AI Researcher: Role, Market, Compensation, and Hiring Insights
02.09.2026
v$130,000 or $1.3 million–quite a range for the exact same job title, isn't it?
The problem is that today, this line on a resume says almost nothing about a person's actual day-to-day work. Behind it could be an applied ML engineer fine-tuning ready-made models, a Research Scientist at a frontier lab, or a specialist working at the intersection of AI and fundamental research.
These people have different tasks, different educational and experience requirements, different sources of compensation–and effectively, different labor markets.
Let’s break down who an AI Researcher actually is, how the market works, where the ten-fold (and greater) compensation gap comes from, how to enter the field, and how companies source specialists who cannot be effectively found through standard recruitment channels.
The problem is that today, this line on a resume says almost nothing about a person's actual day-to-day work. Behind it could be an applied ML engineer fine-tuning ready-made models, a Research Scientist at a frontier lab, or a specialist working at the intersection of AI and fundamental research.
These people have different tasks, different educational and experience requirements, different sources of compensation–and effectively, different labor markets.
Let’s break down who an AI Researcher actually is, how the market works, where the ten-fold (and greater) compensation gap comes from, how to enter the field, and how companies source specialists who cannot be effectively found through standard recruitment channels.
Laser Focus: How We Hired an Applied ML Engineer for Cantina Labs
What Is an AI Researcher?
An AI Researcher develops new neural network architectures, training algorithms, and optimization methods. Unlike an applied engineer who integrates existing solutions into a product, a researcher works from square one: setting up experiments, testing hypotheses, and publishing papers at top conferences. For a company, this isn't just about brand prestige. An applied engineer develops the business's current infrastructure. An AI Researcher moves the core technology itself–and their work determines who brings the next generation of models to market first.
What an Applied AI Engineer Does:
- Takes ready-made open-source models (Llama, Mistral, Qwen) or vendor APIs (OpenAI, Anthropic).
- Wraps them into a product context: configures RAG (Retrieval-Augmented Generation), writes scaffolding using LangChain/LlamaIndex, and builds data pipelines.
- Fine-tunes models for narrow business contexts (SFT, LoRA/QLoRA) and optimizes prompts.
Work Output: An automated support department, a working search system over an internal knowledge base, or an intelligent assistant inside a CRM.
What an AI Researcher (Fundamental R&D) Does:
- Creates new neural network architectures, training methods, and compute-resource optimization algorithms.
- Does not use off-the-shelf solutions, but works at the technological frontier: designs custom attention mechanisms, writes CUDA kernels from scratch, and tackles hallucinations at the weight layer rather than through prompt engineering.
- Runs fundamental experiments, tests hypotheses on clusters of thousands of GPUs, and publishes papers at NeurIPS, ICML, or ICLR.
Work Output: A new multimodal architecture, a 4x reduction in model inference costs, or a proprietary context-compression algorithm.
Why Do Companies Need a Researcher if They Have Engineers?
An applied engineer covers immediate business needs: improving product metrics here and now. A researcher creates a technological moat against competitors.
If a company builds a product on top of someone else's API, it remains completely dependent on external rate limits, pricing, and updates. An AI Researcher gives the business its own IP (intellectual property), independence from third-party vendors, and a multi-fold reduction in infrastructure costs at scale.
An applied engineer develops the product. A researcher moves the core technology itself–and their work determines who brings the next generation of models to market first.
If a company builds a product on top of someone else's API, it remains completely dependent on external rate limits, pricing, and updates. An AI Researcher gives the business its own IP (intellectual property), independence from third-party vendors, and a multi-fold reduction in infrastructure costs at scale.
An applied engineer develops the product. A researcher moves the core technology itself–and their work determines who brings the next generation of models to market first.
Two Tracks Within the Field: Research Scientist vs. Research Engineer
A clear division into two specialized tracks has long been established in AI Research. They share a fundamental mathematical baseline, but have radically different daily tasks, toolsets, and key metrics.
Shared Baseline: Linear Algebra, Probability Theory, Deep Learning Internals (PyTorch / JAX).
Research Scientist
Research Scientist работает на верхнем уровне абстракции. Его задача – расширить пределы того, что алгоритм может делать принципиально.
- Задачи: Формулирует гипотезы, проверяет математическую состоятельность новых методов, проектирует кастомные Loss-функции и механизмы внимания.
- День из жизни: Проводит доказательства на бумаге, собирает прототип архитектуры на небольшом датасете, анализирует причины сходимости/расходимости градиентов, пишет статьи для NeurIPS, ICML, ICLR или CVPR.
- Стек: PyTorch, JAX/Flax, NumPy, LaTeX, Weights & Biases (для отслеживания метрик экспериментов).
- Метрика успеха: Proof of Concept (PoC) новой архитектуры, подтвердивший превосходство над SOTA-решениями (State-of-the-Art).
Research Engineer
Research Engineer делает так, чтобы теоретическая идея заработала на реальной инфрастуктуре. Без него алгоритм останется нерабочим скриптом в Jupyter Notebook, который падает по OOM (Out of Memory) при попытке загрузить большой контекст.
