Dalawang taon pagkatapos ng pagkakatanggap ng Nobel Prize, halos isang-kapat ng mga pangunahing miyembro ng Google AlphaFold team ay umalis sa Google, at ang mga tagapagwagi ng Nobel Prize tulad ni John Jumper ay lumipat sa Anthropic. Ang industriya ng AI ay umiinom ng mga talento mula sa akademya: noong 2022, 70.7% ng mga doktor sa AI ay pumasok sa negosyo, samantalang tanging 20% ang nanatili sa akademya. Ang taunang kita ng mga lider na siyentipiko sa negosyo ay umabot na sa $1.94 milyon—limang beses ang halaga ng sa akademya. Bagaman ang mga kumpanya ng AI ay nakakatulong na mabilisang mapagtagumpayan ang mga pag-usbong sa siyensiya at lumikha ng mga resultang magbabago sa kasaysayan ng agham, ang paglipat sa negosyo ay nagdudulot ng pagbaba ng 65% sa average na output ng mga papel. Ang mga resulta ay umiiwi mula sa mga akademikong papel patungo sa mga patent at mga lihim na negosyo. Mas malubhang problema ay ang kakulangan ng motibasyon ng mga kumpanya sa pagpapalaki ng susunod na henerasyon ng mga siyentipiko, na nagdudulot ng pagkakalimot sa pangunahing pananaliksik. Ang agham ay mabilis na umiiwi mula sa mga unibersidad.May-akda ng artikulo, pinagkunan: APPSO
Dalawang taon pagkatapos makatanggap ng Nobel Prize, ang orihinal na koponan ng Google AlphaFold ay napaghihiwalay na.
Ang karamihan sa mga orihinal na may-akda ng AlphaFold ay nakareporma sa nakaraang taon, kung saan halos isang-kapat ng mga full-time core author ay lubos na umalis sa Google.
Ang mga natira ay umalis patungo sa mga larangan tulad ng Gemini Research Agent, disenyo ng enzyme, genomics, at pagsasama-sama ng nuclear, at ilan ay direktang pumunta sa Isomorphic Labs, ang kumpanya sa pagpapalikha ng gamot na ilalabas ng Alphabet.
Kasama na rin si Nobel laureate John Jumper at Jonas Adler sa team ng Code Strike para mag-focus sa pagpapalakas ng AI coding capability. Ngunit alam natin ang nangyari pagkatapos—ang dalawang mga eksperto ay nag-decide na lumipat sa Anthropic.
Kaliwa ang CEO ng Google DeepMind, Demis Hassabis, kanan ang John Jumper, link sa orihinal na artikulo https://www.ft.com/content/61b2953d-ee0d-45de-af6e-a9c1cf524b33?utm_source=chatgpt.com&syn-25a6b1a6=1
Tungkol sa ulat na ito, sumagot ang Vice President for Research ng Google na nag-aalaga ng AI for Science, si Pushmeet Kohli, na ang scientific team ng DeepMind ay hindi nagbago ng direksyon, kundi lamang ipinapalawig ang sakop ng kanilang trabaho, at patuloy pa ring pinoproseso ang protein, genome, at enzyme design, at ginagamit ang Gemini upang pagbilisan ang pananaliksik.
Noong unang panahon, ang AlphaFold ay kumakatawan sa isang relatibong tradisyonal na paraan ng pag-organisa ng pananaliksik. Binubuo ang isang team sa paligid ng isang malinaw na tanong, pinapalalim ang mahabang panahon ng pagpapakilala, pinagsasama ang mga yaman, at sa huli ay ipinapadala ang mga resulta.
Ngayon, ang mga team na katulad nito ay unti-unting pinapalitan ng mas pangkalahatang mga platform na modelo. Ang mga protina, matematika, genome, pagsasama-sama ng nuclear, at code, na tila nanggagaling sa iba’t ibang larangan, ay maaari nang maging isang hanay ng mga module ng kakayahan para sa Gemini pagkatapos makapasok sa isang kumpanyang AI.
Samantala, ang mga eksperto sa siyensya at teknolohiya, mga pinagkukunan ng computing power, at ang kontrol sa mga paksa ay nagiging mas nakapokus sa ilang mga AI company lamang.
Gusto kong sumali sa Anthropic
Sa mga nakaraang taon, lalong lumaki ang bilang ng mga matematiko, pisiko, biyologo, at mga propesor ng computer science na pumasok sa industriya ng AI.
Halimbawa, patuloy na humihingi ng mga pisiko, ekonomista, at pilosopo si Anthropic; kinokolekta ni OpenAI ang mga mananaliksik tungkol sa mga black hole, string theory, at purong matematika; at pinagsama ni DeepMind ang mga eksperto sa biyolohiya at nuclear fusion.
