Destacados
Investigador científico (IA), Investigador científico en aprendizaje automático, Investigador en IA, Investigador posdoctoral en IA, Investigador en investigación aplicada, Investigador en ciencias de la computación, Investigador en computación cognitiva, Teórico de la inteligencia artificial, Profesor investigador en IA, Investigador científico principal
La arquitectura de transformadores que sustenta a los chatbots actuales, los modelos de difusión que impulsan los generadores de imágenes con IA y las técnicas de aprendizaje por refuerzo que permiten a las computadoras dominar juegos complejos, todas comenzaron de la misma manera: como una idea que un investigador puso por escrito y que luego pasó meses, a veces años, probando si realmente funcionaba, fracasando cientos de veces en el proceso. Convertir ideas audaces sobre cómo podría funcionar la inteligencia en resultados comprobados y publicados es el trabajo del investigador científico en IA.
A diferencia de los ingenieros que crean productos que la gente usa directamente, los científicos de investigación en IA trabajan en laboratorios de investigación, ya sea en universidades o en divisiones de investigación especializadas de empresas tecnológicas, planteando preguntas que nadie ha respondido aún por completo. Formulan hipótesis originales sobre cómo podría comportarse un nuevo algoritmo o una nueva arquitectura, diseñan experimentos minuciosos para poner a prueba esas ideas y plasman sus hallazgos en artículos que pasan por una rigurosa revisión por pares antes de ser compartidos con el mundo. En el proceso, colaboran estrechamente con otros investigadores, estudiantes de posgrado y, en ocasiones, con ingenieros que ayudan a llevar una idea prometedora más allá de un pequeño experimento.
Mediante el uso de teoría matemática avanzada, la programación en Python y marcos de trabajo como PyTorch o JAX, así como el acceso a clústeres de computación para investigación, los científicos de investigación en IA amplían los límites de lo que la inteligencia artificial es capaz de hacer. Sus trabajos publicados suelen convertirse en la base sobre la que, años más tarde, se apoyan los ingenieros, los equipos de producto y sectores enteros; esto significa que un artículo que hoy parece puramente académico puede terminar dando forma a la tecnología que todos utilizarán mañana.
- Ser de los primeros en el mundo en descubrir si una nueva idea realmente funciona
- Aportar investigaciones que puedan marcar el futuro de todo un campo, no solo de un producto
- Contar con la libertad intelectual para explorar preguntas profundas y abiertas
- Publicar trabajos en los que otros investigadores se basarán durante los próximos años
Horario de trabajo
La mayoría de los científicos de investigación en IA trabajan a tiempo completo, aunque el horario suele ser más flexible y autónomo que en los puestos enfocados en productos, con períodos intensos de trabajo concentrado antes de las fechas límite de las conferencias importantes. El trabajo se realiza principalmente frente a una computadora o en una pizarra, y se divide entre la lectura de artículos, el diseño de experimentos, la programación y el intercambio de ideas con los colaboradores. Los científicos de investigación son contratados por universidades como profesores, por laboratorios de investigación corporativos de grandes empresas tecnológicas, por agencias de investigación gubernamentales o por institutos de investigación sin fines de lucro.
