1、深厚的 AI 算法底座与数理基础： 在深度学习、图神经网络（GNN）、扩散模型/流匹配（Flow Matching）、强化学习等前沿方向有深入研究；具备数理基础（概率论、凸优化、统计物理等），对大模型底层架构、训练范式及生成机制有透彻理解。 2、AI4S / AIDD 交叉研究全链路经验： 具备 AI for Science (AI4S) 或 AI 药物研发（AIDD）背景；主导过从多模态生物数据构建、算法设计、干实验（Dry Lab）验证到湿实验（Wet Lab）反馈的端到端（End-to-End）研究闭环，能将领域先验知识（如分子动力学、蛋白质物化性质）有效融入模型设计。 3、工程实现与大规模算力优化能力： 精通 PyTorch / JAX 等主流框架，具备大规模分布式训练（如 Megatron, DeepSpeed）与推理加速经验；能独立开发复杂网络结构，具备算子级优化意识，能高效处理 PB 级多模态生物数据并保障计算效能。 4、敏锐的学术嗅觉与科研驱动力： 持续追踪 AI4S、计算生物学及大模型领域的最新前沿进展；具备独立定义科学问题、设计实验方案并产出高水平研究成果的能力。 【加分项】 在 NeurIPS / ICLR / ICML 等 AI 顶会，或 ISMB / RECOMB 等计算生物学顶会，或 CNS 及其子刊、Bioinformatics 等权威期刊发表过第一作者论文； 在 GitHub 有高星开源项目，或在 HuggingFace 等开源社区有核心模型/数据集贡献； 具备生物、化学、药学等交叉学科背景（如双学位、辅修或丰富的跨学科项目经验）。