Каждый год Berkeley Artificial Intelligence Research Lab публикует список выпускников — и этот документ читается как карта будущего всей индустрии. Не потому что BAIR монополист академического AI (он далеко не единственный), а потому что именно здесь готовят людей, которые потом определяют приоритеты в OpenAI, Anthropic, Google DeepMind и физических стартапах.

Класс 2026 — это 30 PhD-выпускников, каждый с уникальным фокусом, но вместе они рисуют удивительно связную картину. Если посмотреть на места их трудоустройства и темы диссертаций, становится понятно, куда реально движется AI в 2026 году — не по пресс-релизам корпораций, а по решениям людей, которые только что закончили 5–6 лет глубоких исследований.

Эмбодированный AI: главная ставка поколения

Самое заметное наблюдение: robotics и embodied intelligence доминируют. Baifeng Shi идёт в Physical Intelligence — компанию, которая строит general-purpose robot foundation models. Kevin Black (ученик Сергея Левина) — туда же. Haozhi Qi, работавший над dexterous manipulation под руководством Джитендры Малика, выбирает Amazon и академическую карьеру в University of Chicago одновременно. Vongani Maluleke берёт свой фреймворк MAGNet для мультиагентной генерации движений и деплоит его на Unitree G1 — гуманоидного робота.

Это не случайность. Пять лет назад робототехника была «нишевой» областью внутри AI — много железа, мало данных, слабые результаты. Сейчас, после прорывов в foundation models для управления (RT-2, Octo, π₀), роботы стали тем полем, где все достижения LLM и diffusion-моделей наконец получают физическое воплощение. Physical Intelligence привлекла сотни миллионов долларов именно потому, что инвесторы увидели: generalist robot policy — это не фантастика 2035 года, а инженерная задача 2026-го.

Qiyang Li тоже из команды Левина, но он идёт не в робототехническую компанию — он ищет постдок для RL in robotics and LLMs. Его работа над action chunking policies и reinforcement learning для реального мира показывает, что граница между «чистым» RL и прикладной робототехникой стирается. То же самое у Maulika Bhatt — его game-theoretic multi-agent coordination валидируется на дронах и манипуляторах, а работодатель — Toyota Woven и их端到端 (end-to-end) команда автономного вождения.

Test-time compute и мост между pretraining и inference

Charlie Snell сформулировал, возможно, самую важную открытую проблему в списке. Его исследование — о том, как превратить выводы, сделанные моделью при test-time scaling (длинные цепочки рассуждений для конкретного промпта), обратно в обучаемые представления, которые модель сохраняет между сессиями.

Проблема фундаментальная: сейчас тестовый compute и pretraining живут в параллельных вселенных. Модель может рассуждать 100 шагов над одной задачей, потом забыть всё это и начать с чистого листа для следующей. Snell предлагает мост — механизмы, которые конвертируют test-time inference в persistent knowledge. Если это получится, мы получим модели, которые учатся не только на корпусе, но и на собственном опыте взаимодействия.

Xiuyu Li (уходит в xAI) работает над той же проблемой с другой стороны — его self-improving LLM agents для coding делают параллельное рассуждение и long-horizon task execution. Vinamra Benara изучает post-training целиком: data curation, RLHF, RLVR с VLM, reasoning, interpretability. Вместе эти три исследователя покрывают полный цикл — от того, как модель думает в моменте, до того, как она учится системно.

Безопасность как карьерный выбор, а не академическая мода

Niklas Lauffer (ученик Stuart Russell — человека, который буквально написал учебник по AI) идёт в Google DeepMind заниматься безопасностью multi-agent LM-агентов. Eve Fleisig — в Princeton CITP, работая над тем, чтобы LLM были надёжными для разных групп пользователей. Sampada Deglurkar обеспечивает safety assurances для автономных систем — от роботов до авиации.

Пять лет назад «AI safety» было маргинальной позицией — что-то вроде этики технологий, которой занимаются люди, не умеющие писать код. Сейчас Niklas Lauffer решает задачи adversarial learning в cooperative и mixed-motive settings между агентами — это технически сложнейшая область на стыке game theory, RL и механизмов безопасности. А Eve Fleisig предлагает использовать disagreement среди пользовательских предпочтений как signal для обучения — элегантный подход, который превращает субъективность из проблемы в источник данных.

Это важный сдвиг: безопасность перестала быть «надстройкой» и стала основным инженерным направлением. Выпускники BAIR не идут в safety «потому что это важно» — они идут туда, потому что там самые интересные нерешённые задачи.

Мультимодальность без компромиссов

Grace Luo занимается interpretability и control генеративных моделей — перепрофилирует image generators для computer vision задач и мета-моделирует языковые активации для LLM probing. Kent Chang строит мультимодальные системы для понимания диалога, нарратива и социального взаимодействия, используя датасеты из фильмов и сериалов. Yichen Xie идёт в Luma AI работать над multimodal foundation models, которые понимают пространство, время и динамику.

Общая нить: мультимодальность 2026 — это уже не «прикрутим vision к language model». Это единые представления, которые работают across modalities без специальных костылей для каждой. Kaylo Littlejohn ко-лидил разработку систем, которые переводят мозговую активность в текст, персонализированную речь и «digital talking avatar» — опубликовано в Nature 2023 и Nature Neuroscience 2025. Это буквально мультимодальность на уровне нейронных сигналов.

