R&D-лидеры технологических компаний: кто стоит за лабораториями, чипами и моделями

Когда технологическая компания объявляет о новом чипе, прорывной AI-модели или открытии в материаловедении, в заголовках обычно фигурирует имя CEO. Однако за каждым таким результатом стоит другой человек — руководитель исследований и разработок, который годами строил лабораторию, собирал команду учёных и решал, в какие направления вкладывать миллиарды долларов, зная, что большинство из них не даст продукта. Именно эти люди определяют, какими будут технологии через пять-десять лет, и разобраться, кто они и как работают, полезно не только журналистам или инвесторам, но и инженерам, которые выбирают карьеру в research.

Кто такие R&D-лидеры простыми словами

R&D-лидер — это руководитель, который отвечает за исследования и разработку (research and development) в компании: за портфель научных и инженерных проектов, бюджет лабораторий, наём исследователей и превращение научных результатов в технологии, которые рано или поздно станут продуктами. В крупных корпорациях эта роль может называться по-разному: VP of Research, Chief Scientist, Head of AI Research, директор исследовательской лаборатории. Суть одна — человек принимает решения о том, что компания будет исследовать, и отвечает за результат перед советом директоров и CEO.

Важно отличать эту роль от смежных. CEO отвечает за бизнес в целом: выручку, стратегию, рынки. CTO обычно отвечает за инженерную архитектуру продуктов и технологический стек, который работает здесь и сейчас. R&D-лидер работает на горизонте, которого ещё нет в продуктовом каталоге: фундаментальные алгоритмы, новые материалы, архитектуры чипов, которые будут производить через несколько лет. На практике границы размыты — в некоторых компаниях CTO совмещает обе функции, в других исследования подчинены отдельному вице-президенту с собственным бюджетом.

Типичная карьерная траектория такого человека проходит через науку: докторская степень, публикации, годы работы исследователем, затем руководство группой, направлением, лабораторией. Поэтому среди руководителей R&D технологических компаний неудивительно встретить лауреатов престижных научных премий и профессоров, сохраняющих академические позиции. Это не украшение биографии, а требование профессии: чтобы оценивать идеи команды на грани возможного, нужно самому понимать предмет на уровне, где заканчиваются учебники.

Как устроена работа большой исследовательской лаборатории

Чтобы понять, как работает R&D-лидер, стоит посмотреть на механику лаборатории изнутри. Крупные корпоративные лаборатории — Bell Labs и Xerox PARC в прошлом, Google Research, Meta FAIR, Microsoft Research, лаборатории NVIDIA или Samsung сегодня — строятся вокруг длинных горизонтов планирования. Проект может длиться пять-семь лет, и в течение большей части этого срока его ценность невозможно измерить выручкой.

При этом руководитель R&D выполняет несколько функций, которые редко заметны снаружи:

• Формирует портфель направлений. Часть ставок — эволюционные (улучшить существующую технологию на 20%), часть — рискованные (новая парадигма, которая может не сойтись). Баланс между ними и есть главное управленческое решение.
• Защищает исследования от квартального давления. Когда бизнесу нужна прибыль сейчас, лаборатории режут первыми. Сила R&D-лидера измеряется тем, удаётся ли сохранить длинные проекты в сложные годы.
• Собирает и удерживает людей. В узких областях — например, в фотонике или обучении больших языковых моделей — в мире существует считанное количество специалистов нужного уровня, и конкуренция за них жёстче, чем за клиентов.
• Строит мост между наукой и продуктом. Открытие само по себе ничего не стоит для компании, пока инженеры не превратят его в нечто, что работает массово, надёжно и по приемлемой себестоимости.

Последний пункт — самый болезненный. История технологий полна лабораторий, которые изобрели будущее, но не смогли его продать собственной корпорации: графический интерфейс, лазерная печать, Ethernet появились в Xerox PARC, а капитализировали эти идеи другие. Именно поэтому современные R&D-лидеры уделяют столько же внимания процессам трансфера технологий, сколько самим исследованиям.

Чипы, модели, лаборатории: во что превращаются миллиарды на исследования

Масштаб расходов объясняет, почему роль руководителя исследований стала настолько заметной. Крупнейшие технологические компании тратят на R&D десятки миллиардов долларов в год: по открытым данным финансовой отчётности, у Amazon, Alphabet, Meta, Microsoft и Apple совокупные годовые расходы на исследования и разработку измеряются сотнями миллиардов долларов. Точные цифры меняются ежеквартально, поэтому для актуальных значений стоит смотреть формы 10-K и 10-Q, которые компании подают в Комиссию по ценным бумагам и биржам США — они доступны бесплатно через систему EDGAR.

