوید دکترا، تجربهٔ قبلی ML یا مقالهٔ منتشرشده لازم نیست. Chris Olah، که امروز تیم تفسیرپذیری Anthropic را رهبری می‌کند، طبق ویکی‌پدیا بدون مدرک دانشگاهی وارد این مسیر شد. آنچه همه می‌خواهند سابقهٔ پژوهش واقعی است.
پژوهش AI یعنی ریاضی و نظریه، نه کدنویسی
در آگهی‌های امروز کدنویسی بخش اصلی کار است. Anthropic می‌نویسد هر عضو تیم تفسیرپذیری کد می‌نویسد و آزمایش طراحی و اجرا می‌کند؛ Google DeepMind تجربهٔ مهندسی نرم‌افزار، از جمله code review، را حداقل شرط Research Scientist گذاشته و Ai2 «مهارت قوی مهندسی نرم‌افزار» می‌خواهد. ریاضی لازم است، اما بدون توانایی پیاده‌سازی و اجرای آزمایش در مقیاس کافی نیست.
دانشگاه از پژوهش AI عقب افتاده و همه به صنعت می‌روند
دربارهٔ ساخت مدل‌های بزرگ درست است: طبق AI Index ۲۰۲۶، در ۲۰۲۵ از مدل‌های شاخص ۹۳ مورد از صنعت و ۲ مورد از دانشگاه بود. اما دربارهٔ آدم‌ها تصویر پیچیده‌تر است: سهم دکتراهای تازهٔ AI در آمریکا و کانادا که به صنعت می‌روند از اوج ۷۷٪ در ۲۰۲۲ به ۶۵٪ رسیده و سهم مشاغل دانشگاهی از ۲۰۲۲ تقریباً دو برابر شده است. خود گزارش می‌گوید این روایتِ «فرار مغزها» از دانشگاه را زیر سؤال می‌برد.
پژوهشگر تنها و روی ایدهٔ شخصی خودش کار می‌کند
آگهی‌های آزمایشگاه‌ها برعکس این را می‌گویند. Anthropic می‌نویسد همهٔ شرکت مثل یک تیم روی چند پروژهٔ پژوهشی بزرگ کار می‌کند و از متقاضی می‌خواهد از «علم تیمی» لذت ببرد؛ آگهی Alignment هم پروژه‌های سریع و گروهی را به کار طولانی انفرادی ترجیح می‌دهد. مقالهٔ Transformer هم کار هشت پژوهشگر و مهندس بود.
همهٔ پژوهشگران AI میلیون‌ها دلار درآمد دارند
دامنهٔ حقوق بسیار وسیع است. بازهٔ اعلام‌شده در آگهی‌های آمریکایی از حدود ۱۶۷ تا ۲۶۱ هزار دلار حقوق پایه در Ai2 و ۱۷۴ تا ۲۵۲ هزار دلار حقوق پایه به‌علاوهٔ پاداش و سهام در Google DeepMind تا ۳۵۰ تا ۸۵۰ هزار دلار در یک آگهی Anthropic است. در بریتانیا Kaedim ۶۰ تا ۹۰ هزار پوند و یک پست پسادکترای دانشگاه Edinburgh حدود ۴۱ تا ۴۹ هزار پوند اعلام کرده‌اند. میانهٔ BLS برای کل گروه پژوهشگران کامپیوتر و اطلاعات در آمریکا ۱۴۰٬۳۰۰ دلار است (مه ۲۰۲۵).
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
تازه‌کار: کارآموز، pre-doc یا دانشجوی دکترا (۰–۲ سال)
بیشتر وقت صرف یاد گرفتن ادبیات یک زیرشاخه، بازتولید نتایج دیگران و اجرای آزمایش‌های کوچک زیر نظر یک پژوهشگر ارشد یا استاد راهنما می‌شود. بخش زیادی از آزمایش‌ها نتیجهٔ مثبت نمی‌دهند و یاد گرفتن از همین‌ها بخشی از کار است.
- ◆خواندن چند مقالهٔ مرتبط و یادداشت برداشتن از روش و ادعای اصلی هر کدام
- ◆اجرای baseline یک مقاله و مقایسهٔ عدد به‌دست‌آمده با عدد گزارش‌شده
- ◆طراحی یک آزمایش کوچک و سریع برای سنجیدن یک فرضیه، پیش از رفتن به مقیاس بزرگ
- ◆جلسه با راهنما: ارائهٔ نتیجه‌ها، حتی اگر منفی باشند، و تصمیم دربارهٔ قدم بعد
Research Scientist / Engineer (۲–۵ سال)
مسئولیت یک خط آزمایش را از فرضیه تا نتیجه دارید. آزمایش‌ها را به مدل‌های بزرگ‌تر می‌برید، ابزار و ارزیابی لازم را می‌سازید و با مهندسان همکاری می‌کنید تا نتیجهٔ خوب به مدل یا محصول برسد.