Funciones típicas
- Formulación de preguntas de investigación e hipótesis originales
- Diseñar y llevar a cabo experimentos para probar nuevos algoritmos o arquitecturas
- Leer y evaluar críticamente investigaciones publicadas recientemente
- Redacción de artículos para su presentación en congresos y revistas con revisión por pares
- Presentación de resultados en congresos académicos y del sector
- Colaborar con otros investigadores y estudiantes de doctorado en proyectos conjuntos
- Orientación a investigadores en formación, estudiantes o pasantes
- Solicitar financiamiento para investigación o subvenciones para apoyar los trabajos en curso
- Revisar los artículos de otros investigadores como parte del proceso de revisión por pares
- Desarrollo de prototipos de nuevas ideas teóricas
- Llevar registros detallados de los experimentos y los resultados
- Participar en seminarios de investigación y grupos de lectura
Responsabilidades adicionales
- Formar parte de los comités de programa de conferencias que deciden qué artículos se publican
- Asesorar a empresas o startups sobre cómo se aplica la investigación más reciente a productos reales
- Impartir clases o dar conferencias como ponente invitado sobre temas relacionados con la IA
- Contribuir a las publicaciones de código abierto de código de investigación
- Mantenerse al día en un campo de investigación amplio y en rápido crecimiento
- Cómo comunicar hallazgos complejos a partes interesadas sin conocimientos técnicos o al público en general
- Dirigir un pequeño equipo de investigadores o estudiantes en proyectos de mayor envergadura
El día de un investigador en inteligencia artificial suele empezar con la lectura, ya sea de un artículo recién publicado relacionado con un proyecto en curso o de las notas de un experimento que se completó durante la noche. Entender si un resultado es significativo o solo ruido suele requerir una reflexión cuidadosa y sin prisas.
Por lo general, paso el mediodía diseñando o perfeccionando experimentos, escribiendo código para probar una nueva idea o analizando los cálculos matemáticos que explican por qué algo podría funcionar o no. Gran parte de este tiempo implica una incertidumbre genuina, ya que la mayoría de los experimentos en la investigación de vanguardia no tienen éxito en el primer, segundo o incluso décimo intento. A menudo hay discusiones con colaboradores o estudiantes, en las que resolvemos juntos un problema que nos tiene atascados o debatimos qué podría significar un resultado sorprendente.
Las tardes suelen dedicarse a escribir, ya sea redactando una sección de un artículo, preparando una presentación para una conferencia o revisando el borrador de un colega antes de su envío. Los investigadores científicos también dedican tiempo a seminarios o grupos de lectura, manteniéndose en contacto con una comunidad global que publica constantemente nuevas ideas y reflexionando sobre qué líneas de investigación vale la pena seguir explorando y cuáles son callejones sin salida.
Habilidades interpersonales
- Profunda curiosidad intelectual
- Sentirse cómodo con la incertidumbre y los fracasos repetidos
- Pensamiento crítico riguroso y escéptico
- Paciencia para proyectos a largo plazo que pueden tardar meses o años en dar sus frutos
- Excelentes habilidades de comunicación escrita y oral
- Creatividad a la hora de plantear preguntas de investigación totalmente nuevas
- Colaboración entre disciplinas e instituciones
- Resiliencia ante el rechazo de artículos y propuestas de beca no financiadas
- Gran atención a los detalles metodológicos
- Independencia y autonomía a la hora de elegir qué objetivos perseguir
- Capacidad para explicar conceptos técnicos complejos en términos sencillos
Habilidades técnicas
- Matemáticas avanzadas, incluyendo álgebra lineal, probabilidad y optimización
- Conocimiento profundo de la teoría del aprendizaje automático
- Programación en Python y marcos de aprendizaje profundo como PyTorch, JAX o TensorFlow
- Diseño experimental y análisis estadístico
- Redacción científica y técnica para publicación
- Revisión bibliográfica y metodología de investigación
- Conocimiento de entornos de computación de alto rendimiento y de investigación
- Control de versiones y prácticas de investigación reproducible
- Amplia experiencia en un subcampo específico, como el aprendizaje por refuerzo o los modelos generativos
- Capacidad para leer, analizar críticamente y desarrollar ideas a partir de artículos académicos complejos
- Investigador académico: Trabaja como profesor, combinando la investigación con la docencia y la orientación a los estudiantes
- Investigador científico en el sector industrial: Trabaja en un laboratorio corporativo de inteligencia artificial dedicado a la investigación fundamental a largo plazo
