NIW для ML-инженера из Армении: open source AI, без PhD
- Важное уточнение
- Исходная база
- Стратегия
- Почему не EB-1A и не H-1B через компанию
- Cover Letter
- Хронология подачи от начала до конца
Показать все разделы (8)
Арам, 29 лет, Ереван, Армения. ML Engineer без PhD, магистратура в computer science из American University of Armenia. 4 года в машинном обучении, специализация AI safety и interpretability, автор открытых инструментов для интерпретации нейронных сетей. Подал NIW в 2025 году, будучи уверенным, что без учёной степени и научных публикаций категория ему недоступна, поскольку почти все истории успеха NIW, которые он читал заранее, были про исследователей с PhD и списком статей. Он даже рассматривал вариант поступления в аспирантуру в США специально ради формального статуса PhD-студента, хотя реальной научной карьеры не планировал, просто чтобы соответствовать ожидаемому шаблону заявителя NIW, который сложился у него из чужих кейсов.
Важное уточнение
Разбор мифов ниже построен на реальных сомнениях, с которыми Арам пришёл на первую консультацию, и на том, как каждое из них разрешилось при внимательном чтении требований теста Dhanasar, а не общих представлений о категории из чужих историй успеха.
Миф первый: NIW доступен только с PhD
Обычно NIW действительно строится на академических публикациях и степени PhD, и это создаёт у многих технических специалистов ложное убеждение, что без диплома исследователя дорога закрыта. Для быстро развивающихся технических областей, особенно связанных с прямым приоритетом государственной политики США, измеримое влияние открытого кода, цитирования библиотеки в чужих работах, использование инструмента другими разработчиками, участие в признанных open source сообществах, может полностью заменить традиционный академический послужной список.
Миф второй: четыре года практического опыта слишком мало
Второе заблуждение касалось возраста и стажа заявителя: Арам был уверен, что четыре года коммерческого опыта это слишком мало по сравнению с типичным профилем заявителя NIW, десятилетия исследовательской карьеры. На практике для областей вроде AI safety, возникших как отдельное направление всего несколько лет назад, четыре года это значительная часть всей истории существования самой дисциплины, а не короткий срок по внешним меркам, применимым к более зрелым научным областям.
Миф третий: open source не считается оригинальным вкладом
Третье заблуждение касалось самого понятия «оригинальный вклад»: Арам считал, что раз его инструмент это open source библиотека, а не запатентованная технология, она не может считаться значимым вкладом в развитие отрасли. В IT и AI открытый код часто оказывается более убедительным доказательством влияния, чем патент, поскольку показывает реальное, проверяемое использование множеством независимых сторон, а не теоретическую возможность применения.
Миф четвёртый: без аффилиации с известной компанией вклад не заметят
Арам также сомневался, заметит ли USCIS вклад специалиста, который никогда не работал в известной компании вроде Google DeepMind или OpenAI, и потому какое-то время рассматривал вариант устроиться в такую компанию перед подачей NIW ради самой строчки в резюме. На практике офицер оценивает не бренд работодателя, а измеримое влияние конкретной работы, и независимый открытый проект с проверяемыми метриками использования оказался сильнее гипотетического трудоустройства в известную компанию без готового вклада.
Миф пятый: гражданство небольшой страны ослабляет аргумент о значимости
Арам предполагал, что заявитель из небольшой страны вроде Армении по умолчанию воспринимается офицером как менее значимый специалист, чем заявитель из страны с более крупной технологической индустрией, скажем, из Индии или Китая. Тест Dhanasar не оценивает страну происхождения заявителя вообще, важна только сама деятельность и её значимость для США. Более того, существующие каналы технологического сотрудничества между Арменией и США, о которых сказано ниже, в итоге сыграли в плюс, а не в минус.
Исходная база
Открытая библиотека и метрики использования
Магистр компьютерных наук из American University of Armenia, 4 года коммерческого опыта в машинном обучении на позициях в двух компаниях. Открытая библиотека Арама для интерпретации нейронных сетей набрала около 2 100 звёзд на GitHub и использовалась в 90+ исследовательских проектах по данным GitHub Dependents. Библиотеку процитировали в 12 академических работах по данным Google Scholar, то есть она вошла в научный оборот, даже не будучи академической публикацией сама по себе. Из 12 цитирований шесть пришлись на работы авторов, не связанных с Арамом лично и не работавших с ним ни в одной команде, что исключало подозрение в самоцитировании или цитировании через знакомых.
