Налог на науку: почему ИИ-исследователи теряют $1,5 млн в год ради академической свободы
Исследование NBER показало, что верхний 1% авторов индустрии ИИ зарабатывает на $1,5 млн в год больше академических коллег с аналогичной специализацией. Учёные объясняют, почему остаются в университетах, и как появляются гибридные модели работы.
Учёные в области ИИ платят до $1,5 млн в год за право самим выбирать, над чем работать, — и многие считают эту цену справедливой.
Деньги vs. свобода: арифметика, которая не сходится в пользу науки
National Bureau of Economic Research (NBER) — влиятельный американский исследовательский центр в Кембридже, Массачусетс — провёл масштабный анализ карьерных траекторий специалистов по искусственному интеллекту. Исследователи сопоставили авторов с похожей специализацией, работающих в университетах и в частном секторе, и обнаружили существенный разрыв в доходах: верхний 1% промышленных авторов зарабатывает примерно на $1,5 млн в год больше, чем их академические коллеги с comparable (сопоставимым) набором компетенций и публикаций.
Разрыв этот не статичен. Данные NBER, охватывающие период с 2001 по 2021 год, демонстрируют, что разница в доходах между промышленностью и академией резко увеличилась примерно в 2018–2019 годах — как раз тогда, когда масштабные языковые модели (LLM) начали привлекать миллиардные инвестиции. Если в начале 2010-х средний доход ИИ-специалиста в индустрии превышал академический ненамного, то к 2021 году разрыв стал системным и для средних значений, не говоря уже о топовых позициях.
Что стоит за цифрами
Сами по себе $1,5 млн — это не зарплата в вакууме. Это суммарный разрыв в компенсации, включающий базовый оклад, бонусы, опционные программы и прочие выплаты. Для контекста: в Anthropic и OpenAI — двух компаниях, наиболее часто упоминаемых в публикации Nature, — разработчики с опытом работы от двух лет могут рассчитывать на годовой доход в $1–2 млн. Стартовая позиция в аналогичной роли в британском или американском университете — это обычно $80–150 тыс. в зависимости от института и гранта, на котором учёный «сидит».
Это не уникальная ситуация для ИИ. Разрыв между академическими и промышленными зарплатами в STEM-дисциплинах существовал всегда. Однако масштаб этого разрыва в области ИИ беспрецедентен: $1,5 млн в год — это не просто «премия за индустрию», это финансовая аномалия, связанная с тем, что сектор генеративного ИИ переживает инвестиционный бум.
Важно отметить ограничение анализа NBER: он фокусируется на верхнем проценте авторов, то есть на наиболее публикуемых и цитируемых исследователях. Для «среднего» исследователя разрыв, вероятно, меньше, но всё равно значителен. Конкретные цифры для медианных значений в доступном описании не приводятся, что затрудняет полноценную верификацию выводов.
Почему учёные остаются
Nature опросил 14 университетских исследователей, специализирующихся на ИИ и вычислительных науках, — преимущественно из США и Великобритании. Их мотивации можно разбить на несколько категорий.
Свобода выбора исследований. Стюарт Кларк, вычислительный физик из Даремского университета (Великобритания), формулирует это чётко: он «ещё не убеждён, что дополнительные деньги стоят потери возможности десятилетиями работать над тем, что считаешь интересным». В корпоративной среде горизонт планирования проекта определяется квартальными OKR и дорожными картами продукта, а не научной ценностью вопроса. Если менеджер в OpenAI решит, что ваш проект не вписывается в стратегию, — проект закроют. В университете такого рода давления нет.
Дима Дамен, компьютерный учёный из Бристольского университета и одновременно сотрудница Google DeepMind, описывает это как «руль»: если она завтра решит полностью сменить область исследований, никто не может её остановить. Это важное наблюдение, потому что оно иллюстрирует не столько «свободу», сколько структурную разницу в управлении: в академии учёный сам является PI (principal investigator) своего проекта, а в индустрии он — ресурс в рамках чьей-то стратегии.
Открытая наука. Ноа Смит из Вашингтонского университета в Сиэтле поднимает тему, которая в последние годы становится всё более болезненной: закрытость промышленных исследований. По его словам, важно, «чтобы кто-то делал работу открыто, сообщал о том, что работает, а что нет, и делился артефактами». В условиях, когда крупнейшие прорывы в ИИ происходят за закрытыми дверями лабораторий Anthropic, Google DeepMind и OpenAI, роль университета как института, публикующего воспроизводимые результаты, растёт.