Kahit recent, inilarawan ni Professor Subbarao Kambhampati ng Arizona State University ang isang bagong meme sa akademikong komunidad: “Gusto kong sumali sa Anthropic.”
Ayon sa malikhaing pagkalkula ng The Atlantic, nagkakaroon ng hindi bababa sa 80 na kasalukuyan o dating propesor lamang sa apat na pangunahing AI na kumpanya.
Ang direksyon ng paggalaw ng mga talento ay patuloy na nagiging isangpamaraan lamang.
Ipinakikita ng Stanford University’s AI Index Report na noong 2011, pantay ang proporsyon ng mga AI na doktor na pumapasok sa industriya at akademya, na 40.9% at 41.6% ayon sa pagkakasunod-sunod. Noong 2022, tumaas ang proporsyon ng mga pumapasok sa industriya hanggang 70.7%, habang bumaba ang proporsyon ng mga pumapasok sa akademya hanggang 20%.
Isang papel ng pag-aaral ng NBER noong 2026 ay tinatayang sinunod ang halos 42,000 na Amerikanong mananaliksik sa AI. Ang posibilidad na umalis ang mga mananaliksik na mas batang 40 taon ay anim na beses ang dami kaysa sa mga mas matanda sa 40; halos 70% ng mga nagbago ng trabaho ay nanatili pa sa kanilang kumpanya limang taon pagkatapos.
Mahalaga ang pera. Ang taunang kita ng 1% na pinakamataas na mga researcher ng AI sa mga kumpanya ay tumataas mula sa $595,000 patungo sa $1,940,000; samantalang sa mga unibersidad sa parehong antas, ito ay tumataas mula sa $301,000 patungo sa $392,000. Ang pagkakaiba ay lumawak hanggang sa halos $1,500,000.
Mas mahirap tanggihan ang mga kondisyon sa pananaliksik.
Sa mga unang taon ng dekada 2010, halos 65% ng mga malalaking machine learning model ay nilikha ng mga akademikong laboratorio. Noong pumasok sa dekada 2020, bumaba ang proporsyon sa mas mababa sa 10%. Hanggang 2022, halos 81% ng mga pinakabagong model ay natapos ng mga kumpanya nang mag-isa.
Noong sumali si Professor Anca Dragan ng UC Berkeley sa DeepMind, malinaw niyang ipinahayag ang kanyang pangangailangan para sa mga data, computing power, at budget na kailangan ng isang avant-garde na institute para sa safety.
Sa kumparasyon, isang pag-aaral sa unibersidad ay kailangang mag-apply muna ng pondo, bumili ng kagamitan, at mag-recruit ng mga inhinyero bago maghintay ng jadwal para sa mga compute resources. Pagkatapos pumasok sa isang AI company, direkta na ang isang mananaliksik na makakapag-access sa malalaking modelo, eksklusibong data, distributed computing power, at isang sistema ng mga daan-daang inhinyero.
Gayon, ang paglipat ng isang lider na propesor mula sa unibersidad ay may mas malaking pagkawala kaysa sa ilang papel. Nababawasan ng unibersidad ang isang tagapayo, isang grupo ng pananaliksik, isang serye ng pagpapalaki ng mga doktorado, at mga direksyon ng pananaliksik na maaaring maiporma sa susunod na ilang dekada.
Kanina, ang mga kumpanya sa teknolohiya ay bumibili ng mga resulta ng pananaliksik mula sa mga unibersidad. Ngayon, sila ay nagsisimula na direktang bumili ng mga tao na gumagawa ng mga resultang iyon. Ang kumpanya ay nakakakuha ng isang tao, samantalang ang unibersidad ay maaaring mawawalan ng isang henerasyon.
Ang pagtatapos ng lahat ng paggalaw ng talento sa pagkabagsak ng akademya ay maaaring mabawasan ang halaga na nililikha ng pananaliksik sa negosyo.
Patunay ang AlphaFold na maaari ang mga negosyo na gumawa ng mga resultang nagbabago sa kasaysayan ng agham. Higit sa dalawang milyong paghuhula sa istruktura ng mga protina ay nagpapalaya sa malaking bilang ng mga biyolohista mula sa mga buwan o kahit taon ng trabaho.
Napatunayan na ng Bell Labs na ang mga institusyon ng pananaliksik ng kumpanya ay maaaring magbago sa agham. Sa kanyang pinakamataas na yugto, mayroon itong halos 1,200 na doktor at naglabas ng hindi bababa sa 10 Nobel Prize. Minsan-sa-minsan, ginamit ni Demis Hassabis ito bilang referensya para sa DeepMind.
Ang mga kumpanya sa AI ay tunay na nagsisimula na maging isang bagong uri ng institutong pananaliksik na sumasakop sa maraming disiplina, may malakas na kakayahan sa inhinyeriya at mga komersyal na labas.