- Científico de investigación aplicada: une la investigación de vanguardia con las aplicaciones prácticas de los productos
- Investigador en IA teórica: se enfoca en los fundamentos matemáticos de cómo y por qué funcionan los métodos de IA
- Investigador en aprendizaje por refuerzo: Estudia cómo los sistemas aprenden a través de la prueba, el error y la recompensa
- Investigador en IA generativa: estudia modelos que generan texto, imágenes, audio o video
- Investigador en seguridad y alineación de la IA: Estudia cómo hacer que los sistemas avanzados de IA sean seguros, honestos y controlables
- Universidades y departamentos de investigación académica
- Laboratorios corporativos de investigación en inteligencia artificial de las principales empresas tecnológicas
- Organismos de investigación gubernamentales y laboratorios nacionales
- Institutos de investigación en IA sin fines de lucro
- Organizaciones de investigación en materia de defensa y seguridad nacional
- Instituciones de investigación científica en campos como la biología o la física que aplican métodos de inteligencia artificial
- Centros de investigación médica y hospitales que llevan a cabo investigaciones basadas en la inteligencia artificial
- Centros de estudios especializados en políticas de inteligencia artificial y su impacto social
- Startups creadas a partir de un avance específico en investigación
- Centros de computación científica e instalaciones de supercomputación
- Asociaciones profesionales de investigación y editoriales académicas
- Colaboraciones internacionales en materia de investigación que abarcan múltiples instituciones
Para convertirse en investigador científico en inteligencia artificial, por lo general se requieren años de estudios de posgrado —a menudo entre cinco y siete años para obtener un doctorado— antes de conseguir un puesto de investigación de tiempo completo, y el camino puede parecer largo en comparación con las vías más directas hacia puestos de ingeniería. A lo largo del proceso, la mayoría de los investigadores se enfrentan a rechazos repetidos, ya sea por parte de conferencias que rechazan un artículo presentado o de comités de financiamiento que se niegan a financiar un proyecto propuesto, y aprender a seguir adelante a pesar de esos rechazos es parte del trabajo.
La competencia por los puestos de investigación más codiciados, especialmente en los laboratorios y universidades de mayor prestigio, es intensa, y la presión por seguir publicando trabajos significativos —lo que a veces se resume como «publica o perece»— puede pesar mucho a lo largo de toda una carrera. Muchas ideas prometedoras simplemente no funcionan, y los investigadores deben sentirse cómodos dedicando meses a un proyecto que, al final, no conduzca a nada que se pueda publicar.
El ritmo de publicación de artículos académicos es abrumador, con miles de nuevos trabajos que aparecen cada año en todos los subcampos de la inteligencia artificial. Mantenerse verdaderamente al día, en lugar de limitarse a leer por encima los titulares, requiere un esfuerzo constante y real, y a los investigadores que se quedan rezagados les puede resultar difícil seguir contribuyendo de manera significativa a áreas que evolucionan rápidamente.
- Investigación sobre las leyes de escala y las capacidades emergentes que aparecen en modelos de gran tamaño
- Cada vez se presta más atención a la interpretabilidad, en un intento por comprender qué está sucediendo realmente dentro de las redes neuronales
- Ampliación de la investigación sobre seguridad y alineación de la IA a medida que los modelos se vuelven más capaces
- Investigación sobre modelos base multimodales que combinan texto, imágenes, audio y video
- El creciente interés por modelos más pequeños y eficientes, junto con los cada vez más grandes
- El crecimiento continuo de la ciencia abierta y la cultura de los preprints a través de plataformas como arXiv
- Mayor atención a la reproducibilidad y el rigor ante la preocupación por los resultados exagerados
- Fortalecimiento de la colaboración entre los laboratorios académicos y las divisiones de investigación de la industria
- La creciente atención del público y de los responsables políticos hacia la investigación en inteligencia artificial y sus implicaciones sociales
- El crecimiento de la investigación interdisciplinaria que aplica la inteligencia artificial a la biología, la química y la física
Muchos investigadores en inteligencia artificial crecieron apasionados por las competencias de matemáticas, las ferias de ciencias, el ajedrez o cualquier actividad que recompensara el pensamiento profundo y paciente frente a un problema difícil. A menudo eran el tipo de niño que seguía preguntando «¿por qué?» mucho después de que todos los demás hubieran pasado a otra cosa, y que disfrutaba de verdad quedarse atascado en un problema en lugar de sentirse frustrado por él.
