
阿里巴巴
医学AI深度研究应用构建-阿里星
医学AI深度研究应用构建-阿里星
发布于 2 小时前普通员工/个人贡献者
全职员工仅现场办公AI算法
AI算法
Grpo
Ppo
Pytorch
Rft
Rlvr
Tensorflow
医学知识图谱
大模型
强化学习
值不值得投
78综合评分
综合评分 78
医学大模型前沿研究岗,技术成长和社会价值突出,办公模式与WLB信息未披露。
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估,方便横向比较。
薪资怎么样
6.3万
与AI算法中位数基本持平
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 5200 个在招 · 其中AI算法 约 110 个
市场机会
选择面较广
杭州 · AI算法 · 约 130 个在招
职位详情
关于这个职位
该岗位面向医学场景研发类DeepResearch大模型应用,重点解决科研启发、循证检索、临床决策支持与多模态医学信息融合问题
你将参与医学知识图谱、深度推理、证据链生成和安全可解释机制等核心能力建设,适合有大模型研究经验并关注医疗AI落地的算法人才
最低要求
计算机本科、硕士及以上学历,精通pytorch或tensorflow,具有人工智能、自然语言处理、大模型等方向的研究经验
熟悉先进大模型的算法原理,有丰富的大模型训练(pre-train/post-train)或数据样本合成方面的经验或技巧
自驱力强、有良好的协作能力,有医疗健康行业经验者优先
工作职责
具体工作目标如下:
深度理解医学知识: 系统能精准解析复杂的医学术语、概念、疾病机制、治疗方案及相互关系,构建医学知识图谱
循证信息精准检索与整合: 能够高效、准确地从海量、异构的医学文献数据库(如PubMed, 临床指南库、电子病历库等)、教科书、权威报告中检索、筛选、提取并整合与用户查询高度相关的循证医学证据(包括研究类型、结果、证据等级、局限性等)
科研思路启发与拓展: 能基于用户初步研究想法或关键词,识别相关领域的研究热点、空白、潜在合作者、新兴技术/方法,提出有价值的研究问题或假设,辅助科研设计
临床问题深度解答与决策支持: 针对复杂的临床场景(如罕见病诊断、复杂合并症处理、个体化治疗方案制定),能整合患者信息、最新指南和研究证据,提供推理过程透明、证据链清晰的鉴别诊断思路、治疗建议或决策依据,明确标注证据来源和强度
多模态信息处理:具备处理和分析文本、结构化数据(如实验室结果)、影像报告摘要等多模态医学信息的能力
安全性与合规性:确保系统输出符合医学伦理,尊重患者隐私,避免提供未经充分验证或可能有害的建议
用户友好性: 设计符合医生工作流的交互界面,提供清晰、结构化、可追溯的输出结果
核心研究问题如下:
医学知识表示与建模:如何最有效地构建、融合和动态更新一个覆盖广、深度够、关系准的医学领域知识图谱,使其能支撑复杂的推理任务?如何整合结构化知识(本体、术语库)与非结构化文献知识?
循证信息的高效精准检索与可信度评估: 如何设计针对医学文献和数据库的深度检索与排序算法,超越简单关键词匹配,实现基于语义理解、证据等级、研究质量、临床相关性的精准筛选?如何自动评估和标注检索结果的可信度、证据等级及潜在偏倚?
深度推理与证据链生成: 如何让AI系统像医学专家一样进行多步、因果、批判性推理?如何基于检索到的证据,自动构建清晰、逻辑严谨、支持最终结论或建议的证据链(Evidence Chain),并明确标注推理中的不确定性或证据缺口?
个性化与上下文感知: 如何让系统深度理解用户查询的意图和具体临床/科研上下文(如患者具体病情、医生专业领域、研究阶段)?如何基于此提供高度个性化、情境相关的信息和建议?
安全、伦理与可解释性:如何确保系统输出安全、合规、负责任?如何设计机制有效防止产生幻觉(Hallucination)、传播错误信息或提供有害建议?如何实现系统推理过程和结论的高度可解释性(Explainable AI - XAI),让医生能够理解和验证AI的结论?
多模态医学信息融合:如何有效融合和分析文本报告、结构化电子病历数据、影像学描述摘要等不同模态的医学信息,以支持更全面的推理?
人机协同与工作流集成: 如何设计交互模式,使该系统能无缝嵌入医生现有的科研和临床工作流程,实现高效的人机协作,而非额外负担?