- Задачи: Проектирует системы распределенного обучения (Distributed Training), оптимизирует передачу данных между узлами кластера, борется с «узкими горлышками» в I/O и памяти GPU.
- Стек: PyTorch Distributed (FSDP, DDP), Megatron-LM, DeepSpeed, C++/CUDA, Triton, Slurm, Ray Train, NCCL.
- Метрика успеха: Kрупномасштабный прогон (Pre-training run) без сбоев кластера, линейный scaling efficiency при увеличении числа GPU, утилизация compute-мощностей (MFU – Model FLOPs Utilization) > 60%.
Где роли пересекаются и почему спор “кто важнее” бессмыслен
На фронтире разработок (OpenAI, Anthropic, DeepMind) граница между ролями размывается. Появляется гибридный профиль – Full-stack Research Engineer: специалист, который может с утра прочитать свежий препринт на arXiv, выписать матмодель, а к вечеру оптимизировать под нее CUDA-ядро на Triton.
Организация работы зависит от структуры конкретной лаборатории:
- Академический формат: Strict Separation. Scientist генерирует идеи и сдает ТЗ, Engineer пишет пайплайны и занимается отладкой. Работает хорошо для точечных улучшений, но тормозит скорость итераций.
- Фронтир-формат: Cross-functional Units. Ученые и инженеры работают в одной микро-группе над конкретным узлом (например, Reasoning или Context Extension). Каждый инженер понимает математику модели, а каждый ученый умеет запустить мульти-нодный прогон.
Специалистов обоего трека объединяет базовый инженерно-математический минимум:
- Математика: Линейная алгебра (тензорные операции, декомпозиции), математический анализ (градиентный спуск, автодифференцирование), теория вероятностей.
- Базовый фреймворк: Глубокое понимание PyTorch или JAX на уровне внутреннего устройства – не просто вызов model.fit(), а умение вручную переписать forward/backward проходы, зарегистрировать hook и управлять графом вычислений.
Точка расхождения:
- Research Scientist уходит в глубину предметной области (Alignment, Reinforcement Learning with Human/AI Feedback, Mechanistic Interpretability).
- Research Engineer уходит в низкоуровневую производительность (Kernel Fusion, FlashAttention, communication overlapping, FP8/INT4 quantization).
Направления специализации
Трек (Scientist vs Engineer) определяет форму работы. Вторая переменная, определяющая ценность специалиста на рынке, – направление (Domain).
- LLM и pre-training. Обучение больших языковых моделей с нуля. Один прогон обучения стоит десятки и сотни миллионов долларов. Масштаб, которого почти нет больше нигде.
- Post-training, RLHF, alignment, interpretability. Самый дефицитный сегмент рынка. Задача – сделать так, чтобы модель вела себя предсказуемо после того, как она уже обучена на сырых данных. AI alignment research – не философия про “безопасный ИИ”, а конкретная инженерная работа: тестирование поведения модели, поиск способов предсказать нежелательные реакции до того, как они проявятся в проде. За AI alignment researcher идет основная борьба между лабами прямо сейчас.
- Multimodal, Computer Vision, NLP. Более зрелые направления. Рынок специалистов здесь шире: эти области существуют дольше текущего бума вокруг генеративных моделей.
- Robotics и embodied AI. Модели, которые действуют в физическом мире, а не только генерируют текст или картинку. Отдельная экспертиза на стыке ИИ и инженерии.
- Quant / trading research. Ресерчер в hedge fund или HFT-компании строит модели, предсказывающие движение рынка, и торгует на скоростях в микросекунды. Другая логика найма, другая скорость итераций, другая структура оплаты – база плюс бонус от P&L фонда, а не equity компании. Quant researcher salary в поиске показывает одни из самых высоких цифр во всей AI/ML-сфере – этот рынок был высокооплачиваемым задолго до текущего бума вокруг генеративного ИИ. И почти всегда закрытый контур: без статей, без открытого кода. Результат измеряется прибылью, а не публикациями.
Quant/HFT vs AI Research: Две разные инженерные культуры
За тайтлом “Researcher” в фонде и в AI-лабе стоят принципиально разные профили, задачи и образ жизни.
Различие 1. Фундамент и математический аппарат
В Quant/HFT редко приходят из классического CS. Базовый профиль здесь – теоретическая физика, прикладная математика и статистика. Моделирование опирается не столько на трансформеры, сколько на анализ временных рядов, стохастический анализ и теорию игр. Понятия вроде «числа ордеров в стакане» или «микроструктуры рынка» требуют специфической математики, с которой специалист по LLM никогда не сталкивался.
Различие 2. Абсолютная закрытый контур против открытой науки
Классический AI Research держится на открытости: репутация строится на публикациях, коде на GitHub и индексе цитирования. В Quant-индустрии действует обратная логика: любая публикация убивает торговое преимущество (Alpha). Специалист может проработать 10 лет в топовом фонде, заработать миллионы долларов, но не иметь права публично назвать даже класс математических моделей, с которыми работал.