- ◆راه‌اندازی یک اجرای آموزش روی کلاستر و پایش منحنی‌ها و خطاها
- ◆ساخت یا بهبود یک بنچمارک برای سنجیدن دقیق‌تر اثر روش
- ◆ablation: حذف تک‌تک اجزای روش برای فهمیدن اینکه کدام واقعاً اثر دارد
- ◆نوشتن گزارش فنی یا پیش‌نویس مقاله و بحث دربارهٔ آن با هم‌تیمی‌ها
پژوهشگر ارشد (۵+ سال)
تمرکز روی انتخاب مسئله، تعریف دستور کار تیم و رشد دیگران است. کمتر خودتان آزمایش اجرا می‌کنید و بیشتر تصمیم می‌گیرید کدام مسیر ارزش منابع محاسباتی و وقت تیم را دارد.
- ◆بررسی پیشنهاد پروژهٔ یک پژوهشگر جوان‌تر و کمک به محدود کردن سؤال اصلی
- ◆تصمیم‌گیری دربارهٔ اولویت آزمایش‌ها با توجه به منابع محاسباتی تیم
- ◆راهنمایی کارآموزان و همکاری با پژوهشگران دانشگاه‌ها یا تیم‌های دیگر
- ◆بازبینی نهایی یک مقاله یا گزارش پیش از انتشار
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈طراحی و اجرای آزمایش برای آزمودن یک ایدهٔ پژوهشی، هم سریع در مقیاس کوچک و هم روی مدل‌های بزرگ
- ◈ابداع یا بهبود روش‌های آموزش مدل، به‌ویژه post-training با SFT و یادگیری تقویتی
- ◈ساخت و نگهداری pipeline داده، آموزش و ارزیابی و ابزارهای لازم برای اجرای آزمایش‌ها
- ◈طراحی بنچمارک و روش ارزیابی که پیشرفت را صادقانه و در طول زمان اندازه بگیرد
- ◈تحلیل رفتار مدل، پیدا کردن نقطه‌ضعف‌ها و پیشنهاد راه‌حل
- ◈نوشتن مقاله و گزارش فنی و ارائهٔ نتایج، هم در داخل سازمان و هم در کنفرانس‌ها
- ◈همکاری نزدیک با Research Engineerها و مهندسان نرم‌افزار برای رساندن نمونهٔ پژوهشی به مدل یا محصول واقعی
- ◈دنبال کردن مقاله‌های تازه و تبدیل ایده‌های مرتبط به آزمایش
- ◈راهنمایی کارآموزان و پژوهشگران تازه‌کار و، در سطوح بالاتر، تعریف دستور کار پژوهشی تیم
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک محقق هوش مصنوعی موفق به آن‌ها نیاز دارد
مهارت‌های فنی
زبان و فریم‌ورک مشترک تقریباً همهٔ آگهی‌های بررسی‌شده؛ Anthropic مصاحبه‌های نقش Alignment را با Python برگزار می‌کند
فهم عمیق معماری‌ها، آموزش و رفتار مدل‌ها؛ Scale AI «درک عمیق یادگیری عمیق و یادگیری تقویتی» می‌خواهد
جبر خطی، احتمال، آمار و بهینه‌سازی برای خواندن و نوشتن مقاله
baseline، ablation، بنچمارک و اعتبارسنجی مدل؛ آگهی Thales UK «درک قوی از طراحی آزمایش، ارزیابی آماری و بنچمارک» می‌خواهد
کد تمیز و قابل‌گسترش، تست و code review؛ از حداقل شرایط Research Scientist در Google DeepMind
SFT، RLHF، DPO، GRPO و مدل پاداش؛ در آگهی‌های Perplexity، Aleph Alpha و Scale AI
اجرای آموزش روی چند نود GPU؛ Aleph Alpha ساخت pipeline آموزش توزیع‌شده روی کلاسترهای چندنودی را جزو کار آورده است
ساخت ارزیابی‌ای که پیشرفت واقعی را نشان دهد؛ از وظایف اصلی در آگهی Kaedim
آگهی Research Engineer تیم پیش‌آموزش Gemini در Google DeepMind آن را نام برده است
برای بهینه‌سازی کارایی آموزش؛ در فهرست امتیازهای آگهی Perplexity
مهارت‌های نرم
Kaedim «مهارت قوی نوشتن علمی و ارائه» را شرط گذاشته و Anthropic از کسی می‌خواهد نتیجه‌ها را بنویسد، حتی وقتی منفی‌اند
