LLM時代の雇用市場に関する考察

現在、AI の最前線で働いている（または働きたい）人々にとって、求人市場には共通の相互的な課題が存在します。採用側にとっては、望む候補者との交渉を成立させること、あるいは関心を引き出すことが不可能に思えることがあります。一方、個人にとっては、実際の業務や生活が紙面上では非常に良好であるにもかかわらず、破格の報酬水準のために現在の職を続ける機会費用が極めて高いと感じられることがよくあります。 確立された技術者にとって、AI 分野での採用プロセスは、まるで常に霧の中にいるような感覚に陥ることがあります。一方、若手従業員にとっては、まるで壁にぶち当たったような感覚になることがあります。 私はハイブリッドな研究リーダー、個人貢献者、そしてメンターの役割を担っており、私と一緒に働く適切な人材や、メンティにとっての適切な職務について考えることに多くの時間を費やしています。 ここで示す助言は、LLM（大規模言語モデル）における現在の緊迫した状況によって形作られています。これらは、コア技術の変化に応じて 1〜2 年ごとに再検討が必要となる可能性のある、関連性の高いタイムラインに最適化された採用慣行です — これは、人材や業界、あるいは自分自身に対する長期的な投資にとって最善の方法ではないかもしれません。私はこのペースの代償について別途記述しており、これを永続的に続けるつもりはありません。 この時代の採用において最も特徴的な点は、言語モデルの複雑さと進歩の速さです。これにより2つのカテゴリーが生まれます。1つ目は、シニア社員がより求められやすくなることです。彼らは長期的に複雑なシステムの中でどのように働き、導くかという文脈を多く持っています。AI エージェントによってチームが増分機能で大幅に進歩できる場合でも、ライブラリの正しい方向性を理解するには多くの視点が必要です。ビジョンがないと、リポジトリは小さな追加事項が多すぎてロックされてしまいます。強力な AI ツールがある中で、私はシニア社員の影響力が、チームにジュニアメンバーを追加するよりも急速に高まると予想しています。 私の現在の経験と将来の AI エージェントに対する期待に基づき、この重要なキーシニア人材の重要性に関する見方は最近で大きく変化しました： すべてのエンジニアはシステムを設計する方法を学ぶ必要があります。すべての研究者はラボを運営する方法を学ぶ必要があります。エージェントは人間を組織図上で引き上げます。 一方で、若手社員は異なる方法で自分自身を証明しなければなりません。私が若手のエンジニア社員に最も重視する特徴は、個人的な理解の深化とモデルのパフォーマンス向上の両方において、ほぼ狂信的ともいえる進歩への執着です。ソーセージがどのように作られるかを学ぶ唯一の方法は、実際にそれを行うことです。そして追いつくためには、特定の分野で多くの努力を積み重ねて所有権（オーナーシップ）を育む必要があります。十分な動機があれば、若手社員はすぐに影響力を広げることができますが、それがなければ、コーディングエージェント（または近い将来そうなるでしょう）とほぼ置き換え可能になってしまいます。これは非常に困難な仕事であり、採用も難しいものです。こうした人材を見つけるための私の最良のアドバイスは「雰囲気」です。そのため、私も彼らを見つける方法についてのアドバイスを求めています！ まず、Interconnects のオープンモデルを追跡するのを手伝ってもらうためにフローリアン・ブランド（Florian Brand）を招聘した際、最初に彼とチャットしたとき、彼は literally 、「ChatGPT が登場して以来、私は LLM に完全に夢中になっています」と言いました。ここで車輪の再発明は必要ありません — 誠実であれば、人々はそれに気づきます。 若手研究者にとっては、より多くの寛容さがありますが、それはまず第一に教育機関で働いていることによるものであり、控えめながらも過酷なテック経済とは対照的です。ここで成功を生み出す決定的な特徴は、主張を裏付けることに執着することです。つまり、「新しいアイデアがモデルを改善する理由は何ですか？」「評価スコアが高くなるのはなぜですか？」と問い、それが私たちのハーン（評価環境）においてどのように見えるのかを確認します。この実践を実行することで、イテレーションの速度が生まれます。多くの初期キャリアの研究者は、自分自身や指導教員に対して明確に深みを証明する前に、影響力の広さ（例えば、多数のプロジェクトへの貢献を集めること）を築こうとしますが、それは誤りです。最も優れた研究者たちは、結果の明確さと新しいアイデアを試す速度の両方を兼ね備えています。 