Студенческая Carnegie AI Safety Initiative (CASI) при Carnegie Mellon University опубликовала 3 ноября 2026 года запись дискуссии «Are We Cooked?» продолжительностью 1 час 7 минут: пять профессоров CMU отвечают на вопрос, что делать студентам, когда ИИ пишет код и решает открытые математические задачи. Основной посыл участников: программирование сохраняется как базовый навык, но критерии найма и академической оценки смещаются от количества публикаций к доверию, реальным проблемам и отношениям. Вес разговору придаёт участие Zico Kolter, директора ML-отдела CMU и председателя комитета OpenAI по безопасности.

image
image

Что произошло

Панель прошла в формате открытой записи на YouTube и к моменту публикации новости набрала около 24,4 тыс. просмотров. В дискуссии участвовали пять профессоров CMU: математик Po-Shen Loh, бывший тренер сборной США на Олимпиаде по математике; Zico Kolter, сооснователь Gray Swan; Daphne Ippolito из Language Technologies Institute; Aditi Raghunathan; Vincent Conitzer, руководитель FOCAL и нового центра CoRe Safe AI. Модерировал разговор Lawrence Feng. Обсуждались четыре сквозные темы: стоит ли сегодня учиться программировать, в чём люди всё ещё превосходят ИИ, возможен ли AI alignment, когда люди сами не согласны о целях, и как сдвиг от «paper counts» к «trust and relationships» изменит найм и академическую карьеру. Профессоры также разбирали, что изучать студенту, который выбирает специальность сейчас.

Контекст

Поводом для панели стало растущее беспокойство студентов: генеративные модели уже пишут код и берутся за открытые задачи, и это ставит под вопрос смысл привычной подготовки к карьере в технологиях. CASI — студенческая инициатива по безопасности ИИ при Carnegie Mellon University, и приглашение практикующих профессоров стало для организации способом вывести их позиции за пределы учебных аудиторий. Значимость позиций объясняется статусом спикеров: это действующие руководители ML-структур и исследовательских центров, а один из участников одновременно возглавляет комитет по безопасности OpenAI. Заявленный в дискуссии разворот академической оценки от числа публикаций к доверию и отношениям укладывается в более широкий спор о том, что формальные метрики искажают выбор действительно важных проблем.

Почему это важно для индустрии

Для AI-индустрии панель — не рыночное событие, а репутационно дорогой сигнал: написание кода и счёт публикаций дешевеют как товар, а дефицитными становятся доверие, отношения и способность вести реальные проблемы. Команды получают аргумент, чтобы пересмотреть джун-найм и критерии оценки: проверять не формальные показатели, а владение реальными задачами и умение верифицировать вывод моделей. Если тезис «trust and relationships» подхватят другие университеты и лаборатории, в вакансиях AI-направлений станет больше требований про реальные проекты и коммуникацию. В горизонте двух лет, при сохранении сдвига, возможны продукты нового типа — портфолио решённых реальных проблем, peer-review-сообщества и верифицированные менторские связи, — однако в источнике это спекулятивная интерпретация, а не зафиксированная тенденция.

Почему это важно для пользователей

Читателю доступен готовый материал: 67-минутное видео бесплатно на YouTube и размечено таймкодами по главам, поэтому к самому интересному вопросу можно перейти сразу. Пять практикующих исследователей дают советы трёх типов: что изучать, если выбирать специальность сейчас; где они сами применяют ИИ в исследованиях и преподавании и где сознательно от него отказываются, например при подготовке итоговых текстов; и какая карьерная рамка важнее гонки за метриками — участники ставят во главу угла «intrinsic motivation» и «sofa count». Панель применима и внутри команды как повод для разговора о том, какие навыки проверять у кандидатов и где ограничивать ИИ в собственном рабочем процессе.

Что пока неизвестно / ограничения

Все ключевые тезисы — это публичные позиции спикеров, а не научный результат: ни одно утверждение не сопровождается методикой, контрольными условиями или бенчмарком. Заявление о том, что ИИ решает открытые математические задачи, — наблюдение практикующих исследователей, прежде всего Po-Shen Loh, и требует критического отношения до независимых подтверждений. Тезис о смещении найма к «trust and relationships» остаётся гипотезой: в материалах нет данных о спросе и ни одного зафиксированного примера изменения критериев, поэтому рыночные или продуктовые выводы из одной панельной дискуссии делать преждевременно. Перечисленные темы касаются будущего, и панель не даёт методологии отслеживания таких сдвигов. Для двухлетнего горизонта источник описывает два сценария — реальный сдвиг критериев либо разовая дискуссия на фоне продолжающейся публикационной гонки, — не приводя данных в пользу ни одного из них.

Источники

Автор

Look at AI, редакция