Anthropic از متقاضی می‌خواهد از «علم تیمی» لذت ببرد و پروژه‌های گروهی را به کار انفرادی ترجیح دهد
به تعبیر آگهی تفسیرپذیری Anthropic، این حوزه در حال ساخته شدن است و «اولین کتاب درسی‌اش سال‌ها فاصله دارد»
بیان روشن اینکه چرا یک سؤال مهم است و از آزمایش چه یاد گرفته‌اید
Perplexity «آمادگی برای مالکیت کارها» و Anthropic «برداشتن کار حتی بیرون از شرح وظایف» را می‌خواهند
راهنمایی کارآموزان و دانشجویان؛ طبق آگهی‌های Ai2 همهٔ پژوهشگرانش این فرصت را دارند
دانش حوزه‌ای
شناخت کارهای مهم و روش‌های رایج در زیرشاخه‌ای که انتخاب کرده‌اید، مثل post-training، بینایی یا رباتیک
آگهی Alignment در Anthropic «کمی آشنایی با پژوهش فنی ایمنی AI» را شرط گذاشته است
Thales UK خط لوله‌های پژوهشی بازتولیدپذیر می‌خواهد و Ai2 روش‌ها، داده‌ها و مدل‌هایش را باز منتشر می‌کند
توضیح‌پذیری، حریم خصوصی، سنجش سوگیری و استحکام در برابر حمله؛ در شرایط آگهی Thales UK
برخی نقش‌ها دانش حوزهٔ کاربرد را امتیاز می‌دانند: زیست‌شناسی در پست پسادکترای Edinburgh و Life Sciences در Anthropic، رباتیک در Ai2، سه‌بعدی و شبیه‌سازی در Kaedim
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به محقق هوش مصنوعی
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
ریاضیات و مبانی یادگیری ماشین
جبر خطی، احتمال و آمار، حساب دیفرانسیل چندمتغیره و بهینه‌سازی زبان مقاله‌های این حوزه‌اند. هدف این مرحله این است که بتوانید معادله‌های یک مقاله را دنبال کنید و بفهمید چرا یک روش کار می‌کند. نویسندگان کتاب Mathematics for Machine Learning نسخهٔ PDF آن را رایگان نگه داشته‌اند.
یادگیری عمیق: نظریه و پیاده‌سازی
شبکه‌های عصبی، backpropagation، بهینه‌سازها، regularization و معماری Transformer را هم از نظر مفهومی و هم با کد یاد بگیرید. در پژوهش باید بتوانید یک مدل را از صفر بنویسید، نه فقط از کتابخانهٔ آماده صدا بزنید. نسخهٔ آنلاین کتاب Deep Learning رایگان است.
خواندن مقاله و روش پژوهش
خواندن مقاله مهارتی است که کمتر آموزش داده می‌شود. S. Keshav برای آن روشی سه‌مرحله‌ای پیشنهاد می‌کند: اول نگاهی کلی و سریع، بعد فهم محتوا بدون ورود به جزئیات، و در مرحلهٔ سوم فهم عمیق مقاله. John Schulman هم در راهنمایی که اول برای برنامهٔ OpenAI Fellows نوشت، دربارهٔ انتخاب مسئله و مدیریت وقت در پژوهش ML توصیه می‌کند. در OpenReview، برای کنفرانس‌هایی که داوری را عمومی می‌کنند، می‌توانید ببینید داورها از یک مقاله چه ایرادهایی گرفته‌اند.
تخصص و اولین پروژهٔ پژوهشی
یک زیرشاخه انتخاب کنید (مثلاً post-training، تفسیرپذیری، ارزیابی، یا بینایی و رباتیک) و اول یک مقالهٔ موجود را بازتولید کنید. ML Reproducibility Challenge رویدادی سالانه برای همین کار است و در ۲۰۲۶ یک track رسمی NeurIPS شده است. تیم تفسیرپذیری Anthropic در آگهی استخدامش، برای آمادگی همین نقش، یادداشت «So You Want to Work in Mechanistic Interpretability?» را معرفی کرده است.
