康龙化成
2026届-博士-AI算法工程师（成药性筛选方向）-北京总部
2026届-博士-AI算法工程师（成药性筛选方向）-北京总部
发布于 大约 7 小时前普通员工/个人贡献者
全职员工仅现场办公人工智能
人工智能
Pytorch
Tensorflow
分子生成
图神经网络
扩散模型
机器学习
深度学习
虚拟筛选
值不值得投
76综合评分
综合评分 76
博士岗位，前沿AI技术，发展空间大，但WLB未明确。
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
40K
比人工智能中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
68 个在招
市场机会
选择面较广
北京 · 人工智能 · 约 280 个在招
职位详情
关于这个职位
该职位是康龙化成北京总部面向2026届博士的AI算法工程师岗位，专注于药物研发中的成药性筛选方向
您将设计并开发机器学习/深度学习模型，应用于分子成药性预测、分子生成和虚拟筛选等核心场景，并与药物化学、生物学等跨学科团队协作，推动模型从数据准备到生产部署的全流程落地
该岗位提供系统的培训体系和明确的职业发展路径，适合希望在AI+药物研发领域深耕的博士人才
最低要求
机器学习、NLP、计算机、生物医学工程等相关专业，博士学历
拥有3年以上AI算法研发经验，其中至少1年涉及药物研发相关项目（如分子性质预测、分子生成、虚拟筛选、ADMET建模等）
精通主流机器学习/深度学习框架（PyTorch、TensorFlow等），熟悉图神经网络（GNN）、Transformer、扩散模型等架构
熟悉分子表示方法（SMILES、SELFIES、分子图、3D构象等），了解分子对接、分子动力学模拟等计算化学工具者优先
具备扎实的编程能力（Python），熟悉Linux开发环境，有分布式训练或模型部署经验者优先
优秀的沟通协作能力，能够与跨学科团队高效配合
工作职责
设计并开发用于药物研发的机器学习/深度学习模型，覆盖分子成药性预测、分子生成、虚拟筛选等核心场景
与药物化学、生物学、药代动力学专家协作，理解业务需求，定义技术问题，推动模型从数据准备到生产部署的全流程落地
持续跟踪前沿AI技术（如图神经网络、扩散模型、大语言模型、强化学习），评估其在药物研发特别是成药性筛选中的适用性并快速验证
建设模型评估体系，确保模型的准确性、泛化能力、可解释性及计算效率
协同数据工程师和生物信息学专家，优化训练数据质量与特征工程
参与技术团队建设，指导初级工程师，推动算法研发规范与流程优化
优先资格
有AI辅助药物发现实际项目经验（如成功优化先导化合物、预测ADMET性质等）
在顶级会议/期刊（NeurIPS、ICML、ICLR、J. Med. Chem.等）发表过相关论文
熟悉RDKit、OpenBabel、PyMol等化学信息学工具
有高通量筛选数据分析或药效/药代数据建模经验
AI 洞察
优缺点分析
优点
- 处于AI+药物研发的交叉领域，行业前景广阔，技术前沿性强
- 公司提供系统的培训体系，包括导师一对一制、英语培训和学术报告，有助于快速成长
- 明确的职业发展路径，有机会晋升至管理岗位并获得股权激励
- 与跨学科团队协作，能拓宽知识面，提升综合能力
- 对专业背景要求高，需要同时具备AI和药物研发知识，学习曲线陡峭
- 作为博士岗位，竞争激烈，需要具备扎实的研究能力和项目经验
- 适合具有博士学历，在AI算法和药物研发领域有深厚积累，热爱跨学科协作，追求技术前沿和职业成长的求职者
缺点 / 挑战
- 工作强度可能较大，需要持续跟踪前沿技术并快速验证，压力较大
角色解读
- 通过专业系统的培训，成长为行业内AI药物研发专家
- 发掘管理潜质，有机会晋升至管理岗位，获得股权激励
- 在康龙化成这样的跨国企业，可参与前沿项目，积累丰富经验，未来可向技术总监或首席科学家方向发展
- 设计并开发用于药物研发的机器学习/深度学习模型，覆盖分子成药性预测、分子生成、虚拟筛选等核心场景
- 与药物化学、生物学、药代动力学专家协作，理解业务需求，定义技术问题，推动模型从数据准备到生产部署的全流程落地
- 持续跟踪前沿AI技术，评估其在药物研发中的适用性并快速验证，同时建设模型评估体系
- 协同数据工程师和生物信息学专家优化训练数据质量与特征工程，并参与技术团队建设，指导初级工程师
- 精通主流机器学习/深度学习框架（PyTorch、TensorFlow等），熟悉图神经网络（GNN）、Transformer、扩散模型等架构
- 熟悉分子表示方法（SMILES、SELFIES、分子图、3D构象等），了解分子对接、分子动力学模拟等计算化学工具
- 具备扎实的编程能力（Python），熟悉Linux开发环境，有分布式训练或模型部署经验者优先
- 优秀的沟通协作能力，能够与跨学科团队高效配合
申请策略
- 了解康龙化成的业务方向和在AI药物研发领域的布局，在面试中展现对公司的认同
- 准备一个完整的项目案例，展示从数据准备到模型部署的全流程能力
- 突出博士研究方向与药物研发相关的项目经验，如分子性质预测、虚拟筛选等
- 强调精通PyTorch/TensorFlow等框架，以及图神经网络、Transformer等模型的实际应用案例
- 展示在顶级会议或期刊发表的相关论文，体现研究能力
- 提及熟悉RDKit、OpenBabel等化学信息学工具，以及分布式训练或模型部署经验
- 补充药物化学和计算化学知识，如分子对接、分子动力学模拟
- 熟悉化学信息学工具（RDKit、OpenBabel、PyMol）的使用
面试指南
- 采用STAR法则（情境、任务、行动、结果）回答项目经验类问题，突出个人贡献和成果
- 对于技术问题，先阐述基本原理，再结合具体应用场景，展示思考深度
- 对于协作类问题，强调沟通技巧和跨学科理解，举例说明如何解决分歧
- 请介绍一个你参与的药物研发相关AI项目，包括模型设计、数据来源和最终效果
- 如何评估一个分子成药性预测模型的泛化能力和可解释性？
- 你如何与药物化学家或生物学家协作，将业务需求转化为技术问题？
- 你对图神经网络在分子表示中的应用有何理解？请举例说明
- 如果让你设计一个分子生成模型，你会选择哪种架构，为什么？
职位点评
薪资福利75
成长发展90
工作生活50
使命价值85
薪资福利
75中等
该职位为博士岗位，薪资水平预计较高，且公司为上市跨国企业，福利体系可能较完善，但JD未明确具体薪资和福利细节。
薪资信号未披露（AI估算：30K-50K/月）
成长发展
90较高
该职位提供系统的培训体系（导师制、英语培训、学术报告）和明确的职业发展路径（专家或管理岗），技术前沿性强，发展性动机得到高度满足。
技术前沿前沿/新兴技术
技术栈机器学习、深度学习、图神经网络、Transformer、扩散模型、大语言模型、强化学习
成长机会新员工培训、在岗专业知识培训、导师一对一制、英语培训、学术报告、职业发展、晋升至管理岗位、股权激励
业务类型profit_center
工作生活
50较低
JD未提及工作模式、加班情况或办公地点类型，无法判断WLB，但作为研发岗位，可能面临一定的工作强度。
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
该职位直接参与药物研发，有助于推动新药发现，社会价值较高，且AI制药行业处于高速增长赛道，意义感动机得到较好满足。
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
Watch Jobs