Requests for Research 2.0: где искать задачи для ИИ-ресёрча

Что такое Requests for Research

Requests for Research — это публичный список нерешённых задач в области машинного обучения, который лаборатория или компания выкладывает наружу с простым посылом: вот направления, которые мы считаем важными, но за которые сами не беремся прямо сейчас. Возьмите и попробуйте. Исторически такой формат ассоциируется с OpenAI, которая в 2018 году опубликовала подборку «Requests for Research 2.0» — набор задач разной сложности, от разминочных до тянущих на полноценную научную работу.

Идея не новая и не уникальная: похожие списки открытых проблем ведут академические группы, а в смежных областях есть аналоги вроде «open problems» в криптографии или теории сложности. Но именно в ML такой список работает как навигатор для тех, кто хочет войти в ресёрч, но не понимает, за что взяться, чтобы это было и посильно, и кому-то нужно.

Почему «2.0»

Цифра в названии — отсылка ко второй итерации формата. Первая волна Requests for Research была скорее набором точечных заметок. Версия «2.0» задумывалась как более структурированная: задачи снабжались пометкой сложности (условные «звёздочки»), кратким описанием того, что уже известно, и намёком на то, что считать успехом. Это принципиально: разница между «сделайте что-нибудь с обучением с подкреплением» и «воспроизведите вот такой результат на вот таком окружении и посмотрите, масштабируется ли он» — это разница между лозунгом и задачей.

Хороший request for research отвечает на три вопроса сразу: что попробовать, почему это может не сработать и как понять, что получилось.

Кому и зачем это нужно

Формат живёт на пересечении интересов двух сторон, и у каждой своя выгода.

• Лаборатории получают дешёвый способ проверить гипотезы, до которых не доходят руки. Если задачу закроет внешний исследователь, это бесплатный сигнал о том, работает подход или нет.
• Начинающие исследователи получают отобранный список тем, за которые не стыдно взяться: они заведомо кому-то интересны, а не выдуманы ради строчки в резюме.
• Работодатели получают маркер. Закрытая задача из публичного списка с воспроизводимым результатом на GitHub — это портфолио, которое проверяется за десять минут.

Цена вопроса для новичка измеряется не деньгами, а неделями. Разница между «месяц ковырял задачу, которую никто не смотрел» и «месяц ковырял задачу из известного списка и получил ссылку от автора» — это разница в том, увидят ваш результат или нет.

Как выбрать задачу и не утонуть

Главная ошибка — брать самую амбициозную задачу из списка, потому что она звучит важнее всего. Такие задачи часто «звёздочные» не случайно: за ними стоят месяцы работы команды с доступом к вычислениям, которых у вас нет.

1. Оцените вычислительный бюджет честно. Если для воспроизведения нужен кластер, а у вас одна видеокарта, ищите задачу, где важна идея, а не масштаб.
2. Проверьте, не закрыта ли задача уже. Списки устаревают. Поищите по формулировке в arXiv и на GitHub — возможно, кто-то опубликовал решение год назад.
3. Начните с воспроизведения, а не с прорыва. Повторить чужой заявленный результат — это уже полезная работа, и она учит быстрее, чем попытка сразу изобрести новое.
4. Фиксируйте отрицательный результат. «Я попробовал, и вот почему не сработало» — это тоже вклад, если он честно задокументирован.

Разминочные против исследовательских

Условно задачи в таких списках делятся на две категории, и их полезно не путать.

Что изменилось с 2018 года

Контекст, в котором появился формат, изменился радикально. В 2018-м обучение с подкреплением и генеративные модели были нишевыми темами, и список открытых задач помогал собрать внимание сообщества. Сейчас поле перегрето: крупные модели тренируют за десятки миллионов долларов, а публичный доступ к серьёзным вычислениям ограничен. Это сместило акцент.

Реалистичные «реквесты» сегодня чаще касаются не тренировки моделей с нуля, а работы вокруг них: оценки (evaluation), интерпретируемости^*, безопасности, инструментов для агентов, качества данных. Здесь одиночный исследователь с ноутбуком всё ещё может сказать что-то новое, потому что упирается в идею, а не в бюджет на GPU.

^* Интерпретируемость (interpretability) — направление, которое пытается объяснить, почему нейросеть выдала конкретный ответ: какие внутренние признаки и механизмы за это отвечают. В отличие от тренировки больших моделей, многие задачи интерпретируемости не требуют огромных вычислений.

Как этим пользоваться на практике

Если вы хотите войти в ИИ-ресёрч через такой формат, не ждите, что кто-то опубликует идеальный свежий список именно под вас. Логика поиска задач важнее конкретного документа:

• Смотрите открытые issues и «good first issue» в репозиториях крупных ML-библиотек — это де-факто те же реквесты, только живые.
• Читайте разделы «limitations» и «future work» в свежих статьях на arXiv: там авторы прямым текстом пишут, что не успели сделать.
• Следите за грантовыми и стипендиальными программами лабораторий по безопасности и интерпретируемости — они часто публикуют приоритетные направления.

Само по себе наличие списка ничего не гарантирует. Ценность появляется в момент, когда вы доводите одну задачу до воспроизводимого результата и публикуете код так, чтобы его можно было запустить чужими руками. Это и отличает участие в ресёрче от чтения о нём.

Requests for Research — не магический вход в индустрию, а способ не тратить время на задачи, которые никому не нужны. Выбирайте то, что помещается в ваш бюджет времени и вычислений, доводите до конца и показывайте результат. Одна закрытая задача весит больше, чем десять начатых.