ML Scientist / Research Scientist — 这职业到底是干啥的（海外）
ML Scientist 是「发论文 / 训新模型 / 推 SOTA」的研究岗，不是工程岗。海外 790 条岗位，中位 88k CNY/月，p75 154k，是数据集里中位最高的几条线之一。PhD + 顶会论文是硬通货。
ML Scientist — 这职业到底是干啥的
如果说算法工程师是「造发电机的」，ML Scientist 就是「研究发电原理 + 发明新发电方式的人」。
发电机能造出来，背后是 200 年物理学积累。每年都有一小部分科学家在实验室里搞「新一代发电方式」（核聚变 / 量子能源），他们做的事 90% 是失败，但只要 10 年出一个突破，整个发电工业升级一代。
ML Scientist 做的就是这件事 — 在 OpenAI / Anthropic / DeepMind / Meta FAIR 这种地方，研究下一代 LLM 怎么训、新的 RL 方法怎么用、多模态怎么对齐。
ML Scientist 做什么（具体）
公司说：「我们的下一代模型要解决 long-context 退化问题。」
ML Scientist 做法：
- 读 paper：扫一遍 long-context 这个子方向最近 2 年的 30-50 篇论文，找现有方法的缺陷
- 提一个新方法：「我猜如果在 attention 里加个 XX 机制，长上下文 retrieval 准确率能涨」
- 小规模验证：在 1B 参数的小模型上跑 ablation 实验，证明这个方法在受控环境下有效
- 大规模训练：跟工程团队合作，在 100B+ 参数的真实模型上跑训练，看效果是否 scale
- 写论文 + 投顶会：NeurIPS / ICML / ACL — 这是「研究成果交付物」
- 回到第 1 步：1 个研究方向跑下来 6-18 个月，90% 是失败的，但 10% 的成功改变行业
这是一份研究工作，输出是论文 / 模型权重 / benchmark，不是产品。
三套硬核能力
1. 论文阅读 + 复现 + 提新方法。 看到一篇新 paper，能在 1-2 周内复现核心结果 + 找到论文的局限 + 想出改进方向。这是博士训练 5 年才打磨出来的能力，不是「学个课」就能有。
2. 数学（线代 / 概率 / 优化）+ 实验设计。 不只是会调超参，是知道为什么这个超参对这类任务有效。懂泰勒展开 / SGD 收敛性 / 梯度爆炸的物理原因。看一眼 loss 曲线就能猜到是什么问题。
3. 大规模训练的工程能力（不是「会用 PyTorch」）。 训练 100B 参数模型涉及：3D 并行、ZeRO 优化、混合精度、checkpoint 容错、TPU/GPU 调度。ML Scientist 不需要全栈懂，但要能和工程团队的人对话。
ML Scientist 的真实数据
Agent Hunt 抓到海外 790 条 ML Scientist / Research Scientist 岗位，是海外数据集里第二大非 other 簇：
| 指标 | 数据 |
|---|---|
| 海外岗位数 | 790 |
| 中位月薪 | 88k CNY/月（约 $148k/年） |
| p25 / p75 | 64.9k / 154k CNY/月 |
| 顶尖薪资 | 顶尖 lab 的 staff scientist 实际打到 200k+ CNY/月（超过 $30 万/年）不少见 |
| 中位经验要求 | 5 年 |
| 头部公司 | OpenAI、Microsoft、Anthropic、ByteDance、TikTok |
| 学历分布 | PhD 69 / 硕士 38 / 本科 78（看似本科多，实际 senior 岗 PhD 几乎占绝对多数） |
| 最高频技能 | Python (125) / Machine Learning (88) / LLM (64) / SQL (50) / PyTorch (48) / RL (27) |
154k CNY/月的 p75 是海外数据集里最高的几条线之一 — 顶尖 ML Scientist 的薪资天花板甚至高于大多数 VP 级管理岗。
sample titles 反映这条线的真实长相：「Senior ML Scientist, Payments」「Research Engineer, Virtual Collaborator」「Research Scientist, Gemini Information Tasks」「Research Economist, Economic Research」— 既有大模型方向，也有 Applied Scientist（把 ML 应用到广告 / 推荐 / 风控等具体业务）。
怎么开始
这条线不存在「速成」。诚实说：如果你没有 PhD 或顶会论文，进顶尖 ML Scientist 岗位的概率约 5%。
但有路径：
路径 A：读 PhD（最稳）。AI / ML / CS PhD，导师选 LLM / RL / 多模态方向，4-6 年发 5-10 篇顶会，毕业后投 OpenAI / Anthropic / DeepMind。这条线 80% 的人走这条路。
路径 B：硕士 + 工业界研究实习 + 论文（有概率）。硕士读 CS/ML，期间在 OpenAI / Meta / Google / 字节 AI Lab 实习 + 发 1-2 篇顶会一作。毕业能进 Applied Scientist 岗位（比 Research Scientist 稍低一档但还是研究岗）。
路径 C：开源 / Kaggle / 公开模型大神（小概率）。Hugging Face / GitHub 上有广为人知的开源模型，写过 1k+ star 的训练 / 评测框架，参加 Kaggle 拿过 Gold。没有学历但有「证明你能做研究」的工件。
不推荐的路径：网课 + 跳过本科 / 硕士直接投。这条线 ATS 卡学历 + paper 卡得最严。
不适合谁
1. 工程背景没有研究产出的人。海外 ML Scientist 高度依赖 publication 和 referral，没有任何「研究证明」很难拿到面试。如果你做的是工程，看 ML Engineer 那条线，门槛低很多。
2. 想要快速看到产品上线的人。研究节奏慢。一个项目 6-18 个月，可能最后什么都没做出来。喜欢「这周上线」节奏的人会窒息。
3. 不爱写论文的人。这条线的硬通货就是 paper。不发 paper = 没有 promotion 凭据。如果你享受动手做东西但讨厌写作，建议看 ML Engineer。
ML Scientist vs ML Engineer（最常问的对比）
| 维度 | ML Scientist | ML Engineer |
|---|---|---|
| 核心交付 | 论文 / 新方法 / 模型权重 | 上线系统 / 部署 / pipeline |
| PhD 偏好 | 极强（90%+ 是 PhD） | 弱（本科硕士都可以） |
| 中位月薪 | 88k CNY/月 | 略低，约 70k CNY/月（数据集中） |
| 节奏 | 半年起的研究项目 | 周级 / 月级的工程迭代 |
| 必备 | 论文阅读 + 数学 + 实验设计 | PyTorch + 部署 + 数据 pipeline |
| 转岗难度 | 工程 → 研究 难 | 研究 → 工程 易 |
国内有没有 ML Scientist 这条线
有，但少得多。国内对应的是「LLM 算法工程师 / 研究员」，并入 algorithm 角色。
国内研究岗集中在：智谱 AI、MiniMax、Moonshot、百川、字节跳动 Seed、腾讯 AI Lab、阿里达摩院、上海 AI Lab。学历卡得比海外更严 — 本科硕士进得到 algorithm 工程岗位，进研究岗几乎只看博士 + 顶会。
下一步
- 想看 ML Scientist 完整数据 → 海外 ML Scientist 角色页
- 想看「研究 vs 工程」的工程那条线 → ML Engineer 角色页
- 国内对应路径 → 算法工程师 Lv2 篇