مسیر دکترا، فلوشیپ یا ورود به آزمایشگاه صنعتی
سه راه اصلی وجود دارد: دکترا و بعد پسادکترا یا هیئت علمی؛ ورود مستقیم با عنوان Research Engineer؛ یا فلوشیپ‌های پژوهشی کوتاه. Anthropic Fellows چهار ماه است و به گفتهٔ خود Anthropic برای آن دکترا، تجربهٔ قبلی ML یا مقالهٔ منتشرشده لازم نیست. MATS هم یک فلوشیپ مستقل ۱۲ هفته‌ای در Berkeley و لندن است. برای انتخاب دانشگاه، آگهی دانشگاه Edinburgh به رتبه‌بندی CSRankings استناد کرده است.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
فریم‌ورک‌های یادگیری عمیق و آموزش مدل
فریم‌ورک اصلی در آگهی‌های بررسی‌شده؛ Perplexity، Aleph Alpha و Kaedim صریحاً Python و PyTorch را می‌خواهند
کتابخانهٔ محاسبات آرایه‌ای با کامپایل و مشتق‌گیری خودکار؛ آگهی Research Engineer تیم پیش‌آموزش Gemini در Google DeepMind آن را نام برده است
دسترسی به مدل‌های متن‌باز آماده برای آزمایش؛ در فهرست کتابخانه‌های آگهی Thales UK آمده است
زیرساخت آزمایش و محاسبه
ثبت و مقایسهٔ آزمایش‌ها؛ آگهی Thales UK آن را در کنار MLflow برای ردیابی آزمایش و بازتولیدپذیری نام برده است
اجرای کارها روی کلاستر؛ آگهی Alignment در Anthropic تجربه با کلاسترهای Kubernetes و کدبیس‌های مشترک پیچیده را امتیاز می‌داند
تفسیرپذیری و ارزیابی مدل
کتابخانهٔ تفسیرپذیری مکانیکی که Neel Nanda ساخته؛ فعال‌سازی‌های درونی مدل را در دسترس می‌گذارد تا بتوانید آن‌ها را بخوانید، حذف کنید یا تغییر دهید
خواندن، نوشتن و انتشار
سامانهٔ ارسال و داوری مقاله که هدفش بازتر کردن فرایند داوری است؛ در برخی کنفرانس‌ها داوری‌ها را هم می‌شود خواند
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
کارآموز پژوهشی / Pre-doctoral / دانشجوی دکترا
۰ تا ۵ سال
کار روی بخشی از یک پروژه زیر نظر استاد راهنما یا پژوهشگر ارشد؛ Ai2 در آگهی‌هایش راهنمایی کارآموزان و pre-doctoral candidates را جزو کار پژوهشگرانش آورده است
Research Scientist / Research Engineer
پس از دکترا یا تجربهٔ پژوهشی معادل
پیش بردن یک خط آزمایش از فرضیه تا نتیجه در یک تیم؛ آگهی Perplexity برای این نقش ۲ تا ۶ سال تجربه روی پروژه‌های مرتبط، بسته به سطح، می‌خواهد
Senior Research Scientist
۵+ سال
رهبری علمی، تعریف و اجرای پژوهش و هدایت تیم‌های کوچک (تعریف Ai2 از این سطح)؛ آگهی Research Scientist در Google DeepMind حداقل ۲ سال تجربهٔ رهبری یک دستور کار پژوهشی را شرط گذاشته است
Staff / Principal Research Scientist یا استاد دانشگاه
پس از سطح ارشد
تعیین جهت پژوهشی یک حوزه در سازمان (عنوان‌هایی مثل Staff+ Research Scientist در Anthropic) یا، در دانشگاه، اداره کردن یک آزمایشگاه و تربیت دانشجو
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
آزمایش‌های پرابهام و نتیجه‌های منفی
تحقیقاتیبیشتر ایده‌ها جواب نمی‌دهند و معلوم نیست کِی جواب می‌دهند. Anthropic در آگهی تفسیرپذیری از متقاضی می‌خواهد با «علم تجربی شلوغ» راحت باشد و نتیجه‌هایش را حتی وقتی منفی‌اند بنویسد. کسی که فقط با پیشرفت قابل‌پیش‌بینی انگیزه می‌گیرد، این بخش را سخت می‌یابد.
تمرکز ساخت مدل‌های بزرگ در صنعت
تحقیقاتیطبق AI Index ۲۰۲۶، در ۲۰۲۵ تنها ۲ مدل شاخص از دانشگاه در برابر ۹۳ مدل از صنعت ثبت شد. پژوهشی که به آموزش مدل در مقیاس بزرگ نیاز دارد بیشتر در شرکت‌ها ممکن است؛ برای نمونه Anthropic در برنامهٔ Fellows برای هر نفر حدود ۱۵ هزار دلار در ماه بودجهٔ محاسباتی می‌گذارد. در دانشگاه باید سؤال‌هایی انتخاب کنید که با منابع کمتر هم پاسخ‌پذیر باشند.
فاصلهٔ درآمد دانشگاه و صنعت
تحقیقاتیطبق BLS، میانهٔ دستمزد پژوهشگران کامپیوتر و اطلاعات در آمریکا در دانشگاه‌های ایالتی ۸۵٬۴۶۰ دلار و در شرکت‌های نرم‌افزاری ۲۱۱٬۲۷۰ دلار است (مه ۲۰۲۵). انتخاب میان آزادی پژوهشی و درآمد یکی از تصمیم‌های اصلی این مسیر است.
قراردادهای کوتاه‌مدت در آغاز مسیر دانشگاهی
تحقیقاتیپستهای پسادکترا معمولاً موقت‌اند؛ نمونهٔ دانشگاه Edinburgh قراردادی دوساله بود. پیش از پایان هر قرارداد باید به فکر قدم بعدی بود، و این برای برنامه‌ریزی زندگی فشار ایجاد می‌کند.
سد مدرک در بسیاری از آگهی‌ها
عمومیAi2 پایه‌ای «معمولاً در سطح دکترا»، Scale AI دکترا یا کارشناسی ارشد و Kaedim کارشناسی ارشد یا دکترا یا تجربهٔ پژوهشی معادل می‌خواهند. راه‌های بدون دکترا وجود دارد، اما معمولاً از نشان دادن سابقهٔ پژوهشی واقعی می‌گذرد: پروژهٔ منتشرشده، فلوشیپ یا تجربهٔ Research Engineer.