DeepMind ay nag-connect ng Gemini sa matematika, genome, at nuclear fusion; Isomorphic Labs ay nagtatrabaho kasama ang mga kumpanya ng gamot para mag-develop ng bagong gamot; Anthropic ay naglunsad ng Claude Science; at ang OpenAI ay isinama ang ChatGPT at Codex sa proseso ng pananaliksik.
Nakikita na ang mga kaugnay na resulta. Gumamit ang pisikong si Rogerio Jorge ng AI upang lumikha ng bukas na source na software para sa pagsasama ng nuclear, habang ginamit ng teoretikal na si Barna Saha at iba pa ang GPT-5.5 Pro upang tulungan ang pagpapatotoo sa mataas-dimensyonal na heometriya.
Sinabi ng OpenAI na tuwing linggo ay mayroong halos 1.3 milyong tao na gumagamit ng ChatGPT para sa mga mataas na antas ng agham at matematika, at plano nilang magbigay ng libreng access sa mga advanced na model at Codex sa 100,000 na mga mananaliksik sa mga unibersidad.
Mula sa personal na impluwensya, ang isang siyentipiko na pumasok sa isang kumpanya ay maaaring mas lalong mapalakas ang kanyang epekto. Tulad na nabanggit, maaari siyang magmaneho ng sampu-sampung mag-aaral sa unibersidad, ngunit sa isang AI na kumpanya, maaari niyang i-organisa ang mga libo-libong inhinyero, malalaking yunit ng computing, at pandaigdigang platform para sa data. Ang mga paraan na dati ay naiiwan sa mga papel ay mas madaling maipapasa sa mga gamot, software, mga ekspiremental na kagamitan, at mga industriyal na sistema.
But the cost is obvious.
Natuklasan ng NBER na ang pagkakaroon ng mga scholar sa AI na lumipat nang matagal sa mga kumpanya ay nagresulta sa pagbaba ng 65% sa average na produksyon ng mga papel. Mula 2000 hanggang 2019, tumataas ang bahagi ng mga researcher sa AI na hinirang ng kumpanya mula 48% patungo sa 68%, ngunit ang bahagi ng mga papel ay tumaas lamang mula 27% hanggang 32%, habang ang bahagi ng mga patent ay tumataas mula 86% patungo sa 95%.
Patuloy pa ang pag-aaral, ngunit ang mga resulta ay umiihip mula sa mga papel patungo sa mga patent, loob na modelo, at mga lihim ng negosyo. Noong unang panahon, ipinakilala ng Google ang Transformer at pinakalakas ang buong industriya. Ngayon, ang mga data sa pagtatrain, mga timbang ng modelo, at mga rekord ng pagkabigo ay mas mahirap nang umalis sa mga server ng mga kumpanya.
Ang agham ay patuloy na umaasal, ngunit ang bukas na agham ay maaaring magpahinga.
Hindi umalis ang mga siyentipiko sa agham, ang agham ang umalis sa unibersidad
Ang mga kumpanya ng AI ay maaaring maging isang institute ng pag-aaral, ngunit mahirap maging isang unibersidad.
Ang unibersidad ay nagtataglay ng isang madalas na nakakalimutang gawain. Kailangan nito na turuan ang malaking bilang ng mga mag-aaral na hindi pa nagpatunay, at magpanatili nang matagal ang mga tanong na walang aplikasyon, hindi maaaring matukoy ang halaga, o kaya'y maaaring magpakita ng kanilang halaga ilang dekada pa ang nakalipas.
Gayunpaman, gusto ng mga kumpanya ng AI ang mga propesor at senior na researcher na napatunayan na ang kanilang kakayahan, at hindi gaanong marunong magpatience sa pagpapalaki ng mga baguhan. Ayon sa data ng SignalFire, ang mga bago lamang na graduate ay bumuo lamang ng 7% sa mga paghingga ng malalaking teknolohiya na kumpanya noong 2024, isang pagbaba ng higit sa kalahati kumpara sa 2019.
🔗 https://www.signalfire.com/blog/signalfire-state-of-talent-report-2025
Ang mga korporasyon ay nag-aabot ng mga propesor at matatagumpay na mananaliksik mula sa mga unibersidad, samantalang binabawasan ang mga posisyon para sa mga baguhan at ang kanilang pagtuturo. Maaari silang magtipon ng isang grupo ng mga pinakamahuhusay na siyentipiko, ngunit hindi naman nila kinukuha ang responsibilidad na magtrabaho sa malawakang pagpapalaki ng susunod na henerasyon ng mga siyentipiko.
