1、模型鲁棒性与对齐： 评估大模型在面对对抗性样本（Adversarial Examples）时的稳定性，通过微调或对齐技术提升模型抗干扰能力； 2、训练数据安全： 负责数据采集与预处理阶段的“投毒（Poisoning）”检测，防止攻击者在训练集中埋下后门或恶意逻辑； 3、模型资产保护： 设计模型权重（Weights）的加密存储与访问控制方案，防止模型被盗取、非法反向工程或被恶意提取参数； 4、Infra 与算力平台安全： 负责 AI 集群（K8s/容器）的安全加固，监控分布式训练环境下的横向移动风险，防止算力被盗用； 5、供应链安全： 建立 AI 开源组件与预训练模型文件的安全扫描体系，防止加载包含恶意脚本的模型文件（如 Pickle 反序列化漏洞）。 核心技术： 熟练掌握 Python/C++，深入理解 PyTorch 或 TensorFlow 的底层机制。 基础设施安全： 熟悉 Linux 系统安全、容器化技术（Docker/K8s）及云原生安全架构。 算法与数学： 具备较强的数学基础，了解对抗生成网络（GAN）、对抗攻击算法（如 FGSM, PGD）或联邦学习。 加分项： 熟悉可信计算（TEE/SGX）在 AI 领域的应用；在 AI 安全相关顶会（如 USENIX, CCS, NeurIPS 等）有研究成果。