Различие 3. Задержки и железо: FLOPs vs Latency
AI-исследователь оптимизирует пропускную способность вычислений (Throughput) – его волнует, сколько терафлопс выдает кластер H100 при обучении. HFT-исследователь бороться за задержку (Latency) – реакция на событие должна занимать наносекунды. Поэтому главный стек в HFT – это не PyTorch, а чистый C++, скомпилированный под конкретное железо, кастомные сетевые стеки с bypass ядра ОС и логика, прошитая прямо в FPGA-платы.
Различие 4. Структура дохода
В AI-лабораториях компенсация состоит из высокой базовой зарплаты и опционов (Equity). В фондах базовая зарплата – лишь часть дохода, а основной объем дает прямой процент от прибыли (P&L cut) или годовой бонус. Из-за этого топовые Quant Researchers получают самые высокие совокупные доходы в IT-индустрии, но их стабильность напрямую привязана к эффективности алгоритмов на реальном рынке.
Переходы между мирами
Переход из Quant в AI Research возможен и логичен в областях Reinforcement Learning, Time-Series и Reasoning. Обратный переход (AI → Quant) происходит реже: закрытость финансового мира мешает оценить реальный уровень кандидата, а отсутствие опыта работы с высокочастотной инфраструктурой требует переобучения с нуля.
Переходы между мирами
Переход из Quant в AI Research возможен и логичен в областях Reinforcement Learning, Time-Series и Reasoning. Обратный переход (AI → Quant) происходит реже: закрытость финансового мира мешает оценить реальный уровень кандидата, а отсутствие опыта работы с высокочастотной инфраструктурой требует переобучения с нуля.
Чем AI Researcher отличается от смежных профессий
AI Researcher vs ML Engineer
- AI Researcher работает на этапе создания технологии. Его цель – придумать новый механизм внимания, оптимизировать сходимость градиентов или убрать галлюцинации. Успех измеряется валидацией гипотезы и качеством бенчмарка.
- ML Engineer берет проверенный метод – готовую модель или алгоритм из препринта – и превращает его в продакшн-сервис. Он пишет отказоустойчивый C++/Python-код, оптимизирует задержки (Latency), настраивает TensorRT/vLLM, разворачивает Triton Inference Server и следит за мониторингом. ML-инженер работает с существующими архитектурами, Researcher – создает новые.
AI Researcher vs Data Scientist
- Data Scientist сфокусирован на структурированных данных конкретного бизнеса. Его задачи – построить модель оттока клиентов, наладить скоринг или собрать рекомендательную систему под ритейл. Он применяет существующий инструментарий (XGBoost, CatBoost, базовый PyTorch) для решения бизнес-проблемы.
- AI Researcher решает фундаментальные задачи обучения. Его не волнует конверсия конкретного интернет-магазина. Ему важно, почему трансформер теряет контекст на 128k токенов и как переписать алгоритм attention, чтобы модель тратила меньше GPU-памяти при обучении.
AI Researcher vs Software Engineer (с фокусом на AI/LLM)
- Software Engineer, работающий с AI – это разработчик прикладного слоя. Он выводит модель в интерфейс: дергает API (OpenAI, Anthropic), собирает RAG-пайплайны, настраивает векторы в Qdrant/Milvus и пишет промпты.
- Он не взаимодействует с весами модели, не проводит ее дообучение (SFT/DPO) и не меняет архитектуру. Это продуктовая разработка, где LLM выступает лишь еще одним внешним сервисом, как PostgreSQL или Redis.
Основные задачи исследователя ИИ
Основные категории задач, которые входят в работу AI Researcher:
- Фундаментальный R&D и архитектурный дизайн. Поиск новых способов представления данных, архитектур моделей и методов обучения. В LLM это может включать работу с reasoning и inference-time compute, post-training и reinforcement learning, включая подходы вроде PPO и GRPO.
- Профилирование и бенчмаркинг. Исследователь оценивает не только accuracy, но и устойчивость модели, качество на distribution shift, latency, throughput и потребление памяти. Модели сравниваются с SOTA на стандартных бенчмарках – AIME, SWE-bench, MMLU – и на собственных специализированных датасетах.
- Экспериментальный цикл и воспроизводимость. Каждая гипотеза должна превращаться в воспроизводимый эксперимент. Фиксируются random seeds, версии данных, конфигурация железа, гиперпараметры, checkpoints и commit конкретной версии кода.
- Работа с compute и распределенным обучением. На масштабах frontier research отдельная задача – эффективно использовать GPU-кластеры: распределять обучение, управлять памятью, ускорять коммуникацию между устройствами и оптимизировать стоимость экспериментов.
- Research output и интеллектуальная собственность. Результат исследования нужно не только получить, но и корректно оформить: написать paper, подготовить эксперименты для peer review, выпустить код или датасет либо, наоборот, защитить разработку патентом.
Конкретный стек зависит от специализации: Research Scientist может большую часть времени проводить в экспериментах и математическом анализе, тогда как Research Engineer – в коде, профилировании и работе с инфраструктурой. Но общий принцип один: AI Researcher должен уметь не просто обучить модель, а построить полный цикл от гипотезы до воспроизводимого результата.