Куда идут эти деньги, хорошо видно на трёх примерах. В полупроводниках разработка нового технологического процесса или флагманского чипа стоит миллиарды долларов и длится годы: проектирование, верификация, тестовые партии, наладка производства. Ошибка в архитектурных решениях, принятых на старте, проявляется через три-четыре года, когда вернуться уже невозможно. Поэтому руководители R&D в чиповых компаниях принимают решения с чрезвычайно длинной обратной связью — фактически прогнозируют спрос и физические возможности производства на полдесятилетия вперёд.

В искусственном интеллекте экономика иная, но не менее требовательная. Обучение фронтирной большой языковой модели требует вычислительных ресурсов, стоимость которых оценивается в десятки, а за последними поколениями — в сотни миллионов долларов на один учебный цикл, не считая зарплат команды и стоимости данных. Руководитель AI-исследований решает, какие архитектуры тестировать, сколько вычислений выделить на рискованные гипотезы, а сколько — на масштабирование проверенных. Эти решения затем определяют, какие модели появятся на рынке.

В фундаментальных лабораториях — квантовые вычисления, новые материалы, робототехника — горизонты ещё длиннее, а вероятность коммерческого результата ниже. Там успех руководителя измеряется не продуктами, а качеством портфеля: движется ли отрасль вперёд, публикуются ли результаты, которые цитирует весь научный мир, выращиваются ли люди, которые потом возглавляют направления.

Как определяют лидерство: рейтинги и показатели

Вопрос «кто лидер в R&D» не имеет одного ответа, потому что лидерство измеряют разными показателями, и каждый рейтинг по показателю даёт собственную картину. Самые распространённые подходы стоит знать, чтобы не путать их между собой.

Практическое правило: рейтинг по показателю абсолютных расходов отвечает на вопрос «кто инвестирует больше всего», рейтинг по интенсивности — «кто больше всего зависит от науки», рейтинг по цитированию — «чья наука влияет на отрасль». Сравнивать компании имеет смысл только в рамках одного показателя и одной отрасли. В статистике OECD и национальных бюро, например в данных OECD по науке и инновациям, используется именно интенсивность R&D, что позволяет сравнивать страны и сектора разного размера.

Отдельная характеристика — публичность результатов. Компании, которые публикуют исследования в открытом доступе, выпускают открытые модели или датасеты, получают репутационное преимущество и легче нанимают, но раскрывают часть ноу-хау конкурентам. Выбор между открытой и закрытой стратегией — тоже решение R&D-лидера, и за последние годы в AI-отрасли видно, как разные лаборатории движутся в противоположных направлениях.

Где искать открытые данные и статистику о R&D

Проверить утверждения о лидерстве в исследованиях можно самостоятельно, без доступа к платным аналитическим базам. Основные источники открытых данных:

• Финансовая отчётность публичных компаний. Строка «Research and development» в отчёте о прибылях и убытках, детализация в годовых формах 10-K. Это самые точные официальные цифры расходов.
• Патентные ведомства. Базы USPTO, EPO и WIPO позволяют смотреть количество заявок и патентов по заявителю, а статистика WIPO агрегирует данные по странам и компаниям.
• Библиометрические платформы. Публикации и цитирование исследовательских подразделений корпораций видны в Google Scholar, Semantic Scholar, в рейтингах наподобие Nature Index, где учитываются и промышленные лаборатории.
• Макроэкономическая статистика. OECD, Eurostat и ЮНЕСКО публикуют расходы на R&D по странам и секторам — полезно для контекста, в котором работают компании.
• Открытые бенчмарки в AI. Независимые тестирования моделей и лидерборды дают хоть и неполную, но проверяемую картину того, чьи исследования превращаются в самые сильные системы.

Толковать эти данные стоит осторожно. Расходы в отчётности включают не только фундаментальные исследования, но и рутинную инженерию существующих продуктов; патентные стратегии отличаются между компаниями в разы; публикации — лишь та часть работы, которую компания решила раскрыть. Выводы делают по совокупности источников, а не по одному рейтингу.

Люди и истории: что подборки и таймлайны рассказывают о лидерах исследований

За статистикой стоят конкретные биографии, и именно подборки и таймлайны людей лучше всего объясняют, как рождаются технологические переломы. Несколько характерных исторических примеров, которые иллюстрируют разные модели руководства исследованиями.

Дженсен Хуанг в NVIDIA годами финансировал исследования вокруг параллельных вычислений и программной платформы CUDA задолго до того, как искусственный интеллект создал для них массовый рынок. Это пример ставки на платформу: лаборатория готовила инструмент, не зная точно, какое приложение станет решающим. Когда глубинное обучение взорвалось в начале 2010-х, компания уже имела и железо, и программный слой, и связи с исследовательским сообществом.