Сообщество и профессиональное признание
Арам участвовал в EleutherAI, известном открытом коллективе в области AI safety, объединяющем исследователей и инженеров со всего мира, и выступил с презентацией на воркшопе NeurIPS 2023. Отдельно собрали историю коммитов в библиотеку за три года, показывающую непрерывную поддержку и развитие инструмента, а не разовый релиз, заброшенный сразу после публикации, что для открытого кода служит важным индикатором серьёзности вклада.
В пакет также вошёл список из шести issue и pull request от сторонних разработчиков, которых Арам обработал и внедрил в библиотеку за последний год, что показывало не только использование инструмента другими, но и активное участие сообщества в его дальнейшем развитии, живую экосистему вокруг проекта, а не одностороннюю публикацию кода без обратной связи.
Статистика скачиваний и зависимых проектов
Дополнительно приложили статистику скачиваний пакета из стандартного менеджера зависимостей Python за последние два года и список из десяти наиболее заметных проектов, зависящих от библиотеки, с кратким описанием, чем именно они занимаются и почему используют инструмент Арама, а не альтернативные решения конкурентов. Это позволило показать не просто число, а контекст использования.
Из десяти проектов три оказались напрямую связаны с исследованиями безопасности больших языковых моделей в университетских лабораториях США, ещё два использовались стартапами, работающими над коммерческими AI-продуктами с фокусом на прозрачность алгоритмов. Такое распределение по типам организаций показало, что библиотека полезна не только академическому сообществу, но и индустрии, работающей непосредственно с конечными продуктами.
Арам чуть не пошёл в аспирантуру только ради формального статуса PhD-студента, хотя реальной наукой заниматься не планировал. В Instagram Аида показывает, что открытый код и звёзды на GitHub работают не хуже диплома.
Смотреть в InstagramСтратегия
Первый prong: национальная значимость
AI safety стал прямым национальным приоритетом США к моменту подачи, Executive Order on AI Safety от октября 2023 года, NIST AI Risk Management Framework, слушания в Конгрессе по регулированию AI, финансирование NSF для исследований в области безопасности искусственного интеллекта. Всё подтвердили документально, текстом Executive Order, документами NIST, объявлениями о грантах NSF, так что офицеру не пришлось объяснять важность темы, достаточно было сослаться на существующую государственную повестку.
Дополнительно сослались на публичные заявления представителей нескольких федеральных агентств о нехватке квалифицированных инженеров в области AI safety, приведя это как ещё один независимый источник, помимо самого Executive Order, подтверждающий, что тема не просто важна в теории, но и признана дефицитной областью на практике.
Отдельно показали, что интерпретируемость нейронных сетей, узкое направление внутри AI safety, которым занимается Арам, прямо упоминается в NIST AI Risk Management Framework как одно из требуемых свойств надёжных AI-систем. Эта прямая текстовая привязка узкой специализации заявителя к формулировкам официального документа оказалась сильнее общих рассуждений о важности AI safety в целом.
Второй prong: позиционирование заявителя
Магистратура из American University of Armenia закрыла формальный порог образования, а измеримые метрики, звёзды на GitHub, число зависимых проектов, академические цитирования, участие в EleutherAI и презентация на NeurIPS, показали реального практика с измеримым влиянием, а не теоретика без применения. Четыре рекомендательных письма усилили эту картину: от исследователя Anthropic, знакомого с библиотекой, от профессора MIT CSAIL, процитировавшего её в своей работе, от технического лидера EleutherAI и от директора некоммерческой организации в сфере AI governance.
Каждое письмо строилось вокруг одного конкретного эпизода использования библиотеки автором письма, а не общей похвалы Араму как специалисту. Исследователь Anthropic описал, как использовал инструмент при внутреннем аудите одной из моделей, профессор MIT CSAIL рассказал, в какой именно своей публикации сослался на библиотеку и почему выбрал именно её среди альтернатив. Конкретика в письмах оказалась важнее авторитетности самих подписантов, даже одно подробное описание реального случая использования перевешивало громкое имя без конкретного примера.
Третий prong: баланс интересов
AI safety инженеры находятся в критическом дефиците в США по данным нескольких федеральных источников, а Арам показал себя специалистом с открытым и проверяемым вкладом, доступным всей индустрии, а не одному работодателю. Долгий процесс labor certification плохо соответствует скорости, с которой развивается область AI safety, и искусственно привязал бы специалиста к одной компании вместо продолжения открытой работы, приносящей пользу всей отрасли.