Основные инструменты и стек
Инструментарий AI Researcher делится на пять технологических слоев. Набор утилитарных сервисов пересекается у большинства специалистов, но фокус использования строго зависит от трека (Scientist vs Engineer).
Архитектура стека по слоям
1. Вычислительные фреймворки (Core Frameworks)
- PyTorch 2.x: Индустриальный стандарт для 90%+ исследовательских лабораторий благодаря динамическому графу вычислений, интеграции torch.compile и мощной экосистеме.
- JAX / Flax: Выбор Google DeepMind и ряда R&D-команд для задач, где критичны функциональный подход, автодифференцирование и экстремальная производительность при компиляции через XLA на TPU/GPU-кластерах.
2. Низкоуровневая оптимизация и инференс (Low-Level & Compute)
- Triton & CUDA C++: Языки написания кастомных GPU-ядер. Позволяют обходить ограничения стандартных PyTorch-операторов, оптимизировать работу с SRAM/HBM-памятью и объединять операции (Kernel Fusion).
- FlashAttention / TensorRT-LLM / vLLM: Стек для оптимизации внимания, квантования (FP8/INT4) и высокого throughput при инференсе и дообучении.
3. Распределенное обучение (Distributed Training)
- Megatron-LM & DeepSpeed: Инструменты для масштабирования моделей на тысячи GPU. Поддерживают 3D-параллелизм (Tensor, Pipeline, Data Parallelism) и методы оптимизации памяти (ZeRO-1/2/3).
- PyTorch FSDP (Fully Sharded Data Parallel): Нативный инструмент PyTorch для шардирования параметров модели, градиентов и состояний оптимизатора.
- Slurm & Ray: Slurm – стандартный оркестратор задач для суперкомпьютерных GPU-кластеров. Ray – фреймворк для масштабирования Python-кода и управления RL-петлями (Reinforcement Learning).
4. Менеджмент экспериментов и конфигураций
- Weights & Biases (W&B) / MLflow: Инфраструктура трекинга. Позволяет в реальном времени мониторить метрики (Loss, Gradient Norms, Learning Rate, MFU), сравнивать гипотезы и сохранять артефакты моделей.
- Hydra: Стандарт для управления сложными конфигурациями гипотез и гиперпараметров без хардкода.
5. Воспроизводимость и оформление научных результатов
- Docker & Kubernetes: Изоляция окружения, версионирование CUDA-зависимостей и развертывание вычислительных нод.
- LaTeX / Overleaf: Единственный общепринятый стандарт для оформления научных препринтов и статей под требования NIPS/ICML/ICLR.
Специфика применения инструментария внутри команды зависит от роли:
- Research Scientist 70% времени проводит в PyTorch/JAX, W&B, Hydra и Overleaf. Его задача – быстро собрать рабочий прототип, проверить сходимость Loss-функции и зафиксировать результат в статье.
- Research Engineer 70% времени работает с Triton, Megatron-LM, Slurm, DeepSpeed, C++ и Kubernetes. Его задача – сделать так, чтобы код ученого не падал по OOM, а утилизация вычислительной мощности кластера (MFU) превышала 60%.
Основные требования
Формальный тайтл в LinkedIn не отражает реальной квалификации кандидата. При найме топовые лаборатории и продуктовые компании оценивают специалиста по трем проекциям: хард-инфраструктура, научно-инженерный след и способность мыслить в условиях неопределенности.
1. Hard Skills и математический базис
- Математический фундамент:
Глубокое понимание теории оптимизации (AdamW, Lion, Muon, Shampoo), многомерного анализа, стохастических процессов, теории вероятностей и линейной алгебры. Без этого невозможно диагностировать взрыв градиентов или спроектировать кастомную Loss-функцию. - Инженерный стек:
Фреймворки: Свободное владение PyTorch или JAX/Flax на уровне написания собственных Autograd-функций, hooks и кастомных операторов.
Оптимизация и низкоуровневый код: Понимание C++ и Triton для написания эффективных GPU-ядер (Kernel Fusion).
Распределенные вычисления: Практика с FSDP, DeepSpeed, Megatron-LM, Tensor/Pipeline/Sequence parallelism, Ray. - Интерпретируемость и диагностика (Interpretability):
Для классического ML – SHAP, LIME, Integrated Gradients. Для LLM/Frontier R&D – Mechanistic Interpretability (анализ активаций внутри слоев, поиска моносемантических нейронов и steering vectors). Это необходимо, чтобы находить галлюцинации и уязвимости на уровне весов, а не внешней обвязки.
2. Soft Skills и исследовательская мета-компетенция
- Research Judgment:
Способность вовремя остановить неперспективную ветку экспериментов и не сжигать compute-бюджет компании на тупиковые гипотезы. - Устойчивость к высокой неопределенности:
80–90% гипотез окажутся нерабочими. Способность сохранять системность и аналитическую строгость при серии отрицательных результатов. - Адаптация научных концептов:
Умение декомпозировать сложную идею из статьи на arXiv и за 30 минут объяснить топ-менеджменту или продакт-менеджерам, как она влияет на unit-экономику или Latency продукта.