شفافیت کمتر در مرز دانش
عمومیAI Index ۲۰۲۶ می‌گوید تواناترین مدل‌ها اکنون کم‌شفاف‌ترین‌اند و برای چند سیستم پرهزینه، از جمله از OpenAI، Anthropic و Google، کد آموزش، تعداد پارامترها، اندازهٔ داده و مدت آموزش دیگر منتشر نمی‌شود. برای پژوهشگر بیرون از این شرکت‌ها، مطالعهٔ مدل‌های پیشرو سخت‌تر می‌شود. سیاست انتشار هم یکسان نیست؛ Ai2 صریحاً می‌نویسد محدودیتی برای انتشار ندارد، پس پرسیدن دربارهٔ آن در مصاحبه منطقی است.
حقوق و بازار کار جهانی
حقوق جهانی محقق هوش مصنوعی
حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.
* ارقام سالانه‌اند. منبع هر رقم:
- levels.fyi, Oct 2026, Research Scientist total comp (sample 876): 25th–75th pct; median
- levels.fyi, Oct 2026, Research Scientist total comp (sample 53): 25th–75th pct; median
- levels.fyi, Oct 2026, Research Scientist total comp (sample 62): 25th–75th pct; median
- levels.fyi, Oct 2026, Research Scientist total comp (sample 57): 25th–75th pct; median
- levels.fyi, Oct 2026, Research Scientist total comp (only 32 in sample): 25th–75th pct; median
- levels.fyi, Oct 2026, Research Scientist total comp (sample 45): 25th–75th pct; median
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: عادت خواندن مقاله
هر هفته چند مقاله را با روش سه‌مرحله‌ای Keshav بخوانید و برای هر کدام خلاصه‌ای یک‌صفحه‌ای بنویسید.
ماه ۲ و ۳: بازتولید یک مقاله
یک مقالهٔ اخیر را انتخاب و نتیجهٔ اصلی‌اش را بازتولید کنید؛ آنچه بازتولید نشد را هم گزارش کنید.
ماه ۴: آموزش یک مدل کوچک
با nanochat کل چرخهٔ آموزش یک مدل زبانی کوچک را اجرا کنید و اثر یک متغیر را بسنجید.
ماه ۵: یک آزمایش اصیل کوچک
در زیرشاخه‌ای که انتخاب کرده‌اید یک سؤال کوچک و مشخص طرح کنید و آزمایشش را اجرا کنید؛ مثلاً یک پروژهٔ تفسیرپذیری روی مدل کوچک.
ماه ۶: نوشتن و درخواست
نتیجه را به یک گزارش فنی تبدیل و منتشر کنید، بعد برای فلوشیپ‌های پژوهشی یا نقش‌های Research Engineer درخواست بدهید.
پروژه‌های پیشنهادی برای رزومه
بازتولید یک مقالهٔ منتشرشده
متوسطمقالهای از یک کنفرانس اخیر انتخاب کنید و نتیجهٔ اصلی آن را با کد خودتان بازتولید کنید. گزارش بنویسید که چه چیزی بازتولید شد، چه چیزی نشد و چرا. ML Reproducibility Challenge دقیقاً برای انتشار همین نوع کار است.
آموزش یک مدل زبانی کوچک از صفر
متوسطبا nanochat یک مدل کوچک را از tokenization تا fine-tuning و ارزیابی آموزش دهید، بعد یک متغیر (مثلاً اندازهٔ مدل یا داده) را تغییر دهید و اثرش را روی نتیجه با نمودار گزارش کنید. هدف فهمیدن کل چرخهٔ آموزش است.
یک پروژهٔ تفسیرپذیری روی مدل کوچک
پیشرفتهبا TransformerLens یک رفتار مشخص در یک مدل کوچک را بررسی کنید: کدام لایه‌ها و attention headها در آن نقش دارند و اگر آن‌ها را حذف کنید چه می‌شود. آگهی Research Scientist تفسیرپذیری در Anthropic «کمی کار روی Interpretability» را از متقاضی می‌خواهد.
ساخت یک بنچمارک یا ارزیابی تازه
متوسطبرای یک توانایی یا ضعف مشخص مدل‌ها (مثلاً hallucination در یک حوزهٔ تخصصی) مجموعه‌ای از نمونه‌ها و معیار نمره‌دهی بسازید و چند مدل متن‌باز را با آن بسنجید. آگهی‌های Kaedim و Aleph Alpha طراحی بنچمارک و روش ارزیابی دقیق را جزو کار اصلی پژوهشگر آورده‌اند.