Дополнительно показали, что многие компании, зависящие от библиотеки Арама, вообще не имеют формальных трудовых отношений с ним и никогда не смогут выступить работодателем-спонсором, при этом продолжают получать пользу от его работы. Стандартная логика PERM, обосновать необходимость конкретного специалиста для конкретной вакансии, плохо описывает ситуацию, когда реальная польза распределена между десятками организаций одновременно.
Слабое место и как его закрыли
Основным пробелом на старте было отсутствие формального академического послужного списка, PhD, диссертации, списка рецензируемых публикаций в привычном виде. Вместо того чтобы имитировать академический профиль, стратегия строилась на противоположном: показать, что измеримое влияние через открытый код и цитирования само по себе является достаточным и даже более убедительным доказательством для быстро развивающейся прикладной области, где формальная академическая система ещё не успевает за скоростью развития самой дисциплины.
Отдельно проработали вопрос армянского гражданства и связи с политикой США в этой узкой стране: Армения имеет давние программы технологического сотрудничества с США, включая гранты для местных IT-специалистов и присутствие американских технологических компаний в Ереване, что дополнительно усилило аргумент о встроенности деятельности Арама в существующие каналы сотрудничества, а не о разовом случае.
Ещё одним слабым местом на старте было отсутствие формального письма от текущего работодателя, небольшого стартапа, не желавшего вмешиваться в иммиграционные дела сотрудника. Вместо того чтобы настаивать на таком письме, собрали доказательства независимо от него, письма от исследователя Anthropic, профессора MIT и лидера EleutherAI не требовали участия работодателя Арама вообще, что показало устойчивость стратегии даже без поддержки со стороны текущего места работы.
Почему не EB-1A и не H-1B через компанию
EB-1A обсуждали в первую очередь, поскольку и там, и в NIW не требуется трудовой спонсор. Но десять критериев Kazarian требуют премий международного уровня, судейства в привычном виде или членства в ассоциациях с исключительным отбором. У Арама не было премий, а судейство сводилось к обработке шести pull request от сторонних разработчиков, что слишком слабо для уверенного прохождения этого критерия. Открытый код и цитирования, ключевые сильные стороны Арама, куда органичнее ложились в тест Dhanasar, не требующий формального списка критериев вообще. Подробное сравнение категорий разобрано в материале NIW или EB-1A.
Отдельно рассматривали, можно ли переквалифицировать презентацию на NeurIPS как участие в судействе научных работ, но воркшоп предполагал представление собственного инструмента, а не оценку чужих исследований, поэтому натягивать этот эпизод под критерий судейства EB-1A означало бы создавать искусственную и легко оспариваемую конструкцию вместо честного нарратива, построенного на реально сильных сторонах профиля.
H-1B через работодателя тоже обсуждали, но Арам работал как независимый разработчик открытого проекта параллельно с фултайм позицией в небольшом стартапе, не готовом инвестировать в дорогостоящий процесс H-1B cap лотереи с неопределённым результатом. NIW не зависел ни от лотереи, ни от готовности конкретного работодателя тратить ресурсы на подачу.
Отдельно оценивали и вариант с O-1A как временным решением до подачи на постоянный статус. O-1A требовал бы либо агента, либо работодателя-спонсора для подачи петиции, а сама виза давала бы лишь временный статус с необходимостью продления каждые три года. В итоге O-1A использовали не как альтернативу NIW, а как промежуточный статус на время рассмотрения I-485, что позволило Араму переехать в США быстрее, не дожидаясь завершения всего иммиграционного процесса и не рискуя потерей легального статуса дома.
Cover Letter
Нарратив строился на связке между конкретной государственной политикой, Executive Order on AI Safety, и конкретным измеримым вкладом заявителя в инструменты, которые эту политику технически поддерживают: интерпретируемость нейронных сетей напрямую связана с возможностью контролировать и понимать поведение AI-систем, то есть с самой сутью AI safety как направления в целом.
Письмо показывало Арама не как ещё одного ML-инженера, а как одного из немногих специалистов, чей открытый инструмент реально используется десятками исследовательских команд для решения именно этой государственно значимой задачи. Отдельно подчеркнули количественную сторону вклада: 2 100 звёзд, 90+ зависимых проектов, 12 цитирований, каждая цифра сопровождалась пояснением, что она означает на практике, чтобы избежать впечатления, что метрики приведены просто для красоты пакета.
