Who Leads Machine Learning Research? A Bibliometric Portrait of 1,000 Top-Cited Researchers on Google Scholar
Dieses Paper stellt Scholar-ML-1000 vor, einen im Juni 2026 veröffentlichten Datensatz von 996 meistzitierten Experten für maschinelles Lernen, der offenlegt, dass große Technologieunternehmen wie Google und DeepMind nun mehr führende ML-Gelehrte beherbergen als Top-Universitäten zusammen, während er gleichzeitig die bedeutende globale Vielfalt und die interdisziplinäre Reichweite des Feldes hervorhebt.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich die Welt der Machine-Learning-Forschung (ML) als eine riesige, geschäftige Stadt vor. Seit Jahren streiten die Leute darüber, wer tatsächlich das Sagen hat: Sind es die traditionsreichen Universitäten (die „Akademie“) oder die riesigen Technologiekonzerne (die „Industrie“)? Verlassen die klügsten Köpfe die Universitäten, um in großen Unternehmen zu arbeiten, oder bleiben sie vor Ort?
Dr. Kunal Dhanda hat beschlossen, diese Debatte zu klären, indem er eine riesige Volkszählung durchführte. Er erstellte eine Liste namens Scholar-ML-1000, die im Wesentlichen ein „Wer ist wer“ der 1.000 berühmtesten Machine-Learning-Forscher der Welt ist, baset auf der Anzahl der Menschen, die ihre Arbeit gelesen und zitiert haben.
Hier ist die Geschichte dessen, was er herausfand, einfach erklärt:
1. Die „Stadt“-Karte: Wer wohnt wo?
Dr. Dhanda schaute sich die 1.000 besten Leute an und fragte: „Wo arbeiten sie?“
- Das Ergebnis: Überraschenderweise halten die Universitäten immer noch die Mehrheit. Etwa 52 % dieser Top-Forscher arbeiten noch in der akademischen Welt.
- Die Wendung: Während die Universitäten die meisten Menschen stellen, sind die Tech-Giganten unglaublich mächtig. Insbesondere Google und Google DeepDeepMind beschäftigen allein 209 dieser Top-Forscher.
- Die Analogie: Stellen Sie sich die 1.000 besten Athleten der Welt vor. Man würde erwarten, dass sie über Tausende von verschiedenen High Schools und Colleges verteilt sind. Stattdessen stellt man fest, dass ein einziger privater Sportclub (Google/DeepMind) mehr Athleten in seinem Kader hat als die drei besten Universitäten (Stanford, MIT und Berkeley) zusammen. Dieser Club ist ein „Super-Club“.
2. Der „Brain Drain“-Mythos
Es gibt die verbreitete Angst, dass der „Brain Drain“ (Abwanderung von Talenten) so gravierend ist, dass Universitäten nur noch leere Hüllen sind und der gesamte Genialität in den Unternehmenslaboren steckt.
- Die Realität: Das Paper sagt, dass diese Angst teilweise wahr, aber größtenteils übertrieben ist. Ja, viele junge, aufstrebende Stars ziehen in die Industrie. Aber die „alte Garde“ – die berühmtesten, am häufigsten zitierten erfahrenen Forscher – sind immer noch weitgehend an den Universitäten. Die „Akademie“ hält immer noch den größten Anteil an den Gesamtzitaten (52,3 %).
- Die Analogie: Es ist wie ein Fluss. Das Wasser (neues Talent) fließt definitiv in Richtung Ozean (Industrie), aber der massive Bergsee (Akademia) am oberen Ende hält immer noch mehr Wasser, als der Ozean bisher gesammelt hat.
3. Die „unsichtbaren“ Nachbarn
Wenn wir an Machine Learning denken, denken wir meistens an Computer, Roboter und Chatbots. Aber diese Liste enthüllte etwas Unerwartetes.
- Die Entdeckung: Ein riesiger Teil dieser Top-Forscher sind nicht nur „Informatiker“. Es sind Teilchenphysiker, Biologen und Astronomen.
- Die Analogie: Wenn Sie einen Raum mit den 1.000 besten ML-Experten betreten würden, sähen Sie nicht nur Leute in Hoodies, die coden. Sie würden Leute in Laborkitteln sehen, die die kleinsten Teilchen des Universums untersuchen (wie bei CERN), und Menschen, die in die fernen Sterne blicken. Sie nutzen Machine Learning als Werkzeug, um ihre eigenen spezifischen Rätsel zu lösen, und sie sind so erfolgreich, dass sie auf der globalen „Top 1.000“-Liste erscheinen.
4. Das „Zitations“-Scoreboard
Das Paper untersuchte, wie „populär“ diese Forscher basierend auf Zitaten (wie oft andere Wissenschaftler ihre Arbeit zitieren) sind.
- Die Ungleichheit: In der Welt der Wissenschaft gibt es meistens ein paar wenige Menschen, die den ganzen Ruhm ernten. Dies wird als „Gini-Koeffizient“ bezeichnet.
- Das Ergebnis: Die Ungleichheit unter diesen 1.000 Personen ist geringer als in Listen, die nur aus der Industrie bestehen. Das bedeutet, dass es zwar Superstars (wie Yoshua Bengio und Geoffrey Hinton an der Spitze) gibt, aber auch die „Mittelschicht“ der Forscher recht gut dasteht. Der Ruhm ist etwas gleichmäßiger verteilt als in der Unternehmenswelt, in der einige wenige Stars alles dominieren könnten.
5. Das „Geister“-Problem (Datenbereinigung)
Vor der Veröffentlichung musste Dr. Dhanda seine Liste bereinigen. Er fand vier „Impostor“-Konten (Betrüger-Accounts).
- Das Problem: Einige Profile hatten gefälschte, aufgeblähte Zahlen. Eine Person behauptete, fast 5,5 Millionen Zitate zu haben (was für einen echten Menschen unmöglich ist), und andere waren Personen, die lediglich das Wort „Machine Learning“ in einem Management-Paper verwendet hatten, aber keine eigentlichen ML-Forscher waren.
- Die Lösung: Er entfernte diese vier „Geister“, um eine saubere Liste von 996 echten Forschern zu erhalten.
Zusammenfassung: Das große Ganze
Dieses Paper ist wie ein hochauflösendes Foto der Machine-Learning-Welt im Juni 2026.
- Universitäten sind nach wie vor die Hauptheimstätte für die Mehrheit der Top-Talente.
- Google ist der größte einzelne Arbeitgeber für Top-Talente und übertrifft damit selbst die besten Universitäten bei weitem.
- Machine Learning ist nicht mehr nur ein Thema der Informatik; es ist ein Werkzeug, das intensiv von Physikern und Biologen genutzt wird, die nun Teil der Elite sind.
- Der „Brain Drain“ findet statt, aber er hat die Universitäten noch nicht entleert.
Der Autor hat die Liste und den Code, der zur Ermittlung der Liste verwendet wurde, veröffentlicht und lädt andere dazu ein, diesen „Ökosystem“ an Talenten weiter zu untersuchen. Es ist eine Momentaufnahme davon, wer die Führung bei der Entwicklung intelligenterer Maschinen übernimmt, und es stellt sich heraus, dass die Führung aus einer Mischung aus Professoren, Unternehmenswissenschaftlern und Wissenschaftlern aus anderen Fachbereichen besteht.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.