Квалификационные маркеры:
- Академический бэкграунд: PhD или MSc в области Computer Science, Applied Mathematics, Physics или Statistics. Для фундаментального R&D это фактический порог входа. Для инженерно-прикладных треков отсутствие PhD компенсируется солидным портфолио.
- Публикационный след: Наличие статей на конференциях уровня A* (NeurIPS, ICML, ICLR, CVPR, ACL). Рынок оценивает не просто факт публикации, а индекс цитирования (h-index) и реальный вклад кандидата (First Author).
- Артефакты и открытый код: Публичный GitHub-репозиторий с воспроизводимым кодом (Clean Code, Dockerfile, W&B logs). Наличие звезд на GitHub и внесение изменений в крупные библиотеки (Hugging Face, vLLM, FlashAttention, PyTorch) ценятся выше, чем пет-проекты.
Как проходит собеседование на AI Researcher
Этап 1. ML Theory & Fundamentals (Deep Dive)
Глубокая проверка теории. Вопросы не на запоминание формул, а на понимание механики:
«Почему Transformer борется с проблемой исчезающего градиента лучше, чем LSTM?»
«Как математически работает DPO и чем его градиентный апдейт отличается от PPO?»
«Как динамика Chinchilla Scaling Laws изменяется при учете Inference-time compute?»
«Почему Transformer борется с проблемой исчезающего градиента лучше, чем LSTM?»
«Как математически работает DPO и чем его градиентный апдейт отличается от PPO?»
«Как динамика Chinchilla Scaling Laws изменяется при учете Inference-time compute?»
Этап 2. Practical ML-Coding (не LeetCode)
Вместо абстрактных задач на бинарные деревья кандидата просят реализовать конкретный модуль с нуля за 60 минут:
- Написать кастомный Multi-Head Attention или RMSNorm слой на чистом PyTorch без использования готовых модулей torch.nn.
- Реализовать Loss-функцию (например, Focal Loss или InfoNCE) и написать корректный пайплайн векторизации без циклов for.
Этап 3. Paper Breakdown & Critical Thinking
Кандидату дают свежую статью с arXiv (30 минут на чтение) или разбирают его собственную прошлую публикацию:
- Задача: Найти математические допущения или слабые места в методологии автора, предложить альтернативный дизайн эксперимента и объяснить, при каких условиях предложенный метод сломается.
Этап 4. Research Presentation (для Senior / Lead)
Кандидат проводит 45-минутную презентацию своего крупнейшего исследовательского проекта перед будущей командой. Оцениваются способность структурировать научный результат, аргументация выбора методологии и ответы на критические вопросы коллег.
Этап 5. Research Judgment & System Design
Интервьюер задает открытую проблему без готового ответа: “Наша модель теряет связность при контексте свыше 64k токенов. Бюджет на дообучение – $50,000. Какую серию из трех экспериментов вы запустите в первую очередь и почему?”
Здесь проверяется умение мыслить как главного исследователя (Principal Investigator): планирование ресурсов, работа с рисками и фундаментальная интуиция.
Здесь проверяется умение мыслить как главного исследователя (Principal Investigator): планирование ресурсов, работа с рисками и фундаментальная интуиция.
Карьерный трек и позиционирование на рынке
Как войти в профессию
Попасть в AI Research в 2026 году можно двумя путями: академическим (классический R&D) и инженерно-прикладным (переход из Software/ML Engineering).
Путь в AI Research обычно строится из пяти элементов: сильная математика и CS → углубленное образование → программирование → исследовательский опыт → портфолио.
- 1. Фундамент.
Базовая точка – бакалавриат в Computer Science, математике, физике или смежной технической области. Ключевые дисциплины – алгоритмы и структуры данных, линейная алгебра, математический анализ и статистика. - 2. Углубление.
Для серьезного research магистратура или PhD дают необходимую глубину. Магистратура повышает конкурентоспособность, а PhD часто требуется для позиций, связанных с оригинальными исследованиями и развитием новых методов. Без PhD попасть в research тоже можно – тогда его отсутствие приходится компенсировать внушительным портфолио и практическими результатами. - 3. Инструменты.
Python – основной язык, C++ нужен для задач, где критична производительность. На практике важно владеть PyTorch, а для отдельных направлений – JAX, и уметь не просто запускать модели, а самостоятельно экспериментировать, отлаживать и анализировать результаты. - 4. Исследовательский опыт.
Стажировки, research assistant позиции, работа с профессорами и реальные ML-проекты – главный переход от теории к research. Open source, публикации и другие публичные результаты дополнительно повышают видимость специалиста. - 5. Альтернативные траектории.
В AI Research можно прийти и из Software Engineering или Data Science. В этом случае недостающую математику и ML-компетенции можно добрать самостоятельно, через курсы и работу над исследовательскими задачами. Отраслевая экспертиза – например, в финансах или здравоохранении – также может стать конкурентным преимуществом.
Карьерная лестница
- Research Intern / Junior: Работа в связке с Senior-наставником. Задачи: сбор и фильтрация датасетов, запуск базовых бенчмарков, написание вспомогательного кода для прогонов.