Отдельный абзац письма разбирал конкретный пример применения библиотеки: один из исследовательских проектов, зависящих от инструмента Арама, использовал его для аудита предвзятости языковой модели перед публичным релизом, и без инструментов интерпретируемости такого рода команда не смогла бы обнаружить проблему до выхода продукта. Этот пример перевёл абстрактную идею «AI safety» в конкретный, понятный офицеру сценарий предотвращённого вреда.
Отдельно письмо разбирало возможное возражение офицера, зачем нужен именно этот специалист, если AI safety занимаются тысячи исследователей по всему миру. Ответ строился на узкой специализации Арама в интерпретируемости конкретного класса моделей, редком сочетании практических навыков разработки инструментов и теоретического понимания вопросов безопасности AI, которое в равной мере редко встречается и среди чистых исследователей, и среди чистых инженеров.
Хронология подачи от начала до конца
Этап 1: аудит документов и выбор категории
Первые три недели ушли на сопоставление профиля Арама с десятью критериями EB-1A и тремя prong NIW. Слабое судейство сразу отсекло EB-1A, а сильные метрики открытого кода и цитирования указали на NIW как основной и наиболее реалистичный путь.
Этап 2: сбор метрик и рекомендательных писем
Около двух месяцев заняли выгрузка полной статистики GitHub Dependents, Google Scholar и менеджера пакетов, а также переписка с четырьмя авторами рекомендательных писем, включая исследователя Anthropic и профессора MIT CSAIL. Контакт с исследователем Anthropic наладили через сообщество EleutherAI, где оба состояли участниками задолго до подачи петиции, что упростило саму просьбу о письме.
Этап 3: Petition Letter и подача I-140
Подготовка письма заняла около месяца, включая несколько раундов правок формулировок под язык NIST AI Risk Management Framework. I-140 подали без Premium Processing, поскольку срочности в переезде не было.
Этап 4: одобрение и переход к I-485
Петиция одобрена без RFE через 6 месяцев. Приоритетная дата оказалась текущей для Армении, что позволило подать I-485 сразу же после одобрения I-140, не дожидаясь дополнительного продвижения очереди по данной категории.
Результат подачи
Арам переехал в США по визе O-1A уже через несколько недель после одобрения I-140, пока ожидал рассмотрения I-485, и продолжил развивать ту же открытую библиотеку уже как штатный сотрудник исследовательской команды в США. Рассмотрение I-485 заняло ещё около 11 месяцев, за это время число зависимых проектов у библиотеки выросло со 90 до более чем 130, что впоследствии не потребовалось для самой петиции, но подтвердило устойчивую динамику влияния, описанную в первоначальной заявке.
Сочетание AI safety как прямого приоритета политики США, реального open source вклада и измеримых метрик вместо формального PhD сработало без единого запроса дополнительных документов. Сейчас Арам продолжает поддерживать библиотеку как часть своей рабочей нагрузки в новой компании и уже добавил двух соавторов из числа бывших контрибьюторов открытого проекта.
Через год после переезда Арам выступил ещё на двух отраслевых конференциях по AI safety уже как приглашённый спикер, а не рядовой участник открытого воркшопа, что стало естественным продолжением траектории, описанной в петиции. Его пример показывает, что для быстро развивающихся технических областей формальная научная степень значит меньше, чем проверяемое и растущее влияние на профессиональное сообщество.
Типичные ошибки ML-инженеров и AI-специалистов при подаче NIW
Пытаться имитировать академический профиль вместо усиления реального опыта
Специалисты без PhD иногда пытаются искусственно нарастить академический вес профиля, поступая в аспирантуру или добиваясь соавторства в чужих статьях ради формальной строчки в резюме. Куда эффективнее показать реальную силу профиля через измеримое влияние открытого кода, как это сделал Арам, вместо копирования чужого шаблона заявителя. Год или два, потраченные на имитацию академического пути, часто обходятся дороже, чем просто собрать доказательства уже существующего практического вклада.
Считать бренд работодателя важнее собственного вклада
ML-инженеры без опыта в известных компаниях вроде OpenAI или DeepMind иногда решают, что офицер не оценит их работу без такого бренда в резюме. USCIS оценивает измеримое влияние конкретной работы, а не репутацию работодателя, и независимый открытый проект с проверяемыми метриками может быть сильнее гипотетической позиции в известной компании. Погоня за престижным брендом работодателя ради самой строчки в резюме нередко отнимает год или больше без гарантированного результата.