Здесь есть нюанс. Многие крупные компании всё же публикуют исследовательские статьи и открывают веса моделей (например, модели серии Llama от Meta* или Gemma от Google). Но выбор, что именно публиковать, остаётся за корпорацией, а не за исследователем. В этом принципиальное отличие от академической модели, где учёный сам определяет, какие результаты представляют ценность для сообщества.
Наставничество. Ивор Симпсон из Университета Сассекса (Великобритания) и Гаурав Сухатме из Университета Южной Калифорнии подчёркивают значение менторства. Симпсон отмечает, что до сих пор получает письма от студентов ранних лет преподавания. Сухатме описывает процесс работы с докторантами как удовольствие от наблюдения за тем, как «они становятся экспертами и идут менять мир». Дамен добавляет, что трое её бывших PhD-студентов стали преподавателями — и для неё это бо́льшее достижение, чем любая статья, потому что «исследования устаревают, а люди — нет».
Это важный аргумент, но его трудно измерить в деньгах. Для исследователя, который ценит долгосрочное влияние, наставничество действительно может стоить больше, чем зарплата в $2 млн. Для того, кто рассматривает карьеру как оптимизацию дохода, — нет.
Тёмная сторона индустриального золота
Питер Наджент, физик из Лоуренс Беркли Национальной лаборатории (Калифорния), приводит цитату своих бывших студентов, которая стоит отдельного внимания: «Если я продержусь на этой работе пять лет, мне повезло — потому что я буквально обучаю те самые LLM, которые меня заменят».
Это не метафора. Внутри самих компаний, создающих генеративный ИИ, существует понимание того, что автоматизация затронет и их собственные роли. Инженеры, обучающие модели, осознают, что следующее поколение моделей может выполнять значительную часть их работы. Горизонт планирования карьеры в Anthropic или OpenAI — это не «30 лет до пенсии», а скорее «пять-семь лет до неизбежного пересмотра роли».
Вандана Дварка, математик из Делфтского технологического университета (Нидерланды), добавляет перспективу изнутри: до перехода в академию она работала в инвестиционном банкинге и описывает этот опыт как «безумие» с «безумными часами». По её словам, зарплата в индустрии ИИ — это не просто компенсация за навыки, а плата за интенсивность, неопределённость и потенциально короткий карьерный цикл.
Гибридные модели: третий путь
Наиболее интересная тенденция, которую отмечает Nature, — рост гибридных позиций. Дима Дамен одновременно работает в Бристольском университете и в Google DeepMind. Такие совмещения позволяют получить доступ к корпоративной инфраструктуре (вычислительные кластеры, большие данные) и при этом сохранить академическую свободу публикаций и выбора направлений.
Гибридная модель — это не панацея. У неё есть свои компромиссы: двойная нагрузка, потенциальный конфликт интересов (компания может не захотеть, чтобы результаты публиковались), а также зависимость от того, что корпорация продолжит ценить академическое сотрудничество. Но на текущем этапе, когда стоимость вычислительных ресурсов для исследований в ИИ исчисляется миллионами долларов, гибридные роли становятся единственным способом для университетских учёных работать на переднем крае.
Что это значит для отрасли
Разрыв в $1,5 млн — это не просто цифра из отчёта. Это симптом глубинной деформации рынка труда в области ИИ. Когда стоимость исследовательского таланта столь радикально различается между секторами, последствия неизбежны:
- Университеты теряют лучших исследователей, особенно на ранних стадиях карьеры, когда финансовый аргумент наиболее весом.
- Публичная наука отстаёт от корпоративной: результаты, полученные в индустрии, могут не публиковаться годами, замедляя общий прогресс.
- Гибридные модели создают новый тип исследователя — «академического сотрудника компании», — который формально принадлежит обоим мирам, но не полностью ни одному.
Однако есть и обратная сторона. Пока индустрия платит $2 млн в год за работу с LLM, университеты сохраняют монополию на долгосрочные фундаментальные исследования, которые не приносят немедленной прибыли, но формируют базу для следующего прорыва. Именно в академии зародились трансформеры (архитектура, на которой построены современные LLM) и многие другие ключевые идеи. Вопрос в том, хватит ли у университетов ресурсов, чтобы продолжать эту роль в эпоху, когда один GPU-кластер стоит дороже, чем годовой бюджет целого факультета.
$1,5 млн в год — это цена, которую исследователи платят за академическую свободу. Судя по опросам, многие готовы её платить. Но готовы ли университеты и общество в целом продолжать спрашивать с них эту жертву?