https://reputo.net/zh-tw/jobs/researcher/Recent content in 研究員 (Researcher) on Reputo | 學生職業指南 + 學習工具Hugozh-twTue, 21 Jul 2026 00:00:00 +0000https://reputo.net/zh-tw/jobs/researcher/specializations/industry-ai-lab-transition/Tue, 21 Jul 2026 00:00:00 +0000https://reputo.net/zh-tw/jobs/researcher/specializations/industry-ai-lab-transition/<h2 id="為什麼這個領域重要">為什麼這個領域重要</h2> <p>2026年一年之內，史丹佛、柏克萊和哈佛共有22位教授轉入前沿AI實驗室：OpenAI六位、Anthropic五位、Meta六位、Google DeepMind五位，另有五位宣布秋季學期離任。光是哈佛SEAS一處，與計算機科學相關的43位終身職軌教授中就有12位在最近五年內兼任或擔任過產業界職位。</p> <p>推動這股潮流的不只是薪酬。訓練前沿模型需要數億美元等級的GPU叢集，大學實驗室能做的實驗與前沿實驗室能做的實驗之間出現了物理性的落差。對想在真實規模上驗證假設的研究者而言，選項被壓窄了。薪酬差距疊加在這之上，資深研究者的整體待遇是終身教職薪水的數倍。</p> <p>所以這不是一條招募新聞，而是路徑本身的重構。那些選擇研究題目、培養下一代、並對已部署系統提供獨立審視的人正往同一個方向移動。對在讀博士與博士後而言，留在學界不再是預設答案。產業實驗室的研究職已經成為獨立的職涯軌道，而這條軌道有自己的評價標準。</p> <h2 id="所需技能">所需技能</h2> <p>最大的差別在於產出的單位。學界的交付物是一篇論文，實驗室的交付物是一個模型、一套評測框架，或是訓練基礎設施上一次可量化的改進。把研究想法一路推到可執行的程式碼，比論文數量更受重視。親手做過大規模分散式訓練、資料管線與實驗管理，是實打實的門檻。</p> <p>第二是評測設計。前沿實驗室的瓶頸與其說是造模型，不如說是判斷模型是否真的變好了。基準飽和之後，就得自己設計下一種度量方式，受過實驗設計訓練的學界出身者在這裡優勢明顯。統計顯著性、干擾因素控制、可重現性這些基本功可以直接遷移。</p> <p>第三是協作規模。大學實驗室是三到七人，實驗室的專案常常數十人。你從接近獨著的工作方式，轉到自己的貢獻只是整體一塊的結構，需要讀懂內部的貢獻認定機制而不是作者排序。因為不適應這一點而回流的人，比因技術不足而回流的更多。</p> <p>安全與政策判斷也愈來愈成為要求。一旦處理會上線的系統，研究判斷就等於產品判斷，你會站在決定公開什麼、公開到什麼程度的位置上。在學界公開是預設，在這裡是需要權衡的決定。</p> <h2 id="職業路徑">職業路徑</h2> <p>最常見的入口是博士畢業後的研究科學家或研究工程師。兩個職稱的邊界因實驗室而異，但大體上工程師負責基礎設施與訓練管線，科學家負責問題定義與評測。兩邊都做過的人後來走向團隊負責人。不確認這個區別就投遞，最後做著與預期不符的工作，是很常見的錯配。</p> <p>從教職轉過去通常以資深員工或研究負責人身分加入。這裡會分成徹底關閉原有實驗室的全面轉移，和以兼職形式保留在讀學生的部分轉移。部分轉移對學生更友善，但兼職規定因機構而異，簽約前必須確認。留下來的研究生指導空缺是真實存在的成本，愈來愈多人把這一項寫進轉職條件的談判裡。</p> <p>三到五年之後有三條岔路：在實驗室內部帶團隊的管理路線，作為個人貢獻者深挖某一問題的資深路線，以及帶著實驗室經驗去創業或回到學界。最後一條近年在增加，因為大規模訓練的資歷會成為回到學界時爭取算力的籌碼。</p> <p>如果要準備作品集，可重現的成果比論文更有說服力。針對公開模型的評測框架、訓練程式碼、坦誠的失敗分析報告，在審查中讀起來更有分量。開源貢獻同理。實驗室買的是得出結論的方法，而不是結論本身。