优先资格
有大模型强化学习训练上有经验者优先,包括但不限于RFT、RLVR、PPO、GRPO等
在大模型方向有高质量(ACL、EMNLP、AAAI等)论文或开源项目产出者优先
有医疗健康行业经验者优先
AI 洞察
优缺点分析
优点
- 工作内容覆盖知识图谱、检索增强、强化学习、多模态融合和可解释AI,技术栈丰富,成长空间大
- 场景价值明确,直接服务医生科研和临床决策,有机会看到AI工具在真实专业场景中的落地效果
- 对高质量论文和开源项目有明确偏好,适合希望继续产出研究成果并推动产业应用的算法人才
- 研究问题复杂,涉及检索、推理、知识建模、多模态和人机协同多个模块,跨团队沟通和系统整合难度较大
- 适合具备大模型研究或训练经验、希望进入医疗AI高价值场景的算法工程师或研究员,尤其适合对循证医学、知识推理和可信AI有兴趣的人
缺点 / 挑战
- 岗位聚焦医学大模型与DeepResearch,是AI应用与医疗知识密集场景结合的前沿方向,技术挑战高
- 医学场景专业门槛高,需要理解复杂术语、疾病机制、指南证据和临床工作流,学习成本较高
- 系统必须控制幻觉、隐私风险和医学伦理风险,对安全性、可解释性和证据可信度要求极高
角色解读
- 可向医学大模型算法专家、AI推理与检索系统专家方向发展,深耕医疗知识表示、证据链推理和可信AI
- 可逐步承担核心技术路线设计,成长为医疗AI应用架构负责人或研究型技术负责人
- 未来也可拓展到AI产品化、临床决策支持、医学数据智能平台等方向,形成算法研究与行业场景结合的能力壁垒
- 研发医学领域DeepResearch系统,围绕医学文献、指南、病历等信息完成检索、筛选、整合和证据链生成,让系统能回答复杂科研与临床问题
- 构建和动态更新医学知识图谱,融合术语库、本体、文献知识和结构化医学数据,支撑多步推理与可解释决策
- 设计大模型训练与优化方案,包括预训练、后训练、数据样本合成、强化学习训练和幻觉抑制机制
- 与产品、医学专家和工程团队协作,将系统嵌入医生科研和临床工作流,保证输出安全、合规、可追溯
- 需要扎实的深度学习与大模型基础,熟悉Transformer、预训练、后训练、指令微调、数据合成等核心方法
- 需要熟练使用PyTorch或TensorFlow,并具备AI、NLP、大模型方向的研究或工程落地经验
- 强化学习训练经验是重要加分项,尤其是RFT、RLVR、PPO、GRPO等与大模型对齐和推理能力提升相关的方法
- 需要理解医学知识建模、循证医学、信息检索、可解释AI与安全合规,有医疗健康行业经验或高质量论文/开源项目更具优势
申请策略
- 申请时建议明确表达你对医学DeepResearch方向的兴趣,以及你希望解决的核心技术问题,而不是只强调通用大模型经验
- 关注岗位对安全、合规和医生工作流的重视,面试中可主动说明你如何设计评估指标来验证准确性、可追溯性和实用性
- 突出大模型训练与优化经历,尤其是预训练、后训练、指令微调、数据合成、强化学习训练等具体方法和成果
- 展示NLP、信息检索、知识图谱、RAG、多模态融合等相关项目,说明你在复杂知识推理系统中的实际贡献
- 如果有ACL、EMNLP、AAAI等论文或高质量开源项目,应放在显眼位置,并说明核心创新点和影响力
- 若有医疗健康、生物医学文本、临床数据或医学知识库经验,应具体说明处理过的数据类型、业务问题和落地效果
- 提前准备大模型推理增强相关能力,如检索增强生成、证据排序、证据链构建、幻觉检测和可解释性评估
- 补充医学AI基础认知,熟悉PubMed、临床指南、医学本体、证据等级和常见临床科研流程
面试指南
- 技术问题采用“问题定义—方案设计—数据构造—训练策略—评估指标—失败案例”的结构回答,体现完整闭环
- 医疗场景问题要强调证据来源、证据等级、可解释性和风险边界,避免把模型输出描述为确定性医学结论
- 项目经历回答时使用量化结果,例如准确率、召回率、人工评估提升、幻觉率下降或推理效率改善,并说明自己的具体贡献
- 如何设计一个医学文献检索与证据等级评估系统,使其超越关键词匹配并降低错误信息传播?
- 请介绍你做过的大模型预训练、后训练或数据合成项目,包括数据构造、训练策略和评估方法
- 如何构建或动态更新医学知识图谱,并让它支撑多步推理和证据链生成?
- 你如何理解RFT、RLVR、PPO、GRPO等方法在大模型推理能力提升中的作用?
- 面对医学场景中的幻觉和合规风险,你会从模型、数据和产品交互层面设计哪些防护机制?
职位点评
薪资福利78
成长发展92
工作生活55
使命价值88
薪资福利
78中等
JD未披露薪资与福利信息,因此补偿性动机只能基于岗位技术难度和城市市场做有限判断。该岗位属于高门槛大模型研究应用方向,通常对资深算法人才具备较强吸引力。
薪资信号未披露(AI估算:4.5千–8.0万/月)
成长发展
92较高
岗位覆盖医学知识图谱、循证检索、深度推理、强化学习、多模态融合和可解释AI,技术成长空间非常强。JD还明确提到高质量论文、开源项目和前沿训练方法,适合追求研究深度的人。
技术前沿前沿/新兴技术
技术栈人工智能、自然语言处理、大模型、pytorch、tensorflow、pre-train、post-train、数据样本合成、RFT、RLVR、PPO、GRPO、医学知识图谱、多模态、Explainable AI - XAI
业务类型ambiguous
工作生活
55较低
JD仅明确地点为杭州,未提及远程、弹性办公、双休或加班信息,因此生活化动机满足程度无法充分判断。工作地点信息明确到城市,但具体办公模式和节奏需进一步确认。
工作模式未明确
办公地点未明确
加班情况未提及(无法判断)
使命价值
88较高
岗位目标明确指向帮助医生拓宽科研思路、提升临床决策支持质量,并强调医学伦理、患者隐私和证据可靠性,社会价值较突出。其工作围绕医学专业场景展开,意义感强于一般通用AI工具开发。
行业发展新兴领域(暂难判断)
社会影响正向社会影响力较高
使命信号帮助医生拓宽科研思路、精准定位循证依据、提升AI工具的实用价值、显著提升医生在科研探索和临床决策支持方面的效率与质量、尊重患者隐私、符合医学伦理
创新程度积极采用新技术
阿里巴巴 的其他在招职位
相似职位推荐
Watch Jobs