https://reputo.net/zh-cn/jobs/researcher/Recent content in 研究员 (Researcher) on Reputo | 学生职业指南 + 学习工具Hugozh-cnTue, 21 Jul 2026 00:00:00 +0000https://reputo.net/zh-cn/jobs/researcher/specializations/industry-ai-lab-transition/Tue, 21 Jul 2026 00:00:00 +0000https://reputo.net/zh-cn/jobs/researcher/specializations/industry-ai-lab-transition/<h2 id="为什么这个领域重要">为什么这个领域重要</h2> <p>2026年一年之内，斯坦福、伯克利和哈佛共有22位教授转入前沿AI实验室：OpenAI六位，Anthropic五位，Meta六位，Google DeepMind五位，另有五位宣布秋季学期离任。仅哈佛SEAS一处，与计算机科学相关的43位终身轨教授中就有12位在最近五年内兼任或担任过产业界职位。</p> <p>推动这股潮流的不只是薪酬。训练前沿模型需要数亿美元级别的GPU集群，高校实验室能做的实验与前沿实验室能做的实验之间出现了物理性的落差。对想在真实规模上验证假设的研究者来说，选项被压窄了。薪酬差距叠加在这之上，资深研究者的整体待遇是终身教职薪水的数倍。</p> <p>所以这不是一条招聘新闻，而是路径本身的重构。那些选择研究问题、培养下一代、并对已部署系统提供独立审视的人正在向一个方向移动。对于在读博士和博士后而言，留在学界不再是默认答案。产业实验室的研究岗已经成为独立的职业轨道，而这条轨道有自己的评价标准。</p> <h2 id="所需技能">所需技能</h2> <p>最大的差别在于产出的单位。学界的交付物是一篇论文，实验室的交付物是一个模型、一套评测框架，或者训练基础设施上的一次可量化改进。把研究想法一路推到可运行的代码，比论文数量更受重视。亲手做过大规模分布式训练、数据管线和实验管理，是实打实的门槛。</p> <p>第二是评测设计。前沿实验室的瓶颈与其说是造模型，不如说是判断模型是否真的变好了。基准饱和之后，就得自己设计下一种度量方式，受过实验设计训练的学界出身者在这里优势明显。统计显著性、混杂因素控制、可复现性这些基本功可以直接迁移。</p> <p>第三是协作规模。高校实验室是三到七人，实验室的项目常常几十人。你从接近独著的工作方式，转到自己的贡献只是整体一块的结构，需要读懂内部的贡献认定机制而不是作者排序。因为不适应这一点而回流的人，比因技术不足而回流的更多。</p> <p>安全与政策判断也越来越成为要求。一旦处理会上线的系统，研究判断就等于产品判断，你会站在决定公开什么、公开到什么程度的位置上。在学界公开是默认，在这里是需要权衡的决定。</p> <h2 id="职业路径">职业路径</h2> <p>最常见的入口是博士毕业后的研究科学家或研究工程师。两个头衔的边界因实验室而异，但大体上工程师负责基础设施与训练管线，科学家负责问题定义与评测。两边都做过的人后来走向团队负责人。不确认这个区别就投递，最后做着与预期不符的工作，是很常见的错配。</p> <p>从教职转过去通常以资深员工或研究负责人身份加入。这里会分成彻底关闭原有实验室的全面转移，和以兼职形式保留在读学生的部分转移。部分转移对学生更友好，但兼职规定因机构而异，签约前必须确认。留下来的研究生指导空缺是真实存在的成本，越来越多的人把这一项写进转职条件的谈判里。</p> <p>三到五年之后有三条岔路：在实验室内部带团队的管理路线，作为个人贡献者深挖某一问题的资深路线，以及带着实验室经验去创业或回到学界。最后一条近年在增加，因为大规模训练的履历会成为回到学界时争取算力的筹码。</p> <p>如果要准备作品集，可复现的成果比论文更有说服力。针对公开模型的评测框架、训练代码、坦诚的失败分析报告，在评审中读起来更有分量。开源贡献同理。实验室买的是得出结论的方法，而不是结论本身。