نوشتن و انتشار یک گزارش فنی یا مقالهٔ کارگاهی
پیشرفتهیکی از پروژه‌های قبلی را به یک گزارش کامل تبدیل کنید: مسئله، کارهای قبلی، روش، آزمایش‌ها، ablation و محدودیت‌ها. آن را عمومی منتشر کنید یا به یک کارگاه (workshop) کنفرانس بفرستید. چند آگهی، از جمله Kaedim و Scale AI، مقالهٔ منتشرشده را نشانهٔ مهمی می‌دانند.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
طبق ویکی‌پدیا، پس از جابه‌جایی میان علوم طبیعی، تاریخ هنر و فلسفه، در ۱۹۷۰ کارشناسی روان‌شناسی تجربی را از Cambridge گرفت و یک سال شاگرد نجاری بود. در ۱۹۷۸ دکترای هوش مصنوعی را از Edinburgh گرفت، زیر نظر استادی که رویکرد نمادین را به شبکه‌های عصبی ترجیح می‌داد. چون در بریتانیا بودجه پیدا نکرد به UC San Diego و Carnegie Mellon رفت و از ۱۹۸۷، جز سه سال در UCL، به دانشگاه Toronto وابسته بوده است. از ۲۰۱۳ تا ۲۰۲۳ وقتش را میان Google Brain و دانشگاه تقسیم کرد.
مقالهٔ ۱۹۸۶ او با Rumelhart و Williams الگوریتم backpropagation را رایج کرد. AlexNet، که با دانشجویانش Alex Krizhevsky و Ilya Sutskever ساخت، در ۲۰۱۲ مسابقهٔ ImageNet را برد. در ۲۰۱۸ همراه Yoshua Bengio و Yann LeCun جایزهٔ Turing و در ۲۰۲۴ همراه John Hopfield جایزهٔ نوبل فیزیک را گرفت. در مه ۲۰۲۳ از Google کناره گرفت تا آزادانه دربارهٔ خطرهای AI حرف بزند.
او سال‌ها روی رویکردی کار کرد که حتی استاد راهنمایش آن را ترجیح نمی‌داد. مسیرش نشان می‌دهد در پژوهش، ماندن روی یک سؤال درست، حتی وقتی رایج نیست، می‌تواند بیشتر از دنبال کردن موضوع روز نتیجه بدهد.
طبق ویکی‌پدیا، یک سال در دانشگاه Toronto ریاضی خواند و در ۱۸ سالگی بدون مدرک دانشگاه را ترک کرد. در ۲۰۱۲ فلوشیپ Thiel را گرفت که از کار مستقلش حمایت کرد. در ۲۰۱۵ به‌عنوان کارآموز وارد Google Brain شد و تا سطح Research Scientist بالا رفت. در ۲۰۱۸ برای رهبری تیم تفسیرپذیری به OpenAI رفت و پس از ترک OpenAI در ۲۰۲۰، یک سال بعد از هم‌بنیان‌گذاران Anthropic شد.
از پیشگامان تفسیرپذیری مکانیکی شبکه‌های عصبی است. در ۲۰۱۷ نشریهٔ تعاملی Distill را هم‌بنیان گذاشت و Time در ۲۰۲۴ نام او را در فهرست TIME100 AI آورد. آگهی امروز تیم تفسیرپذیری Anthropic او را «مدیر پژوهش» این تیم معرفی می‌کند.
مسیر او استثناست، نه قاعده؛ اما نشان می‌دهد کار عمیق و منتشرشده روی یک مسئلهٔ مشخص می‌تواند جای مدرک را برای ورود به آزمایشگاه پژوهشی بگیرد. شروع او از کارآموزی بود، نه از یک عنوان ارشد.
طبق ویکی‌پدیا، در ۱۹۷۶ در پکن به دنیا آمد و در ۱۶ سالگی با مادرش به پدرش در آمریکا پیوست؛ در دبیرستان آخر هفته‌ها در خشک‌شویی خانواده کار می‌کرد. کارشناسی فیزیک را از Princeton و کارشناسی ارشد و دکترای مهندسی برق را از Caltech گرفت. پس از استادیاری در UIUC و Princeton، از ۲۰۰۹ به Stanford رفت و در ۲۰۱۸ استاد تمام شد.
در ۲۰۰۷ در Princeton ساخت ImageNet را رهبری کرد؛ بیش از ۱۴ میلیون تصویر که با Amazon Mechanical Turk برچسب خوردند و الهام‌بخش مسابقهٔ ILSVRC شدند. از ۲۰۱۳ تا ۲۰۱۸ مدیر آزمایشگاه هوش مصنوعی Stanford (SAIL) بود، در فرصت مطالعاتی‌اش Chief Scientist بخش AI/ML در Google Cloud شد و امروز از مدیران مؤسسهٔ Stanford HAI است. بیش از ۳۰۰ مقالهٔ داوری‌شده دارد.
