康龙化成
AI算法负责人/工程师
AI算法负责人/工程师
发布于 11 天前基层主管/组长
全职员工仅现场办公算法优化工程师
算法优化工程师
Admet
Pytorch
Tensorflow
分子生成
图神经网络
扩散模型
机器学习
药物研发
值不值得投
73综合评分
综合评分 73
前沿AI算法岗位，技术挑战高、成长性好，但WLB可能一般，适合有志于药物研发AI的候选人。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
3.3万
比算法优化工程师中位数低
发布情况
正常在招 · 10 天前发布
公司情况
这家公司招聘很活跃
约 690 个在招
市场机会
选择面较广
北京 · 算法优化工程师 · 约 240 个在招
职位详情
关于这个职位
该职位负责利用AI算法加速药物研发，包括设计分子成药性预测模型、分子生成和虚拟筛选等核心任务
需与药物化学、生物学等专家协作，推动模型从数据准备到生产部署的全流程落地，并持续跟踪前沿AI技术如图神经网络、扩散模型等以评估其在药物研发中的适用性
最低要求
NLP、机器学习、计算机、生物医学工程等相关专业硕士及以上学历，博士优先
国内外顶尖院校毕业（QS前100或国内985/211）
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
- 技术前沿：有机会应用图神经网络、扩散模型等最新AI技术解决真实药物研发问题，技术成长空间大
- 跨学科合作：与化学、生物学专家协作，拓宽知识面并提升综合能力
- 平台支持：公司已上市，资源相对稳定，有利于长期职业发展
- 领域知识门槛高：需要快速学习药物研发相关知识，对非生物医药背景者可能有一定难度
- 适合对AI算法和药物研发交叉领域有浓厚兴趣，具备扎实机器学习基础，且善于跨学科协作的求职者
缺点 / 挑战
- 行业价值：参与药物研发项目，成果可能直接贡献于新药发现，具有较高的社会意义
- 技术复杂度高：模型需兼顾准确性、可解释性和计算效率，在实际生产中部署和优化挑战较大
- 协作要求高：需频繁与不同专业团队沟通，对软技能要求较高
角色解读
- 技术专家路径：向高级算法科学家或AI架构师发展，专注于药物研发AI模型的创新与优化
- 管理路径：积累项目经验后，可晋升为AI团队负责人或研发总监，负责技术战略与团队建设
- 跨领域路径：结合AI与药物研发知识，转向药物发现项目管理或生物信息学研究等方向
- 设计并开发用于药物研发的AI模型，如分子成药性预测和虚拟筛选，以加速新药发现过程
- 与跨学科专家（药物化学、生物学等）协作，将业务需求转化为技术方案，并推动模型在生产环境中的部署
- 持续探索前沿AI技术（如图神经网络、扩散模型），评估其在药物研发中的应用潜力并快速验证
- 精通机器学习/深度学习框架（如PyTorch、TensorFlow），并熟悉图神经网络、Transformer等模型架构
- 掌握分子表示方法（如SMILES、分子图）和计算化学工具，具备药物研发领域知识
- 熟练的Python编程能力及Linux环境开发经验，有分布式训练或模型部署经验更佳
- 优秀的跨学科沟通协作能力，能有效推动团队项目进展
申请策略
- 研究康龙化成的业务方向和AI研发重点，在面试中展示对其药物研发流程的理解
- 准备具体案例，说明如何解决药物研发中的AI挑战，如数据稀缺、模型可解释性等
- 突出AI算法在药物研发相关项目中的应用经验，如分子性质预测、ADMET建模等具体成果
- 详细列出精通的技术栈（PyTorch、GNN等）和编程能力，强调Linux环境及分布式训练经验
- 如有相关论文发表或顶级会议参与经历，应重点标注
- 同时展示跨学科合作案例
- 补充药物研发基础知识，如分子对接、药代动力学等概念，以便更好理解业务需求
- 深入学习图神经网络、扩散模型等前沿架构在化学信息学中的应用，并尝试实践项目
面试指南
- 使用STAR法则（情境、任务、行动、结果）结构化回答项目经验，突出技术细节和业务影响
- 强调技术深度与领域知识的结合，说明模型选择理由、优化方法和验证过程
- 展示沟通协作能力，举例说明如何与非技术人员有效合作推动项目进展
- 请描述一个你参与的药物研发AI项目，你是如何设计模型并解决具体问题的？
- 如何处理药物研发中数据量小且标注困难的问题？
- 图神经网络在分子性质预测中的优势是什么？你如何优化其性能？
- 如何确保AI模型在药物研发中的可解释性，以支持决策？
- 与跨学科团队协作时，你遇到过哪些挑战，如何克服？
职位点评
薪资福利75
成长发展85
工作生活50
使命价值80
薪资福利
75中等
基于职位要求和北京市场水平，薪资具有竞争力，且公司已上市可能提供稳定福利。
薪资信号偏高 (2.5千–4万/月)
成长发展
85较高
职位涉及前沿AI技术应用，有明确技能成长机会和跨学科学习路径，但未明确提及内部培训或晋升通道。
技术前沿前沿/新兴技术
技术栈PyTorch、TensorFlow、图神经网络、扩散模型、分子生成
成长机会持续跟踪前沿AI技术、指导初级工程师
业务类型ambiguous
工作生活
50较低
JD未提及工作模式或WLB相关信号，可能为传统现场办公，生活化动机满足程度有限。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
80较高
药物研发领域具有明确社会价值，AI技术应用推动行业创新，使命感较强。
行业发展稳定成熟行业
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