- Research Scientist / Research Engineer: Самостоятельное ведение ветки экспериментов. Способность сформулировать гипотезу, написать код, запустить масштабный прогон на кластере и интерпретировать сходимость градиентов.
- Senior Research Scientist / Lead: Проектирование стратегических R&D-направлений компании, менторство, распределение compute-бюджетов, публикации на A*-конференциях (NeurIPS, ICML, ICLR).
- Principal / Staff Researcher / VP of AI: Определение технологической стратегии лаборатории, принятие решений по архитектуре следующих поколений моделей, выкуп исследовательских команд и распределение GPU-кластеров на десятки миллионов долларов.
Дальнейший рост может идти не только вверх по иерархии, но и в сторону: в преподавание, в основание собственного AI-стартапа, в позицию научного консультанта на уровне топ-менеджмента.
Полезные ресурсы: курсы, книги и практика
Если формальное образование дает фундамент, то самостоятельно добрать знания помогают несколько проверенных ресурсов.
- Для фундамента и ML: Stanford CS229 Machine Learning – хороший ориентир для системного изучения классического машинного обучения. Курс предполагает базовые знания Python, вероятности, линейной алгебры и матанализа и охватывает supervised и unsupervised learning, learning theory и reinforcement learning.
- Для Deep Learning: Deep Learning – Ian Goodfellow, Yoshua Bengio, Aaron Courville. Одна из базовых книг по глубокому обучению: она последовательно закрывает математику, оптимизацию, нейросети и основные архитектуры. Полная онлайн-версия доступна бесплатно.
- Для практики: fast.ai – Practical Deep Learning for Coders – курс ориентирован на людей с опытом программирования и позволяет быстро перейти от теории к реальным моделям и экспериментам.
- Для LLM и современных инструментов: Hugging Face Course – практический вход в Transformers, Datasets, Tokenizers и работу с современными LLM. Курс бесплатный и сопровождается Jupyter-ноутбуками с кодом.
- Для перехода от обучения к research: стоит регулярно читать новые papers и разбирать их код. Полезнее не просто следить за новостями AI, а выбрать направление – например, LLM, computer vision, reinforcement learning или generative models – и постепенно собрать собственную базу из ключевых работ. После этого следующий шаг – воспроизводить результаты из papers и пытаться улучшать их.
Где и как искать AI Researcher
Найм AI Researcher – это не стандартная операционная задача, а инвестиция в скорость работы компании. Ошибка в калибровке профиля стоит не только бюджета на поиск: месяцы без нужного специалиста часто означают месяцы технологического отставания.
Такой поиск начинается не с публикации вакансии. Сначала нужно понять, какую research-задачу решает бизнес, какой профиль способен ее решить и в каком контексте этот человек будет работать.
Такой поиск начинается не с публикации вакансии. Сначала нужно понять, какую research-задачу решает бизнес, какой профиль способен ее решить и в каком контексте этот человек будет работать.
Где искать: нестандартные каналы
Лучшие исследователи далеко не всегда находятся в активном поиске и часто не выглядят как «идеальный кандидат» в стандартном резюме. Их следы находятся в научных публикациях, коде, экспериментах и профессиональных сообществах.
- Научные площадки – OpenReview, arXiv, NeurIPS, ICML, ICLR. Мониторинг свежих исследований позволяет находить специалистов раньше, чем они появляются на рынке вакансий. Важны не только название позиции или университет, но и конкретный вклад человека: тема исследования, роль в работе, качество экспериментов и повторяемость результатов.
- Google Scholar, Semantic Scholar. Вместо поиска по списку известных имен можно двигаться от знаковых работ: анализировать соавторов, последующие публикации и исследовательские связи. Такой подход позволяет находить перспективных специалистов, которые еще не успели получить громкий industry-титул.
- Open Source – GitHub, Hugging Face. Для Research Engineer особенно ценны реальные инженерные артефакты: PR и commits в PyTorch, vLLM, FlashAttention, DeepSpeed и других инфраструктурных проектах. Здесь можно оценивать не только факт участия, но и качество кода, глубину технического вклада и способность работать с production-scale системами.
- Профессиональные сообщества. EleutherAI, Nous Research, Hugging Face, Alignment Forum, LessWrong и другие специализированные площадки дают доступ к людям, которые активно занимаются исследованиями и open source, но могут вообще не искать работу через классические каналы.
Почему вакансии не закрываются
- Разрыв между требованиями и бюджетом. Компания хочет профиль уровня frontier lab – PhD, серьезные публикации, опыт работы с крупными моделями и GPU-оптимизацией, – но предлагает компенсацию прикладного ML-инженера. Задача и рынок не сходятся с самого начала.
- Оценка по тайтлу вместо реальных работ. «Research Scientist» в LinkedIn сам по себе ничего не говорит о качестве исследователя. Гораздо важнее, что человек реально сделал: какие задачи решал, какие papers написал, какие модели обучил, какой код создал и какие результаты получил.
- Игнорирование рабочего контекста. Высококлассный исследователь оценивает не только компенсацию. Он смотрит на команду, автономию, доступные вычисления, качество инфраструктуры и возможность быстро превращать гипотезы в эксперименты. Если у компании нет ответа на вопрос «на каких GPU и с каким compute budget ты будешь это исследовать?», высокий оффер не всегда компенсирует остальные ограничения.