مهم‌ترین سهم او یک الگوریتم نبود، یک مجموعه‌داده و یک مسابقه بود. از کار او پیداست که پژوهش فقط اختراع روش تازه نیست؛ ساختن داده و معیار سنجش می‌تواند مسیر یک حوزه را عوض کند.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Research Scientist, Interpretability
تحلیل نیازمندی‌ها
Have a strong track record of scientific research (in any field), and have done some work on Interpretability
«در هر رشته‌ای» مهم است: سابقهٔ پژوهش علمی در فیزیک یا زیست‌شناسی هم پذیرفته است. اما باید کمی کار مشخص روی تفسیرپذیری نشان دهید؛ مثلاً یک پروژهٔ منتشرشده روی یک مدل کوچک.
ضروریEnjoy team science – working collaboratively to make big discoveries
کار در این تیم انفرادی نیست. باید بتوانید روی بخشی از یک پروژهٔ بزرگ مشترک کار کنید و نتیجه را با بقیه هماهنگ کنید.
مهمAre comfortable with messy experimental science. We're inventing the field as we work, and the first textbook is years away
راه از پیش مشخصی وجود ندارد. باید بتوانید با آزمایش‌های ناتمام، داده‌های گیج‌کننده و سؤال‌هایی که هنوز تعریف دقیق ندارند کار کنید.
مهمYou view research and engineering as two sides of the same coin. Every team member writes code, designs and runs experiments, and interprets results
مهم‌ترین خط آگهی برای فهم این شغل: Research Scientist این‌جا خودش کد می‌نویسد و آزمایش اجرا می‌کند. اگر فقط نظریه یا فقط مهندسی را دوست دارید، این نقش مناسب نیست.
ضروریYou can clearly articulate and discuss the motivations behind your work, and teach us about what you've learned. You like writing up and communicating your results, even when they're null
نوشتن بخشی از خود کار است، حتی دربارهٔ آزمایشی که نتیجه نداد. یک وبلاگ یا گزارش فنی که چند پروژه را روشن توضیح دهد، نشانهٔ خوبی برای این مهارت است.
مهمFamiliarity with Python is required for this role.
تنها مهارت فنی که صریحاً اجباری شده است. در عمل یعنی کار روزمره با Python و ابزارهای آزمایش روی مدل‌های زبانی.
ضروریMinimum education: Bachelor’s degree or an equivalent combination of education, training, and/or experience
برخلاف بسیاری از آگهی‌های Research Scientist، دکترا شرط نشده و حتی کارشناسی هم با تجربهٔ معادل جایگزین‌پذیر است. معیار اصلی سابقهٔ پژوهشی است، نه مدرک.
مفیدتحلیل مسئولیت‌ها
Develop methods for understanding LLMs by reverse engineering algorithms learned in their weights
هدف ساختن روش است، نه فقط استفاده از روش‌های موجود: ابزارهایی که نشان دهند مدل یک کار مشخص را با چه سازوکاری انجام می‌دهد.
Design and run robust experiments, both quickly in toy scenarios and at scale in large models
الگوی رایج پژوهش: ایده را اول روی مدل کوچک و مسئلهٔ ساده سریع بیازمایید، بعد اگر جواب داد آن را روی مدل‌های بزرگ ببرید.
Create and analyze new interpretability features and circuits to better understand how models work.
features واحدهای معنادار درون مدل‌اند و circuits مسیرهایی که این واحدها با هم می‌سازند. بخش بزرگی از کار، پیدا کردن و تفسیر همین‌هاست.
Build infrastructure for running experiments and visualizing results
پژوهشگر ابزار خودش را هم می‌سازد: کد اجرای آزمایش در مقیاس و نمایش نتیجه‌ها به شکلی که الگوها دیده شوند.
Work with colleagues to communicate results internally and publicly
نتیجه‌ها هم در داخل شرکت و هم بیرون منتشر می‌شوند. آگهی چند مقالهٔ عمومی تیم، مثل Toy Models of Superposition و Scaling Monosemanticity، را نام برده است.
نتیجه‌گیری کلی
این آگهی، که در اکتبر ۲۰۲۶ همچنان باز بود، تصویر روشنی از Research Scientist در یک آزمایشگاه پیشرو می‌دهد: کسی که هم دانشمند است و هم برنامه‌نویس، با ابهام کنار می‌آید و نتیجه‌ها، حتی منفی، را می‌نویسد. شرط تحصیلی آن کارشناسی یا تجربهٔ معادل است، اما سابقهٔ پژوهشی قوی و کمی کار روی تفسیرپذیری لازم است. بازهٔ حقوق اعلام‌شده در آگهی ۳۵۰ تا ۸۵۰ هزار دلار در سال است، بالاترین بازه در میان آگهی‌هایی که بررسی کردیم؛ آگهی‌های Ai2 و Google DeepMind برای Research Scientist بازه‌های پایین‌تری اعلام کرده‌اند.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
BLS آمریکا پیش‌بینی می‌کند اشتغال در گروه «پژوهشگران کامپیوتر و اطلاعات» (Computer and Information Research Scientists) از ۲۰۲۵ تا ۲۰۳۵، ۲۲٪ رشد کند، بسیار سریع‌تر از میانگین همهٔ مشاغل، و سالانه به‌طور میانگین حدود ۲٬۹۰۰ فرصت شغلی در این گروه پدید آید. BLS گروه جداگانه‌ای برای پژوهشگر هوش مصنوعی ندارد و این گروه رسمی نزدیک‌ترین معادل آن است.