</p>https://reputo.net/zh-cn/jobs/researcher/specializations/ai-drug-discovery/Fri, 26 Jun 2026 00:00:00 +0000https://reputo.net/zh-cn/jobs/researcher/specializations/ai-drug-discovery/<h2 id="为什么这个领域重要">为什么这个领域重要</h2> <p>一款新药走到上市，通常要花十年以上，耗资数十亿。其中大部分都消耗在最早的一步，找到一个值得推进的分子。数百万个候选里，能进入临床的寥寥无几，而这少数大多还是以失败收场。机器学习正在改写这道算术题。2020年，DeepMind的AlphaFold攻克了悬置五十年的蛋白质折叠难题，仅凭氨基酸序列就能在几分钟内预测出三维结构，&ldquo;先有结构才能设计药物&quot;这个瓶颈本身就此消失。</p> <p>资本随即涌入。字母表旗下的Isomorphic Labs以AlphaFold 3为基础，与礼来、诺华签下约30亿美元的合作，并正在准备首批AI设计药物的临床试验。领英联合创始人里德·霍夫曼与肿瘤学家悉达多·穆克吉于2025年创立Manas AI，凭2460万美元种子轮，从乳腺癌、前列腺癌和淋巴瘤切入。Recursion、Xaira、Eikon、Generate Biomedicines，一批把机器学习和生物学放进同一支团队的公司接连出现。中国这边，晶泰科技(XtalPi)、英矽智能(Insilico Medicine)等企业也在同一条赛道上加速。</p> <p>它们要的都是同一种人：能从实验和数据两头判断模型吐出的分子是否真在细胞里有效、有没有毒性、能不能合成的研究员。既不是纯粹的机器学习研究者，也不是纯粹的药物化学家，而是一个能讲两种语言的人。</p> <h2 id="所需技能">所需技能</h2> <p>这份工作的核心是双语能力。你能搭出深度学习模型，同时又能读懂它的输出在生物学上是否说得通。只擅长一头，就只是半个研究员。</p> <ul> <li><strong>分子与蛋白质表示及化学信息学。</strong> 用SMILES或图来表示分子，用RDKit处理，预测ADMET(吸收、分布、代谢、排泄、毒性)。定量判断&quot;这个分子能不能合成、有没有成药性&quot;是基本功。</li> <li><strong>结构生物学与分子对接。</strong> 理解蛋白质与配体的结合，把AlphaFold一脉的结构预测和分子对接用到真实靶点上。你得能验证预测出的结合姿态在物理上是否合理。</li> <li><strong>生成模型。</strong> 驾驭能从头生成分子的扩散与生成模型，以及蛋白质设计模型。以目标性质为条件去搜索候选空间，正是这个领域的最前沿。</li> <li><strong>杂乱的实验数据。</strong> 生物数据小、偏、噪声大。每次试验的测定条件都不同，阴性数据几乎从不公开。懂得这些局限并加以应对，往往比模型架构更重要。</li> <li><strong>熟悉湿实验闭环。</strong> 要知道设计-合成-测试-分析(DMTA)循环在真实实验室里怎么转。和实验台前的科学家讲同一种语言，一起决定下一个实验跑什么。</li> </ul> <h2 id="职业路径">职业路径</h2> <p>入行有两条路。生物或化学博士补上机器学习再转过来，或者从计算机、机器学习一侧出发，扎进生物学。无论哪条，目标都是成为&quot;翻译者&rdquo;，能在模型的语言和实验台的语言之间双向搬运的人。招聘时最硬的一张牌，是真的在一个项目里把这两头接通过。</p> <p>需求毫不含糊。从全球大药企(礼来、诺华、武田)到AI生物创业公司，都在大力招聘化学信息学、结构生物学、AI智能体和ADMET建模的人才。在美国，生成式AI制药岗位平均年薪约11万美元，博士级资深者远高于此。中国这边，传统药企与晶泰科技、英矽智能这类AI制药公司从两端开出席位。但要注意，多数真正的研究岗位仍然要求博士学位，这与其说是一次快速转行，不如说是一次赛道的重新设计。</p> <p>最快的自证方式，是用公开数据亲手跑通一整轮。在ChEMBL或Tox21这样的数据集上搭一个预测分子毒性或活性的模型，用RDKit处理分子，再给一个公开蛋白质结构接上对接。完整跑通这一小轮的经历，在面试里胜过简历上任何一个关键词。</p>