康龙化成
2027届-博士-AI高级研究员-无锡/江阴/宁波
2027届-博士-AI高级研究员-无锡/江阴/宁波
发布于 5 小时前普通员工/个人贡献者
全职员工仅现场办公机器学习工程
机器学习工程
Gpu训练
Pytorch
分布式训练
多模态模型
大模型训练
混合精度
生物大模型
值不值得投
81综合评分
综合评分 81
上市巨头AI制药核心研发岗，技术前沿、成长空间大、社会价值高，但WLB未明确且工作强度可能较大。
从起薪待遇、成长路径、工作节奏和岗位方向综合评估，方便比较职业起点。
薪资怎么样
4万
比机器学习工程中位数高
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 720 个在招 · 其中机器学习工程 3 个
市场机会
选择适中
无锡 · 机器学习工程 · 15 个在招
职位详情
关于这个职位
该职位主要负责构建企业级生物大模型底座，涵盖模型架构选型、训练微调及计算平台搭建
你需要与生物科学家紧密协作，将AI技术应用于酶改造、抗体设计等核心新药研发场景，推动AI赋能生物制药业务落地
最低要求
博士及以上学历，计算机科学、机器学习、人工智能相关专业，211/985优先
具备深度学习与大模型训练经验，熟悉PyTorch等框架，掌握分布式训练、混合精度、并行策略与训练稳定性调参
具备大模型微调经验，理解泛化、过拟合控制与评估设计，能独立完成从数据到模型到指标的闭环
具备工程化能力，熟悉Linux与GPU训练环境，具备训练管线、推理服务、模型版本管理等实践经验
具备与生物科学家高效协作能力，理解生物数据特点与噪声来源，能将需求转化为清晰的任务定义与技术方案
良好的沟通表达与项目推进能力，能牵头跨团队协作并对交付质量负责
工作职责
生物大模型底座建设：牵头构建企业级生物大模型底座（蛋白语言模型/多模态模型），负责模型架构选型、训练范式设计与可扩展训练框架搭建，支撑酶改造、抗体设计等核心业务场景
训练与微调体系：设计并实现预训练、指令微调与参数高效微调策略，建立稳定的训练与评估流程，提升模型在酶改造、抗体设计等任务上的泛化能力与可解释性
生物数据体系建设：与AI蛋白设计科学家协作，制定生物数据与质量标准，建设数据清洗、去重、标注、采样、版本管理与追溯体系，沉淀可复用训练数据资产
计算平台搭建：搭建生物大模型的计算平台，统一提供模型训练与推理能力，包含任务调度、批量推理、缓存与并发管理、容错机制、日志与监控、资源与成本管控等模块，支持平台化调用与多项目复用，保障交付稳定性与成本可控
跨团队协作与赋能：与生物、实验、平台团队协作，明确接口与交付物，推动模型能力在项目中落地形成闭环
沉淀最佳实践并指导团队成员
AI 洞察
优缺点分析
优点
- 处于AI制药（AI4Science）这一前沿且极具潜力的交叉赛道，技术壁垒高
- 依托上市巨头企业的丰富生物数据与业务场景，模型落地机会多，容易产出实际业务价值
- 博士起点高，作为核心骨干牵头底座建设，能积累从0到1的大模型工程化经验
- 需要跨越计算机与生物学的学科鸿沟，理解生物数据噪声与业务逻辑具有一定难度
- 大模型底座建设与计算平台搭建工程量大，对系统架构与资源调度能力要求极高
- 适合具备扎实大模型训练经验、对AI制药交叉领域有浓厚兴趣，且具备较强工程化落地与跨学科沟通能力的博士毕业生
缺点 / 挑战
暂无明显挑战项
角色解读
- 纵向可发展为AI技术专家或首席科学家，深耕生物计算与AI制药领域
- 横向可转型为AI研发团队负责人，统筹大模型底座建设与跨部门技术赋能
- 牵头构建企业级生物大模型底座，负责模型架构选型与训练框架搭建
- 设计预训练与微调策略，搭建计算平台以支持模型训练与推理
- 与生物科学家跨团队协作，推动AI模型在酶改造、抗体设计等新药研发场景落地
- 扎实的深度学习与大模型训练功底，精通PyTorch及分布式训练、混合精度等技术
- 具备大模型微调与工程化落地能力，熟悉Linux与GPU训练环境
- 优秀的跨学科沟通能力，能理解生物数据特点并转化为技术方案
申请策略
- 提前了解康龙化成及佰翱得的业务布局，特别是其在AI制药和CRO领域的战略规划
- 准备一份关于生物大模型底座建设或计算平台架构的技术方案作为面试加分项
- 突出大模型预训练、微调（如LoRA、P-Tuning等）及分布式训练的实际项目经验
- 强调工程化能力，如GPU集群管理、训练管线搭建、推理服务优化等
- 若有生物信息学、计算生物学或跨学科合作经验，务必重点展示
- 补充生物大模型（如蛋白质语言模型ESM等）及多模态模型的前沿论文与开源项目实践
- 深入了解AI在抗体设计、酶改造等具体生物场景中的应用逻辑与评估指标
面试指南
- STAR法则：针对工程与项目问题，按情境、任务、行动、结果结构化回答
- 技术深度+业务结合：回答技术问题时，务必结合生物制药的具体场景（如数据噪声、小样本等）进行阐述
- 在构建生物大模型底座时，你会如何进行模型架构选型与训练范式的设计？
- 针对酶改造或抗体设计任务，如何设计微调策略以提升模型的泛化能力与可解释性？
- 在分布式训练中，遇到过哪些训练稳定性问题？你是如何排查和解决的？
- 如何与缺乏计算机背景的生物科学家高效协作，将模糊的业务需求转化为清晰的技术方案？
- 复习大模型分布式训练、混合精度、参数高效微调的底层原理与PyTorch实现细节
- 调研当前AI制药领域的主流大模型（如AlphaFold、ESM等）及其局限性，形成自己的技术见解
职位点评
薪资福利85
成长发展90
工作生活60
使命价值85
薪资福利
85较高
博士学历叠加AI大模型热门方向，且公司为上市巨头，薪资福利具备较强市场竞争力。
薪资信号未披露（AI估算：3千–5万/月）
成长发展
90较高
岗位涉及企业级大模型底座从0到1建设，技术栈前沿，且能深入AI制药交叉领域，技术成长空间巨大。
技术前沿前沿/新兴技术
技术栈PyTorch、大模型训练、分布式训练、混合精度、参数高效微调、蛋白语言模型、多模态模型
成长机会指导团队成员
业务类型ambiguous
工作生活
60中等
JD未明确提及工作模式与加班情况，但作为大模型底座建设与跨团队协作的核心研发岗，工作强度可能较大。
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
85较高
致力于AI赋能新药研发，推动生物大模型在酶改造、抗体设计等场景落地，具有较高的社会价值与行业使命感。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
康龙化成 的其他在招职位
相似职位推荐
Watch Jobs