Otros encontraron su pasión al leer sobre ciencia y descubrimientos, al experimentar con la programación o los rompecabezas lógicos, o al debatir ideas simplemente por el placer de ponerlas a prueba. La comodidad de no saber aún la respuesta, junto con el entusiasmo genuino por descubrirla algún día, a menudo los llevó directamente a una carrera profesional centrada en la investigación original.
Para convertirse en investigador científico en inteligencia artificial, por lo general se requiere un doctorado en ciencias de la computación, inteligencia artificial, matemáticas o un campo estrechamente relacionado, ya que la mayoría de los puestos de investigación esperan que los candidatos ya hayan dirigido un proyecto de investigación original, desde la formulación de la pregunta hasta su publicación. Algunos puestos de investigación aplicada aceptan candidatos con una maestría y una sólida experiencia demostrada en investigación, pero los puestos que requieren una mayor intensidad de investigación, especialmente en el ámbito académico, casi siempre exigen una formación a nivel de doctorado.
Los estudiantes pueden cursar materias relacionadas con temas como:
- Cálculo avanzado y álgebra lineal
- Probabilidad y estadística
- Algoritmos y teoría computacional
- Aprendizaje automático
- Aprendizaje profundo
- Métodos de investigación
- Matemáticas discretas
- Lógica y filosofía de la ciencia
- Redacción científica y técnica
- Teoría de la optimización
Dado que las carreras de investigación se basan en un historial de trabajos originales, la experiencia práctica en investigación es sumamente importante, a menudo más que los cursos por sí solos. Trabajar en un proyecto de investigación de pregrado, publicar un artículo mientras se es estudiante o completar una tesis de envergadura les brinda a los estudiantes una prueba real de que son capaces de llevar a cabo el tipo de pensamiento independiente y riguroso que exige el campo.
- Toma los cursos más avanzados de matemáticas y ciencias que haya, incluyendo cálculo y estadística
- Únete a un equipo de matemáticas, a una olimpiada de ciencias o a un club dedicado a la investigación
- Aprende a programar y empieza a leer material introductorio sobre inteligencia artificial y aprendizaje automático
- Busca un mentor de investigación, ya sea un maestro, un profesor o una comunidad en línea
- Intenta llevar a cabo un proyecto de investigación independiente, aunque sea pequeño, de principio a fin
- Participa en ferias de ciencias o concursos de investigación que premien el pensamiento original
- Lee artículos de investigación, incluso los más difíciles, e intenta resumir la idea principal con tus propias palabras
- Practica escribir con claridad y precisión, ya que la investigación depende de una buena comunicación de las ideas
- Busca una pasantía de investigación o un puesto en un laboratorio mientras estudias la universidad
- Asiste a charlas o seminarios impartidos por investigadores, ya sea en persona o en línea
- Considera la posibilidad de realizar una tesis de licenciatura o un proyecto de investigación de culminación de estudios
- Habla con estudiantes de posgrado y profesores sobre lo que realmente implica la carrera de investigación
- Excelentes oportunidades de investigación para los estudiantes de pregrado, más allá de las clases
- Profesores que publican activamente en revistas de IA reconocidas, como NeurIPS o ICML
- Acceso a recursos informáticos suficientes para realizar experimentos reales de aprendizaje automático
- Un historial de egresados que acceden a programas de doctorado de prestigio o a puestos de investigación
- Clases con pocos alumnos o seminarios que permiten una orientación personalizada
- Apoyo para asistir o presentar ponencias en congresos académicos
- Una cultura de investigación colaborativa, en lugar de una puramente competitiva
- Oportunidades de financiamiento para estudios de posgrado, ya que los programas de doctorado suelen contar con financiamiento