До начала найма стоит зафиксировать четыре вещи:
- Задача.
Что именно должен исследовать специалист и какой результат будет считаться успехом? - Тип профиля.
Нужен Research Scientist, который формулирует и проверяет новые гипотезы, или Research Engineer, который превращает эти гипотезы в масштабируемые эксперименты и оптимизирует инфраструктуру? - Compute & infrastructure.
Какие GPU доступны, в каком объеме, насколько быстро исследователь может запускать эксперименты и какие инструменты уже есть внутри команды? - EVP и компенсация.
Почему классный исследователь пойдет к вам, а не к конкурентам: баланс компенсации и equity, свобода поиска, окружение, масштаб задач и скорость внедрения разработок в продукт.
Только после этого имеет смысл строить карту рынка и определять, где находятся нужные специалисты и чем их можно заинтересовать.
Почему AI Research требует отдельного подхода
В обычном найме часто можно начать с вакансии: определить требования, найти кандидатов по ключевым словам и провести скрининг. В AI Research эта модель почти не работает. При поиске AI-ресечеров нужно уметь читать научные статьи, отличать реальный вклад в исследование от формального соавторства, оценивать открытый код и видеть связь между техническим профилем кандидата и конкретной задачей бизнеса.
В Lucky Hunter мы строим поиск именно таким образом: сначала погружаемся в research-задачу и технический контекст компании, затем калибруем профиль относительно реального рынка и только после этого формируем стратегию поиска.
Это позволяет ответить на главный вопрос еще до начала активного найма: существует ли такой профиль на рынке и где его искать.
В Lucky Hunter мы строим поиск именно таким образом: сначала погружаемся в research-задачу и технический контекст компании, затем калибруем профиль относительно реального рынка и только после этого формируем стратегию поиска.
Это позволяет ответить на главный вопрос еще до начала активного найма: существует ли такой профиль на рынке и где его искать.
Зарплаты: разбор по tier, направлению и региону
Порядок сумм определяется тремя координатами: Tier компании, направление (Domain) и локация.
В Quant Research & HFT компенсация почти не привязана к опционам компании: основа – высокая база плюс прямой бонус от P&L (Profit & Loss). Если торговая стратегия генерирует прибыль, размер бонуса может превышать базовую зарплату в 3-5 раз за один финансовый год, но именно поэтому верхняя граница диапазона отражает скорее возможный, чем типичный результат.
Рынок в 2026 году: тренды будущее профессии
Где искать: нестандартные каналы
Данные о рынке AI-найма в 2026 году кажутся противоречивыми, но на самом деле они отражают два параллельных процесса.
С одной стороны – волна увольнений. За первый квартал 2026 года в техе сократили почти 80 000 человек, и львиная доля этих сокращений прошла под флагом AI-оптимизации. Компании массово режут штаты на легко автоматизируемых позициях, чтобы высвободить капитал на покупку GPU-кластеров.
С другой стороны – катастрофический дефицит R&D-кадров. Спрос на штучных AI-специалистов за два года вырос в 7 раз, а пул реальных экспертов растет медленнее рынка. В итоге BigTech-гиганты увольняют тысячи обычных сотрудников и одновременно платят миллионы за единичных исследователей на фронтире. Это не противоречие, а окончательное разделение рынка на два разных мира.
С одной стороны – волна увольнений. За первый квартал 2026 года в техе сократили почти 80 000 человек, и львиная доля этих сокращений прошла под флагом AI-оптимизации. Компании массово режут штаты на легко автоматизируемых позициях, чтобы высвободить капитал на покупку GPU-кластеров.
С другой стороны – катастрофический дефицит R&D-кадров. Спрос на штучных AI-специалистов за два года вырос в 7 раз, а пул реальных экспертов растет медленнее рынка. В итоге BigTech-гиганты увольняют тысячи обычных сотрудников и одновременно платят миллионы за единичных исследователей на фронтире. Это не противоречие, а окончательное разделение рынка на два разных мира.
Деньги помогают не всегда
Зарплата – не единственный фактор, который определяет, останется ли исследователь в компании.
Anthropic удерживает 80% нанятых специалистов на протяжении двух лет, при этом платя ниже медианы OpenAI. Meta платит больше всех на рынке – и удерживает 64%. Разница показательна: более высокая зарплата не гарантирует более высокого удержания.
Когда базовая компенсация задета на высоком уровне, элитные кадры выбирают по трем другим критериям:
Anthropic удерживает 80% нанятых специалистов на протяжении двух лет, при этом платя ниже медианы OpenAI. Meta платит больше всех на рынке – и удерживает 64%. Разница показательна: более высокая зарплата не гарантирует более высокого удержания.
Когда базовая компенсация задета на высоком уровне, элитные кадры выбирают по трем другим критериям:
- Доступ к compute-мощностям: Насколько быстро и без бюрократии можно запустить гипотезу на кластере.
- Качество и плотность команды: Возможность работать с ведущими людьми в индустрии.
