ATH-生成建模高级专家-AI制药

优缺点分析

角色解读

• 纵向可成长为 AI 制药方向的技术负责人/研发总监，主导从模型到成药性验证的完整链路
• 横向可延展到更广义的生成式 AI、科学计算（AI for Science）与生物大模型方向
• 在交叉领域积累的论文与工程落地成果，对后续学术影响力或产业界高端岗位都具备较强迁移性
• 主导蛋白质/多肽/抗体结构生成的骨干模型（Odyssey）训练：数据管线对接、训练脚本、调参与收敛诊断
• 推动生成结果与生物约束对齐，包括偏好对齐、多目标优化、分布锚定等全流程落地
• 自研结构生成关键模块（如环化位置编码、坐标去噪、等变网络），并在多卡分布式环境下完成稳定训练
• 兼管 ML 基础设施小组，负责算力排期与组内研究员的任务分配、技术把关和梯队培养
• 扎实的生成模型功底，尤其是扩散模型与流匹配（Flow Matching）的一线研究或深度参与经验
• 熟悉蛋白结构域数据与工具链，能读懂 PDB/MSA/结构 token 等序列-结构双模态数据，了解 RFdiffusion、ProteinMPNN 等开源通路
• 具备分布式训练工程能力，能定位显存溢出、NaN、长尾中断与 checkpoint 恢复等问题，并做到 pipeline 版本化可复现
• 具备小团队管理与跨组协作能力，能在算力资源与多组需求冲突时做取舍判断

申请策略

• 该岗位偏研究与工程并重，投递时可在简历或邮件中附一份对生成骨干训练对齐路径的技术思考
• 面试前了解团队在 AI 制药上的公开成果与业务定位，便于在交流中提出有针对性的问题
• 突出你在扩散/流匹配方向的署名成果（论文一作/核心贡献者），写明具体方法贡献与实验效果
• 详细描述带队经历：团队规模、立项到收敛的周期、你负责的技术把关与人员分工
• 用项目细节证明“真自实现过”结构生成关键模块，如坐标去噪、等变网络、环化位置编码等
• 补充分布式训练工程案例：多卡规模、遇到的显存溢出/NaN/中断问题及解决方式、pipeline 可复现方案
• 提前熟悉 RFdiffusion、ProteinMPNN 等开源实现的代码结构与许可证限制（BSD/MIT/商用边界）
• 补强蛋白/多肽/抗体结构基础与环肽构象、环化拓扑相关知识，便于与成药性、物理组沟通

面试指南

• 技术问题用「背景—方案—对比—结果」结构回答：先说明问题约束，再讲你选的路线与替代方案，最后给出验证指标与结论
• 工程问题用「现象—定位路径—根因—长期机制」结构，强调你建立的排障流程和可复现规范，而不只是单次救火
• 管理与协作问题用「目标拆解—资源约束—决策依据—复盘」结构，体现你在多方需求冲突下的判断逻辑和沟通方式
• 请介绍你在扩散/流匹配方向最有代表性的一项工作，你在其中的具体贡献是什么？
• 如何把生成结果与生物约束（如可成药性、物理合理性）对齐？你会怎么设计偏好对齐与多目标优化方案？
• 如果要绕开 RFpeptides，自实现环化位置编码/坐标去噪模块，你的技术路线和验证方案是什么？
• 多卡分布式训练中出现显存溢出和 NaN，你会按什么顺序排查和解决？
• 当算法组需要更多算力、基础设施组资源紧张时，你如何做取舍并推动决策？