Методология: почему BAIR-подход работает

Что делает BAIR-выпускников такими востребованными? Не просто техническая глубина — хотя её хватает. Дело в методологии: каждый из 30 выпускников работает на стыке фундаментальной теории и прикладных систем. Charlie Snell не просто изучает test-time scaling абстрактно — он формулирует конкретную инженерную проблему (как конвертировать inference в learned representations) и ищет механизм. Qiyang Li не просто тренирует robot policies — он комбинирует prior data с RL-оптимизацией action chunking, получая и эмпирические результаты, и теоретические инсайты.

Это отличается от подхода многих других лабораторий, где теория и практика разделены. В BAIR ты не можешь защитить диссертацию, показав только benchmarks — нужна теоретическая модель того, почему метод работает. И не можешь показать только теорему — нужна валидация на реальном железе или реальных данных. Этот dual requirement создаёт исследователей, которые одинаково уверенно чувствуют себя и в mathematical proof, и в debug-сессии на реальном роботе.

Карта трудоустройствий: кто забирает таланты

Если посмотреть на «что дальше» каждого выпускника, картина рынка AI-талантов становится кристально ясной:

Физический AI и робототехника: Physical Intelligence забирает минимум двух (Shi, Black). Amazon и Toyota Woven — по одному. Waymo, Luma AI, Unitree — все берут людей с physical world expertise.

Frontier labs: OpenAI (Hanlin Zhu — reasoning capabilities LLM), Anthropic (Lisa Dunlap — auditing generative models), Google DeepMind (Niklas Lauffer — safety), xAI (Xiuyu Li — self-improving coding agents), Mistral AI (Josh Kang — conversational collaborative agents). Каждый из этих labs получает человека с чёткой специализацией, а не generalist-исследователя.

Академическая карьера: J.D. Zamfirescu-Pereira — Assistant Professor в UCLA CS. Несколько выпускников идут на постдоков в Stanford и Princeton. Это важно: несмотря на индустриальный бум, топ-университеты всё ещё получают лучших. UCLA и Stanford не жалуются на отток талантов — они его компенсируют притоком через PhD-выпускников.

Стартапы: Nathan Lichtlé — Chief Scientist & Co-founder Yumi Health. Jiachen Lian ищет AI-таланты для своего стартапа. Это не «ушёл в стартап потому что не нашёл работу в академии» — это осознанный выбор людей, которые видят, что их research blurb напрямую конвертируется в продукт.

Чего нет в списке: показательные пробелы

Ни один из 30 выпускников не уходит в «классический» NLP — чистый language modeling без embodied или multimodal компонента. Даже те, кто работает с текстом (Kent Chang, Josh Kang, Kaylo Littlejohn), обязательно добавляют второй модальность — речь, видео, социальные взаимодействия.

Это сигнал: era standalone LLM как исследовательской темы закончилась. Если ты PhD по NLP в 2026 — ты либо добавляешь robotics, либо multimodality, либо safety. Чистый «next token prediction» остаётся инженерной задачей, а не научным фронтиром.

Также нет выпускников, идущих в big tech на «просто ML engineer» роли. Все идут в research scientist, MTS, или основывают свои компании. BAIR 2026 — это не pipeline для Google SWE; это pipeline для людей, которые будут определять направления.

Что это значит для индустрии

Три вывода, которые стоит запомнить.

Первый: embodied AI — не маркетинговый хайп 2024-го, а реальное направление, в которое идут лучшие умы. Physical Intelligence, Amazon, Toyota, Waymo — все они получают людей из одной лаборатории, которые говорят на одном научном языке. Это создаёт сеть с общими стандартами, общими подходами, общим пониманием того, что работает и что нет.

Второй: безопасность_agents стала мейнстримной инженерной дисциплиной. Через 3–5 лет регуляция будет опираться на методы, которые сейчас разрабатывают Niklas Lauffer и Eve Fleisig. Компании, которые не инвестируют в safety research сейчас, через два года будут нанимать этих людей в десять раз дороже.

Третий: мост между test-time и persistent learning — если Charlie Snell и его коллеги найдут решение, это изменит экономику AI-инференса радикально. Сейчас компания платит за каждый токеновый цикл рассуждения. Если модели смогут «запоминать» выводы между сессиями — стоимость падения до нуля для повторяющихся задач, а качество — вырастет экспоненциально.

BAIR 2026 — это не просто список имён. Это прогноз. И если этот прогноз верен, через пять лет мы будем жить в мире, где роботы с foundation models работают на производствах, LLM учатся на собственном опыте, а safety — стандартная инженерная практика, а не предмет споров.

Часто задаваемые вопросы

Почему именно BAIR, а не Stanford AI Lab или CMU?

BAIR — не единственный, но специфически силён на стыке robotics, reasoning и safety. Stanford AI Lab тоже публикует showcase (именно они вдохновили формат), но BAIR даёт больше выпускников в physical AI — во многом из-за наследия Сергея Левина и Джитендры Малика.

Physical Intelligence — это серьёзно или очередной хайп-стартап?

Компания привлекла более $400M при оценке ~$2B (по данным на начало 2026). Два выпускника BAIR с сильнейшими robotics-бэкграундами выбрали именно её — это сильнее любой press coverage. Когда люди, которые 6 лет занимались роботами, выбирают конкретную компанию после защиты — это голосование ногами.

Что такое test-time compute scaling и почему это важно?

Это подход, при котором модель тратит больше вычислений на сложный запрос (рассуждает дольше, проверяет себя, перебирает варианты). Проблема: после ответа всё «забывается». Test-time scaling vs pretraining scaling — это как решить одну задачу за 10 часов vs выучить предмет за семестр. Мост между ними — открытая проблема, и её решение определит, смогут ли модели по-настоящему учиться в процессе работы.