- Автономия: Минимальный слой менеджмента между идеей и экспериментом.
Что будет с профессией дальше
Поляризация рынка только усилится. В 2026 году формируются два главных вектора спроса:
- Post-training, Alignment & Reasoning. Модели становятся мощнее, а цена ошибки – выше. Специалисты, умеющие управлять поведением нейросетей, контролировать галлюцинации и обучать модели рассуждать (через RL и GRPO), остаются самыми дефицитными на рынке.
- AI Agents & Embodied Intelligence. Произошел сдвиг от моделей, которые просто «отвечают на промпт», к автономным агентам, способным планировать многошаговые задачи в продукте или физическом мире. Это создает спрос на новый профиль – на стыке ML Research и System Design.
Заключение
AI Research – одна из тех областей, где название должности все меньше говорит о реальном уровне специалиста. За одним тайтлом могут стоять прикладной ML, фундаментальный research, работа с архитектурами моделей или глубокая инженерия GPU-инфраструктуры. Отсюда и огромный разброс в требованиях, карьерных траекториях и компенсации.
В Lucky Hunter мы находим AI и Deep Tech специалистов: сначала разбираемся в контексте задачи, затем калибруем профиль относительно реального рынка, и только потом начинаем поиск. Если ищете такого человека в команду – напишите нам.
В Lucky Hunter мы находим AI и Deep Tech специалистов: сначала разбираемся в контексте задачи, затем калибруем профиль относительно реального рынка, и только потом начинаем поиск. Если ищете такого человека в команду – напишите нам.
FAQ
Исследователь в области ИИ (AI Researcher) ищет новые методы и проверяет гипотезы. ML Engineer превращает существующие модели и подходы в работающие системы. На практике роли пересекаются, но AI Research Scientist отвечает прежде всего за новое знание, инженер – за работающий продукт.
Не всегда. Для фундаментального research PhD часто является преимуществом или формальным требованием. Альтернативный путь – начать с Research Engineer или ML Engineer и постепенно наращивать research-портфолио: эксперименты, публикации, open-source и воспроизводимые результаты.
Диапазон огромный. На прикладном рынке США зарплата исследователя ИИ составляет примерно $130–260k, тогда как в frontier labs компенсация топовых AI Research Scientists может превышать $1M total comp. В quant/HFT структура другая: высокая база и бонус, зависящий от результатов (количественный исследователь).
Обычно проверяют несколько уровней: теорию ML, программирование, способность критически разбирать исследования и собственный research experience. На senior-позициях особенно важен вопрос: “Какой эксперимент вы проведете следующим и почему”? – он проверяет именно исследовательское мышление.
Да. Один из наиболее реалистичных путей – через engineering-позицию рядом с исследовательской командой. При отсутствии PhD особенно важны собственные эксперименты, публикации, open-source и другие результаты, которые демонстрируют способность самостоятельно заниматься research.
Не обязательно. Для интеграции готовых моделей, RAG, fine-tuning и большинства прикладных AI-задач чаще нужен ML Engineer или Applied AI Specialist. Research имеет смысл, когда конкурентное преимущество зависит от новых методов, архитектур или собственных моделей.
Не только деньгами. Амбициозные исследователи искусственного интеллекта оценивают весь контекст: уровень команды, автономию, доступ к compute... Поэтому убедительный EVP может компенсировать часть разницы в компенсации.
Универсальной цифры нет – она зависит от задачи. Но compute должен быть частью оффера еще до начала поиска: какие GPU доступны, в каком объеме, насколько быстро исследователь в области ИИ может запускать эксперименты и кто принимает решения о распределении ресурсов.
Зависит от роли. Для фундаментального research – один из ключевых сигналов и иногда обязательный фильтр. Для Research Engineer и прикладных R&D-задач выдающиеся технические результаты, open-source и опыт масштабных экспериментов могут быть важнее формальной степени.
Чаще всего проблема начинается еще до начала поиска: требования соответствуют frontier lab, а бюджет, compute или уровень команды – прикладному бизнесу. Поэтому сначала нужно откалибровать задачу относительно рынка, а уже потом определять профиль, каналы поиска и стратегию выхода на кандидатов.
Когда нужен не просто человек с набором ML-навыков, а редкий research-профиль, который сложно найти через стандартный поиск. В таком случае задача начинается с калибровки: определить research problem, тип профиля (AI Research Scientist или Research Engineer), рыночный диапазон, доступный compute и конкурентное предложение компании и только после этого переходить к sourcing.
Таким подбором занимается Lucky Hunter – IT-рекрутинговое агентство с product-подходом. Они не просто ищут кандидатов по базе, а калибруют задачу, рынок и контекст компании, чтобы выходить именно на тех редких исследователей, которые соответствуют вашему уровню задач.
Таким подбором занимается Lucky Hunter – IT-рекрутинговое агентство с product-подходом. Они не просто ищут кандидатов по базе, а калибруют задачу, рынок и контекст компании, чтобы выходить именно на тех редких исследователей, которые соответствуют вашему уровню задач.
Поделиться
Александра Годунова
Контент-менеджер в Lucky Hunter
Новые статьи