منبع: BLS Occupational Outlook Handbook (2025–35)
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
در گزارش Future of Jobs 2025 مجمع جهانی اقتصاد (WEF)، کارفرمایانِ شرکت‌کننده در نظرسنجی «متخصصان AI و یادگیری ماشین» را در میان سریع‌ترین شغل‌های در حال رشد از ۲۰۲۵ تا ۲۰۳۰ (از نظر درصد) قرار داده‌اند؛ رتبهٔ سوم در فهرست این گزارش.
BLS آمریکا رشد ۲۲٪ اشتغال پژوهشگران کامپیوتر و اطلاعات را از ۲۰۲۵ تا ۲۰۳۵ پیش‌بینی می‌کند و در توضیح آن می‌نویسد تخصص این پژوهشگران برای ساختن فناوری‌های تازهٔ مرتبط با هوش مصنوعی لازم خواهد بود.
طبق AI Index ۲۰۲۶ دانشگاه Stanford، ساخت مدل‌های شاخص به‌شدت در صنعت متمرکز شده است و تواناترین مدل‌ها کم‌شفاف‌ترین‌اند؛ یعنی بخشی از پژوهش مرزی فقط درون چند شرکت ممکن است. از سوی دیگر همان گزارش نشان می‌دهد سهم دکتراهای تازهٔ AI که به دانشگاه می‌روند از ۲۰۲۲ تقریباً دو برابر شده است، پس مسیر دانشگاهی هم زنده است. ریسک شخصی اصلی زمان است: مسیر رایج از دکترا می‌گذرد و آگهی‌ها سابقهٔ پژوهشی واقعی می‌خواهند. راه‌های کوتاه‌تر هم وجود دارد، مثل نقش Research Engineer یا فلوشیپ‌هایی مثل Anthropic Fellows که به گفتهٔ Anthropic بیش از ۳۵٪ فلوهای دوره‌های قبلش بعداً به‌صورت تمام‌وقت به آن پیوسته‌اند، اما همه سابقهٔ کار پژوهشی منتشرشده را می‌سنجند.
منابع
اطلاعات این صفحه در تاریخ ۳۰ مهر ۱۴۰۵ از این ۴۱ منبع بررسی شده است.
- Research Scientist, Interpretability — Anthropic (job posting)
- Research Engineer / Scientist, Alignment — Anthropic (job posting)
- Staff+ Research Scientist, Multi-Agent — Anthropic (job posting)
- Research Scientist, Life Sciences — Anthropic (job posting)
- Research Scientist, Gemini Vision, DeepMind — Google (job posting)
- Research Engineer, Gemini Large Scale Pretraining, DeepMind — Google (job posting)
- Research Scientist, Robotics — Ai2 (job posting)
- Senior Research Scientist, Open Ecosystem — Ai2 (job posting)
- Research Scientist, Climate Modeling — Ai2 (job posting)
- Research Scientist, Safety Post Training — Scale AI (job posting)
- Member of Technical Staff (AI Researcher) — Perplexity (job posting)
- Senior AI Researcher: LLM post-training for hallucination reduction — Aleph Alpha (job posting)
- Machine Learning Research Scientist, Post-Training — Scale AI (job posting)
- AI Researcher — Kaedim (job posting, LinkedIn)
- AI Researcher — Thales UK (job posting, LinkedIn)
- Research Associate — University of Edinburgh, School of Informatics (jobs.ac.uk)
- levels.fyi — Research Scientist salary, United States
- levels.fyi — Research Scientist salary, Canada
- levels.fyi — Research Scientist salary, United Kingdom
- levels.fyi — Research Scientist salary, Germany
- levels.fyi — Research Scientist salary, Switzerland
- levels.fyi — Research Scientist salary, India
- BLS Occupational Outlook Handbook — Computer and Information Research Scientists
- BLS OEWS May 2025 — 15-1221 Computer and Information Research Scientists
- Stanford HAI — The 2026 AI Index Report (PDF)
- Stanford HAI — Inside the AI Index: 12 Takeaways from the 2026 Report
- World Economic Forum — The Future of Jobs Report 2025 (PDF)
- Anthropic Fellows Program 2026 — Alignment Science Blog
- MATS Research
- About OpenReview
- CSRankings: Computer Science Rankings
- ML Reproducibility Challenge 2026
- Geoffrey Hinton — Wikipedia
- Chris Olah — Wikipedia
- Fei-Fei Li — Wikipedia
- Attention Is All You Need — Wikipedia
- Distill — Distill Hiatus (2021)
- karpathy/nanochat — GitHub
- S. Keshav — How to Read a Paper (PDF)
- John Schulman — An Opinionated Guide to ML Research
- Tim Dettmers — Machine Learning PhD Applications