Демис Хассабис построил DeepMind как лабораторию, где амбициозная долгая цель — общий искусственный интеллект — сочетается с публикациями на высочайшем научном уровне. Программа AlphaFold, которая предсказывает структуру белков, показала, что корпоративная research-лаборатория способна закрыть научную проблему, над которой академический мир работал десятилетиями, и затем открыть результаты всему миру. За эту работу Хассабис и Джон Джампер получили Нобелевскую премию по химии 2024 года — редкий случай, когда руководство корпоративного R&D отмечено высшей научной наградой.

Джеффри Хинтон, совмещавший работу в Google с профессурой в Торонто, и Ян Лекун, много лет возглавлявший исследования ИИ в Meta, — примеры учёных, которые принесли в корпорации академическую культуру: открытые публикации, работа с аспирантами, участие в конференциях. Оба вместе с Йошуа Бенджио получили премию Тьюринга за фундамент глубинного обучения, а Хинтон впоследствии — и Нобелевскую премию по физике. Их истории показывают, что граница между университетом и корпоративной лабораторией в современном AI условна.

На стороне чипов показателен таймлайн Лизы Су в AMD: инженер с опытом исследований в IBM, она вернула компанию в первый ряд полупроводниковой отрасли через ставку на чиплетную архитектуру — техническое решение, которое на момент принятия считалось рискованным. В TSMC десятилетиями наращивали R&D в технологических процессах, и именно эта последовательность, а не разовый прорыв, сделала компанию центральной для всей индустрии.

Из этих историй складывается обобщение: выдающиеся руководители R&D отличаются не способностью предсказать будущее, а умением держать ставку дольше, чем это комфортно для бизнеса, и строить лабораторию так, чтобы удаче было где случиться.

Частые вопросы о R&D-лидерах

Чем R&D-лидер отличается от CTO?

CTO отвечает за технологии, которые работают в продуктах сейчас: архитектуру, инженерные процессы, инфраструктуру. Руководитель R&D отвечает за то, чего в продуктах ещё нет: исследование новых методов, материалов, архитектур. В малых компаниях роли часто совмещаются, в крупных — разделены, и между ними существуют постоянные переговоры о трансфере технологий из лаборатории в продукт.

Обязательно ли руководителю исследований иметь научную степень?

В крупных research-организациях — практически да: большинство руководителей лабораторий имеют PhD и собственные публикации, потому что без глубокой экспертизы невозможно оценивать идеи команды и поддерживать авторитет среди исследователей. Исключения встречаются в компаниях, где R&D ближе к продуктовой инженерии, чем к науке.

Сколько в среднем технологические компании тратят на R&D?

По данным OECD, в высокотехнологичных секторах — полупроводниках, фармацевтике, программном обеспечении — расходы на исследования часто составляют 10–25% выручки, тогда как средний показатель по экономике развитых стран близок к 2–3% ВВП. Конкретная норма зависит от отрасли, и сравнивать компании из разных секторов по этому показателю некорректно.

Почему одни компании публикуют исследования, а другие скрывают?

Открытость помогает нанимать сильных исследователей, влиять на стандарты отрасли и получать обратную связь от научного сообщества. Закрытость защищает ноу-хау и усложняет копирование конкурентами. Это стратегический выбор, который зависит от бизнес-модели: компании, зарабатывающие на инфраструктуре и услугах, чаще открываются, чем те, чьё преимущество в самой технологии.

Как отследить, кто руководит исследованиями в конкретной компании?

Самые надёжные источники — страницы исследовательских подразделений на сайтах компаний, профили руководителей в профессиональных сетях, программы профильных конференций (NeurIPS, ISSCC, IEDM), где выступают лидеры направлений, а также годовые отчёты, в которых описаны структура и приоритеты R&D.

Как самостоятельно оценить, кто действительно лидер в исследованиях

Если нужно быстро и трезво оценить позиции компании или её научного руководителя — для статьи, инвестиционного решения или выбора работодателя — работает простой алгоритм из пяти шагов. Во-первых, найдите расходы на R&D в последней годовой отчётности и посчитайте их долю в выручке, чтобы сравнить с прямыми конкурентами в той же отрасли. Во-вторых, посмотрите динамику за пять лет: стабильное или растущее финансирование важнее разового пика, потому что исследования дают результат с задержкой в несколько лет. В-третьих, проверьте публикационный след: присутствует ли подразделение на топовых конференциях отрасли, цитируют ли его работы. В-четвёртых, оцените трансфер в продукт: какие технологии, появившиеся в исследованиях три-пять лет назад, сегодня продаются. В-пятых, посмотрите на людей: кто возглавляет направления, откуда они пришли и остаются ли в компании надолго — текучесть в исследовательском руководстве обычно сигнализирует о проблемах со стратегией. Ни один отдельный рейтинг по показателю не заменит эту совокупную картину, потому что настоящее лидерство в R&D — это не один рекорд, а способность лаборатории воспроизводить результат год за годом.