Ang mga kaugnay na epekto ay nagsimula na sa mga silid-aralan ng unibersidad. Ang mga estudyante na pinag-interview ng The Atlantic ay natuklasan na ang ilang kurso ay biglaang isinara, at ang dahilan ay napakapragmatiko—ang mga propesor ay umalis para sa "pahinga" sa mga kumpanya ng AI.
Samantala, pagkatapos umalis ang sikat na propesor, nawala rin ng higit sa isang klase ang mga doktorante—kabilang dito ang mga rekomendadong pinagkukunan, network sa pag-aaral, kakayahan sa pag-organisa ng paksa, at pagkakataon na makahinga sa mga nangungunang isyu.
Mas malalim na pagbabago ang nangyari sa mga paksa ng pag-aaral.
Ang pagdisenyo ng gamot, pagprograma, pagsusuri sa matematika, at paghahanap ng materyales ay makapagpapalakas sa modelo at makakabuo ng produkto, kaya mas madaling makakuha ng suporta sa mga mapagkukunan. Ang mga paksa tulad ng matagalang pag-aaral sa kalikasan at pagpapanatili ng kalikasan, karaniwang nasa komplikadong sitwasyon.
Ngunit ang kasaysayan ay pabor sa pagtatawa sa mga maliit na回报.
Ang teorya ng bilang ay matagal nang itinuturing na pinakamapupuri at pinakawalang praktikal na halaga sa matematika, ngunit naging pundasyon ng modernong kriptograpiya. Noong unang panahon, tinawag din ang laser na “isang solusyon na naghahanap ng problema.” Ang internet sa kanyang mga unang yugto ay kahit na mahirap masukat gamit ang isang komersyal na modelo.
Ang kahalagahan ng pampublikong sistema ng pananaliksik ay nasa kakayahang ito na payagan ang tao na pag-aralan ang mga tanong na hindi pa makikita ang kanilang halaga.
Ngayon, ang mga kumpanya sa AI ay nasa malakas na kompetisyon sa pagitan ng performans ng modelo, paglalabas ng produkto, at pagsisikap sa kapital. Kahit na handa silang mag-invest sa pangunahing agham, mas malamang na papunta ang mga yaman sa mga direksyon na makapagpapalakas ng modelo, suportahan ang produkto, o magbuo ng patent.
Maaaring lumabas ang isang kakaibang pag-unlad sa hinaharap.
Mas mabilis ng tao ang paghahanap ng mga bagong gamot, pagpapatotoo ng mga teorema, at paghahanap ng mga materyales, at ang pinakamalakas na mga siyentipiko ay may pinakamalakas na mga kasangkapan sa kasaysayan. Samantala, sino ang magdedesisyon kung ano ang pagsisielatan, sino ang magpapalaki sa susunod na henerasyon ng mga siyentipiko, at sino ang handang patuloy na gawin ang mga pag-aaral na walang nagbabayad, ay naging isang problema.
Hindi umalis ang mga siyentipiko sa agham. Ang agham lamang ang nagmamadali na umalis sa unibersidad.
minsan kong isipin ang unibersidad at ang mga kumpanya ng AI bilang dalawang dulo ng isang ilog. Mas katulad ng itaas ng ilog ang unibersidad. Mabagal ang daloy, maraming alikabok, at maraming mga sangay na tila walang gamit. May mga tao doon na sumusukat, nagsasalaysay, at nagtatalo, at mayroon ding mga tao na nagpapalipas ng buong buhay sa pag-aaral ng isang sapa na sa wakas ay hindi dumadaloy patungo sa lungsod.
Ang mga kumpanya ng AI ay parang maliit na hydroelectric plant sa ilalim. Maaari nilang i-concentrate ang paggalaw ng tubig, i-drive ang mga makina, at maglikha ng malaking enerhiya upang isalaysay nang mabilis ang agham sa mga gamot, software, at industriya.
Mahalaga ang hydroelectric power plant. Walang ito, ang tubig ay magpapalagi lang.
Ngunit kung lahat ay umalis patungo sa mas mababang bahagi ng paggawa ng kuryente, ang pinagkukunan ng tubig sa itaas ay magiging malubhang tuyo, at ilang taon pagkatapos, ang lahat ay magkakasupo lamang sa server room habang naghihintay ng ilog na hindi na umuupok.
Kapag ang mga matematiko ay nagpapabuti ng mga modelo, ang mga biyologo ay nagtuturong mga Agent, at ang mga pisiko ay nagpapalawak sa hangganan ng computing power, maaaring makakuha tayo ng mas malakas na AI. Ang mga problema na pinaiwan sa likod ay walang product roadmap, walang return on investment, at hindi pa maaaring ipaliwanag ang kanilang paggamit.
Mahina sila. Kahit na masyadong mahina upang maging malinaw na mahalaga sila.