</p>https://reputo.net/zh-tw/jobs/researcher/specializations/ai-drug-discovery/Fri, 26 Jun 2026 00:00:00 +0000https://reputo.net/zh-tw/jobs/researcher/specializations/ai-drug-discovery/<h2 id="為什麼這個領域重要">為什麼這個領域重要</h2> <p>一款新藥走到上市，通常要花十年以上，耗資數十億。其中大部分都消耗在最早的一步，找到一個值得推進的分子。數百萬個候選裡，能進入臨床的寥寥無幾，而這少數大多還是以失敗收場。機器學習正在改寫這道算術題。2020年，DeepMind的AlphaFold攻克了懸置五十年的蛋白質摺疊難題，僅憑胺基酸序列就能在幾分鐘內預測出三維結構，「先有結構才能設計藥物」這個瓶頸本身就此消失。</p> <p>資本隨即湧入。字母表旗下的Isomorphic Labs以AlphaFold 3為基礎，與禮來、諾華簽下約30億美元的合作，並正在準備首批AI設計藥物的臨床試驗。領英共同創辦人里德·霍夫曼與腫瘤學家悉達多·穆克吉於2025年創立Manas AI，憑2460萬美元種子輪，從乳癌、前列腺癌與淋巴瘤切入。Recursion、Xaira、Eikon、Generate Biomedicines，一批把機器學習和生物學放進同一支團隊的公司接連出現。在台灣與香港，從學研機構的計算生物學社群到生技新創，也在朝同一條賽道靠攏。</p> <p>它們要的都是同一種人：能從實驗和資料兩頭判斷模型吐出的分子是否真在細胞裡有效、有沒有毒性、能不能合成的研究員。既不是純粹的機器學習研究者，也不是純粹的藥物化學家，而是一個能講兩種語言的人。</p> <h2 id="所需技能">所需技能</h2> <p>這份工作的核心是雙語能力。你能搭出深度學習模型，同時又能讀懂它的輸出在生物學上是否說得通。只擅長一頭，就只是半個研究員。</p> <ul> <li><strong>分子與蛋白質表示及化學資訊學。</strong> 用SMILES或圖來表示分子，用RDKit處理，預測ADMET(吸收、分布、代謝、排泄、毒性)。定量判斷「這個分子能不能合成、有沒有成藥性」是基本功。</li> <li><strong>結構生物學與分子對接。</strong> 理解蛋白質與配體的結合，把AlphaFold一脈的結構預測和分子對接用到真實標靶上。你得能驗證預測出的結合姿態在物理上是否合理。</li> <li><strong>生成模型。</strong> 駕馭能從頭生成分子的擴散與生成模型，以及蛋白質設計模型。以目標性質為條件去搜尋候選空間，正是這個領域的最前沿。</li> <li><strong>雜亂的實驗資料。</strong> 生物資料小、偏、雜訊大。每次試驗的測定條件都不同，陰性資料幾乎從不公開。懂得這些侷限並加以因應，往往比模型架構更重要。</li> <li><strong>熟悉濕實驗閉環。</strong> 要知道設計-合成-測試-分析(DMTA)循環在真實實驗室裡怎麼轉。和實驗檯前的科學家講同一種語言，一起決定下一個實驗跑什麼。</li> </ul> <h2 id="職業路徑">職業路徑</h2> <p>入行有兩條路。生物或化學博士補上機器學習再轉過來，或者從電腦、機器學習一側出發，扎進生物學。無論哪條，目標都是成為「翻譯者」，能在模型的語言和實驗檯的語言之間雙向搬運的人。招聘時最硬的一張牌，是真的在一個專案裡把這兩頭接通過。</p> <p>需求毫不含糊。從全球大藥廠(禮來、諾華、武田)到AI生技新創，都在大力招聘化學資訊學、結構生物學、AI代理與ADMET建模的人才。在美國，生成式AI製藥職位平均年薪約11萬美元，博士級資深者遠高於此。台灣與香港這邊，傳統藥廠、生技新創與學研機構從兩端開出席位。但要注意，多數真正的研究職位仍然要求博士學位，這與其說是一次快速轉職，不如說是一次賽道的重新設計。</p> <p>最快的自證方式，是用公開資料親手跑通一整輪。在ChEMBL或Tox21這樣的資料集上搭一個預測分子毒性或活性的模型，用RDKit處理分子，再給一個公開蛋白質結構接上對接。完整跑通這一小輪的經歷，在面試裡勝過履歷上任何一個關鍵詞。</p>