したがって、今日アカデミアで働くことは若手人材にとってより育む環境となる可能性が高いですが、金銭的な機会費用はさらに大きくなります。私は頻繁に、「Ph.D. を辞めて実際に仕事を得るべきか」と問われますが、私の判断基準は非常にシンプルです。教授になることを目指しておらず、フロンティア研究所（Gemini, Anthropic, OpenAI が私のリストに含まれます）でモデリング研究を行うオファーがある場合を除き、Ph.D. を完了するために留まる理由はほとんどありません。 人々が続ける小さな理由は、往々にして困難なことを成し遂げたことへの個人的な誇りであり、私はそれを尊重します。これらの非常に直接的なキャリアアドバイスと、「仕事の内容よりも、人生の大部分を共に過ごす相手（同僚）に基づいて職を選ぶ」という他の推奨事項を整合させるのは難しいものです。人々に基づいて職を選ぶことは、いわゆる「雰囲気」に基づいて職を選ぶ最良の方法の一つです。 Ph.D.を取得する代わりに、プロダクトとしてフロンティアラボで働くことは、企業という機械に吸収され目立たなくなる道であり、自分を標準的なテックキャリアの階段へと矮小化させることになります。私や Ai2 の他の人々にとってうまく機能している部分の一部は、仕事において責任、公的な可視性、実行力という勝てる組み合わせを持っていることです。業界が非常に閉鎖的で、人々が往々にしてあなたの技術能力と成果を過大評価する中で、公的に働くことからはキャリアの進展に特有な何かが生じます。もしかするとこれは、オープンソースへの貢献から来る善意が報われるものなのかもしれません。 もしあなたが閉鎖的なラボに行けば、可視性はほぼ常に不可能であり、したがって責任と実行力に頼ることになります。誰も触れることのないプロダクトやモデル上で素晴らしい仕事をしていても、実行したとしても意味はありません。コアグループの一員であることが重要なのです。 これはすべて、採用パイプラインを見つけることに帰着します。 そこには、ポジティブなものもネガティブなものも含め、多くの不完全なシグナルが存在します。ポートフォリオを構築する個人にとっては、採用競争が非常に激しいため、ネガティブなシグナルを避けることが不可欠です。ジュニア研究者としてあまりにも多くの論文の中間著者となっていることなど、小さくても明確なネガティブシグナルがあります。「ノー」と言うべきです。それはあなた自身のために役立ちます。 ポジティブなシグナルはより複雑ですが、それでも達成可能です。ある人のツイート一つを読むだけでその人が天才だとわかるという話があり、私もそれに同意します。書かれた言葉は依然として非常に効果的でありながら過小評価されているコミュニケーション形式です。優れたブログ記事一つが、真に稀有な理解を示すことになります。逆に、AI によって生成された低品質なコンテンツ（AI slop）についてはその逆が成り立ちます。AI 生成の低品質なブログ記事一つで、あなたの応募は台無しになります。 私が AI 分野でのキャリア構築について相談してくる人々にしばしばアドバイスする他の道としては、オープンソースコードへの貢献や、オープンリサーチグループ（例：EluetherAI など）への参加があります。前者であるオープンソースコードへの貢献において、私はより多くの成功事例を見てきました。それでも、それは極めて稀です。なぜなら、A) ほとんどの人がこれらの人気のある大規模言語モデル（LLM）のリポジトリに意味のあるコードを追加できるだけのハードウェアを持っていないこと、そして B) ほとんどの人がそれを長く継続できないからです。歴史的に見ても、意味のある貢献ができるレベルに至ることは非常に困難でした。 コーディングエージェントの時代には、オープンソース AI への貢献が少し容易になる可能性があります。現在の多くの制約要因は、機能の長い TODO リストを実行する際の帯域幅の問題に過ぎないからです。しかし、AI による質の低い PR や Issue の海の中で目立つことは難しくなるでしょう。そこでは品格、創造性、人間味、そして忍耐が必要になります。したがって、$4000 の DGX Spark でいくつかの小型モデルを実行できる環境を整えることは投資となりますが、HuggingFace の ML ライブラリなどに対する意味のあるコード貢献を反復して行うことは、少なくともある程度は実現可能です（私は Ai2 において、DGX Spark をどのように活用してコードベースを改善しているかについて、多くを書き共有しています）。 採用の動向に戻りましょう。