- La compatibilidad con el asesor, es decir, un mentor cuyos intereses de investigación coincidan realmente con los tuyos
- Un programa de estudios sólido tanto en fundamentos teóricos como en aplicación práctica
- Oportunidades para ser coautor de un artículo antes de terminar la carrera
- Redes de exalumnos o profesionales vinculadas a los principales laboratorios de investigación y universidades
- Publica o participa como coautor de un artículo de investigación lo antes posible, aunque sea uno modesto
- Realizar una tesis de maestría o una tesis doctoral sólida que ponga de manifiesto un trabajo original
- Solicita pasantías de investigación en los principales laboratorios de IA y universidades mientras cursas tus estudios
- Crea una presencia pública compartiendo código, entradas de blog o charlas sobre tu investigación
- Asistir y presentar ponencias en congresos académicos para crear una red de investigación
- Busca un asesor de investigación cuyo trabajo te entusiasme de verdad, no solo por ser famoso
- Si vienes de un programa de doctorado, postula a una amplia variedad de puestos posdoctorales
- Practica cómo presentar tu investigación de manera clara tanto a expertos como a personas sin conocimientos especializados
- Establece contactos con investigadores actuales a través de conferencias, seminarios y comunidades en línea
- Prepárate para mudarte, ya que los puestos de investigación de alto nivel se concentran en unos pocos centros
- Destaca tu capacidad para trabajar de manera independiente y seguir adelante a pesar de los experimentos fallidos
- Si la carrera académica pura no es lo que más te conviene, considera puestos de investigación aplicada en empresas
- Crear un historial de publicaciones consistente en conferencias y revistas de prestigio
- Acepta un puesto posdoctoral para profundizar tus conocimientos antes de ocupar un puesto permanente
- Desarrollar una identidad o especialidad de investigación distintiva que otros investigadores reconozcan
- Orientar a estudiantes de posgrado, investigadores en formación o pasantes
- Obtener financiamiento para la investigación o subvenciones que permitan apoyar proyectos más grandes y ambiciosos
- Crea una sólida red profesional a través de conferencias y colaboraciones
- A medida que tu trayectoria profesional vaya creciendo, asume el liderazgo de un equipo de investigación o un laboratorio
- Aspirar a puestos de profesor con posibilidad de obtener la titularidad, científico principal o puestos de liderazgo en laboratorios de investigación
Sitios web:
- arXiv.org - arxiv.org
- NeurIPS - neurips.cc
- ICML - icml.cc
- ICLR - iclr.cc
- Artículos con código - paperswithcode.com
- Distill.pub - distill.pub
- Investigación de Google DeepMind - deepmind.google/research
- Anthropic Research - anthropic.com/research
- Instituto Allen para la Inteligencia Artificial (AI2) - allenai.org
- MIT CSAIL - csail.mit.edu
- Biblioteca Digital de la ACM - dl.acm.org
- Asociación para el Avance de la Inteligencia Artificial (AAAI) - aaai.org
- Hugging Face - huggingface.co
Libros:
- Inteligencia artificial: un enfoque moderno, de Stuart Russell y Peter Norvig
- Aprendizaje profundo, de Ian Goodfellow, Yoshua Bengio y Aaron Courville
- Aprendizaje por refuerzo: Una introducción, deRichard S. Sutton y Andrew G. Barto
- El algoritmo maestro, de Pedro Domingos
- Genius Makers, de Cade Metz
Si descubres que ser investigador en inteligencia artificial no es lo que más te conviene, tus habilidades para el razonamiento riguroso, las matemáticas y la resolución independiente de problemas se pueden aplicar fácilmente a muchas carreras relacionadas.
- Ingeniero de aprendizaje profundo
- Ingeniero de aprendizaje automático
- Científico de datos
- Profesor universitario
- Analista de políticas de IA
- Periodista o escritor científico
- Matemático aplicado
- Ingeniero de software
- Gerente del programa de investigación
Noticias
Empleos destacados
Cursos y herramientas en línea