Недооценивать значение живого, поддерживаемого проекта
Разовый релиз кода без дальнейшей поддержки читается офицером иначе, чем проект с непрерывной историей коммитов и обработкой pull request от сторонних участников. История активности библиотеки за три года стала для Арама доказательством серьёзности вклада не меньшим, чем сами метрики популярности.
Собирать письма только от знакомых по работе
Технические специалисты часто ограничиваются письмами от коллег по своей же компании или команде, даже когда есть возможность получить письмо от независимого исследователя или практика, знакомого с работой через открытое сообщество. Именно письма от людей, не связанных с Арамом трудовыми отношениями, исследователя Anthropic и профессора MIT, оказались самыми весомыми для второго prong.
Если ваш профиль измеряется звёздами на GitHub, а не научной степенью, не пытайтесь подгонять его под чужой шаблон. Пройдите квиз, чтобы увидеть маршрут под собственный профиль.
Пройти квиз, 2 минутыЧастые вопросы
Нужен ли патент для NIW в области AI?
Нет. Проверяемые метрики использования открытого кода: звёзды, зависимые проекты, цитирования, скачивания, работают как самостоятельное доказательство вклада без необходимости патентовать технологию. Патентование к тому же плохо совместимо с самой философией открытого кода, на которой строился весь профиль Арама.
Можно ли подавать NIW, продолжая работать в стартапе на обычной позиции?
Да, NIW через self-petition подаётся независимо от текущего трудового статуса. Арам продолжал работать в стартапе на протяжении всего процесса подачи и рассмотрения, ни разу не обсуждая иммиграционные документы с руководством компании.
Как показать национальную значимость узкой технической темы вроде interpretability?
Найдите прямую текстовую привязку к официальным государственным документам, отчётам или программам. В деле Арама решающим стало упоминание интерпретируемости именно в NIST AI Risk Management Framework, а не общие рассуждения о важности AI safety.
Учитывается ли гражданство заявителя или размер его родной страны при оценке национальной значимости?
Нет, тест Dhanasar оценивает саму деятельность и её значимость для США, а не страну происхождения заявителя или размер её технологической индустрии. Существующие каналы технологического сотрудничества между родной страной специалиста и США могут усилить аргументацию, но их отсутствие не блокирует петицию.
Что делать, если текущий работодатель не готов участвовать в петиции?
Собирать рекомендательные письма и доказательства независимо от работодателя. NIW через self-petition не требует участия текущего нанимателя вообще, а письма от независимых экспертов и участников профессионального сообщества часто оказываются даже более убедительными для офицера, чем формальное письмо от начальства.
Учитываются ли открытые репозитории на GitHub как самостоятельное доказательство влияния?
Да, при условии, что метрики подкреплены контекстом: количеством зависимых проектов, использованием кода в других значимых разработках, упоминаниями в профессиональном сообществе, а не изолированным числом звёзд.
Нужна ли степень PhD для NIW в сфере AI?
Нет, если применяется путь через exceptional ability или через сочетание бакалаврской степени и достаточного профессионального опыта, эквивалентного магистерской подготовке.
Можно ли использовать участие в open source проектах как критерий судейства?
Да, если заявитель ревьюил чужой код, принимал решения о принятии pull request или участвовал в отборе технических предложений на уровне проекта с признанной репутацией.
Что это значит для вас
Если ваш вклад в индустрию измеряется звёздами на GitHub и цитированиями, а не дипломом исследователя, стоит в первую очередь искать прямую связь узкой технической темы с существующим приоритетом государственной политики США, а не пытаться нарастить академический профиль искусственно. Похожая логика видна в кейсе NIW для IT-разработчика, где решающим тоже стал измеримый эффект открытого кода, а не научная степень, и в кейсе NIW для инженера-энергетика, построенном на прикладном, а не академическом вкладе.
Общий обзор категории для технических специалистов собран в разделе NIW для IT-специалиста, а профильные требования можно свериться в материалах по профессии IT-специалист. Разница между self-petition и путём через работодателя подробно разобрана в сравнении NIW и PERM, если вы сомневаетесь, стоит ли просить текущую компанию о спонсорстве или двигаться независимо.
Если ваш вклад в индустрию измеряется звёздами на GitHub и цитированиями, а не дипломом исследователя, разбор кейса поможет понять, как связать его с актуальным приоритетом государственной политики США, будь то AI safety, кибербезопасность или другая быстро развивающаяся техническая область.