前述の内容は主に資質に焦点を当てていましたが、パズルの最後のピースはアライメントです。最初に問うべき質問は「この人は優秀か？」であり、二つ目の質問は「この人はここで活躍できるか？」です。すべての組織には異なる制約がありますが、特に小規模チームにおいては、二つ目の質問がその文化を決定づけます。スタートアップにおいて成長が速すぎると、確実に文化のコントロールを失います。これは会社が強いまたは有用な文化を持たないという意味ではなく、文化を舵取りできなくなるということです。組織の文化は、すべての個人がいかに相互作用するかという副産物です。ここで賭けに出るべきではありません。 Interconnects AI は読者支援型の出版物です。購読者になっていただくことを検討してください。 個人的には、Ai2 のコアポストトレーニング手法チームにさらに数人のメンバーを追加する作業を行っています。ポストトレーニングのレシピは非常に複雑化しており、私たちはポストトレーニングデータの混合やスケーリング法則といった基礎的な研究を行いながら、それらをより実行しやすくすることに取り組んでいます。少し曖昧に言えば、Olmo 3 と Olmo 2 の両方に対するポストトレーニングレシピを完成させることは、チームにとって非常に困難なものでした。同時に、ポストトレーニングの分野はそれほどオープンになっていないため、採用を通じてその難題に取り組み、地道な努力を続けることが唯一の方法です。 理想的には、シニアエンジニアとシニアルーサー各 1 名を採用したいと考えています。つまり、少なくとも博士号を取得しているか、あるいは技術分野で同程度の経験年数を持つ方です。若干の経験を持ち、前述のような情熱を持つジュニアエンジニアでも十分に活躍できるでしょう。 この募集要項は採用に関する良い教訓となっています。応募者が自ら選別するよう意図的に設計されており、求人に対して過度に自分を売り込むことは誰も好まないからです。また、私があえてこの目的のために私のメールアドレスを探すようにしているのも、一つの練習としてです。コールドメールの技術や、適切なパイプラインを通じて人にアプローチする方法は、採用されるために不可欠なスキルです。AI 分野で尊敬する人々もメールを確認しています。返信がない理由は、メールのフォーマットが適切ではなかったからです。最も効果的なコールドメールは、受信者がそれについて学び、あるいは明らかに恩恵を受けたことを示すものです。陳腐な賛辞や褒め言葉を受け取ることはもちろん嬉しいものですが、最も優れたコールドメールは行動を促すものです。 Ai2 で私が最近採用した二人のメンバーは、どちらもこうした裏口からの応募を通じて知りました（つまり、キャリアページの応募書類の山の中から見つけたわけではありません）。Finbarr については彼のブログとオンライン上の評判から学びました。Tyler は私にとって明白かつ現在の関心領域に関連する高品質なブログ記事を含む素晴らしいコールドメールを送ってくれ、有意義なオープンソース LLM への貢献もしていました。二人とも優れたチームメイト（そして友人）なので、システムが機能していることを常に喜んで語れますが、同時にそれは少し恐ろしくもあります。 総合的に見て、私は AI の雇用市場について非常に迷っています。業界の新人にとっては明らかに過酷であり、視野が狭いように感じられ、莫大な機会費用を伴うものであり、その他諸々です。一方で、このような意味深く刺激的な技術に貢献できることはまさに特権でもあります。私が採用を行う際の基盤は依然として直感と人間性に頼るものであり、あらゆるノイズに縛られすぎないことです。多くの事柄と同様に、これには時間と努力が必要です。 私の「人生の思索」シリーズにおける他の投稿には以下があります。私は個別の詳細な回答をする時間がありませんので、人々が一般的にキャリア相談を求めてきた際にこれらの投稿を送っています： 2023 年 4 月 5 日：カーテンの向こう側：現在 AI で働くことがどのような感覚か 2023 年 10 月 11 日：AI 研究職市場の惨状（私の経験談） 2024 年 10 月 30 日：なぜ私はオープンな言語モデルを構築するのか 2025 年 5 月 14 日：私が AI の世界へ入った道筋 2025 年 6 月 6 日：私の執筆方法 2025 年 10 月 25 日：燃え尽き 1 一部の企業は Twitter から積極的に採用を行い、GPU Mode や NanoGPT のスピードランニングコミュニティなどからも人材を募集しています。

LLM時代の雇用市場に関する考察

背景や根拠まで確認しますか？

関連記事

調べる

選ぶ

サイト