AI for Science这一全新科研范式，已极速提升科研效能、大幅缩短研究周期、强势打破学科壁垒。如今，AI for Science成果竞相绽放，其坚实足迹加速着科技创新的前沿突破，也成为产业创新的坚实底座。
作为全球第一家以AI for Science命名，并且专注于AI for Science技术突破与领域发展的新型研发机构，北京科学智能研究院（AISI）傲立创新最前沿，以“解放科学家、赋能新工业”为使命，搭建科学研究的新型基础设施，解决行业真问题。
我们期待你——学术根基坚如磐石，手握数学、物理等专业知识与AI算法利剑；怀揣炽热好奇心与探索欲，敢于冲破束缚，拥有果敢创新思维和极致钻研精神；擅长团队协作，能在多学科碰撞中自我成长。共同把握AI for Science这一中国科技创新历史上最好的机会。
大原子模型(OpenLAM)开发团队
大原子模型(OpenLAM)开发团队是一个致力于原子尺度建模和模拟研究的跨学科集体，汇聚了数学、物理学、化学和计算机科学等领域的专家。该团队主要目标是开发一个高精度的大原子模型，统一表示元素化学和原子构象空间，精确建模下游应用任务中的原子和分子的行为，以支持从新材料设计到新型药物开发等多领域的前沿研究。开放大原子模型的背后是一群对科学技术充满激情的创新者。团队秉持开源精神，与全球科研界共享数据、模型和软件，促进科学技术的共同进步。
计算化学实习生
【职位描述】
运用DFT、QM/MM、分子动力学（MD）、自由能计算（FEP/TI/MM-PBSA）等方法研究化学反应机理、酶催化过程及分子相互作用机制；
建立和优化计算模型，预测反应活性、选择性及分子性质，为实验设计提供理论指导；
开展蛋白-配体结合、GPCR靶点、小分子设计等计算研究，支持药物发现与优化；
开发高通量计算和自动化分析流程，结合机器学习技术构建预测模型与分子设计平台；
与化学、生物、药学及AI团队协同合作，推动项目从理论设计到实验验证的高效转化；
跟踪计算化学、AI for Science及计算药物设计领域前沿进展，并推动新方法落地应用。
【职位要求】
化学、计算化学、理论化学、药物化学、化学生物学、材料科学等相关专业硕士及以上学历；
具备量子化学计算、反应机理研究或分子模拟相关研究经验；
熟练使用Gaussian、ORCA、xTB、CP2K、Amber、Gromacs、OpenMM等计算软件中的一种或多种；
熟练掌握Python编程及Linux环境，具备数据分析和自动化流程开发能力；
熟悉机器学习框架（Scikit-learn、TensorFlow、PyTorch等）者优先；
具备优秀的科研创新能力、文献阅读能力和写作能力；
在国际高水平期刊发表过相关研究成果者优先。
机器学习势函数工程研发实习生
【职位描述】
-
根据既定方案配置、提交和监控机器学习势函数训练及测试任务；
-
整理实验数据与结果，完成精度、速度和资源消耗等指标的对比分析；
-
参与 DeePMD-kit 的功能开发、问题排查、单元测试和文档维护；
-
协助开展关键计算流程和算子的性能分析与优化；
-
完善实验脚本及自动化工具，保障实验流程稳定、可复现。
【职位要求】
计算机、软件工程、人工智能、计算科学或相关专业本科及以上学历；
熟练使用 Python，具备 C/C++ 基础，能够阅读和调试工程代码；
熟悉 PyTorch及常见模型训练、测试和性能评测流程；
熟悉 Linux、Git及常用开发工具，能够根据日志定位和解决实验问题；
具备良好的代码规范、测试意识和实验复现意识；
了解 CUDA、Triton、GPU性能分析或分布式训练者优先；
有 DeePMD-kit、分子动力学、机器学习势函数或科学计算经验者优先；
大四即以上211，985在读优先；
善于独立思考，灵活使用各类AI工具。
语料团队
科研数据与语料平台调研实习生
【职位描述】
围绕科研数据共享平台、语料共享平台、科学数据治理工具、AI 数据基础设施等方向，开展产品调研和竞品分析；
跟踪国内外科学数据平台、学科数据库、语料加工与共享平台、数据开放服务平台等典型项目进展，梳理其建设模式和平台能力；
对相关平台的数据来源、数据组织方式、共享机制、检索与下载能力、权限管理、标注加工流程、API 服务、用户服务体系等进行拆解分析；
协助项目组提炼不同平台在数据汇聚、数据治理、语料加工、数据共享、用户运营和成果转化等方面的有效做法；
根据项目需要，完成调研简报、能力对比表、平台功能拆解图、PPT 或一页纸材料。
本科及以上在读，计算机、人工智能、数据科学、信息管理、图书情报、理工科相关专业优先；
对科研数据平台、数据共享平台、语料库建设、数据治理或知识库系统有一定兴趣和理解；
具备较强的信息检索、资料整理和结构化分析能力，能够从公开资料、平台页面、产品文档、论文、新闻报道等材料中提炼有效信息；
能够从“数据来源、数据结构、平台功能、共享方式、服务对象、使用流程、建设模式”等角度分析一个数据类平台；
文字表达清楚，能够独立完成一页纸调研简报或平台对比分析；
工作细致，保密意识强，能够按照项目组要求完成阶段性调研任务。
【优先考虑】
熟悉 AI for Science、科研数据共享、语料库建设、科学数据库、数据治理、知识工程等方向；
有科研助理、产品调研、竞品分析、行业研究、图书情报、数据平台建设等相关经历；
能够使用飞书文档、Excel、PPT、思维导图等工具进行结构化整理；
具备一定技术理解力，能理解 API、数据加工流程、元数据、权限管理、数据标注、数据质量控制等基础概念。
材料团队
材料团队以“AI+材料”为核心业务主线，将科学计算、数据驱动与前沿AI技术进行整合，旨在打造一个贯通“计算模拟-数据积累-模型训练-创新应用”的闭环路径，为先进材料智能研发提供核心动能。
AI+材料项目技术攻关：统筹并执行在人工智能与材料科学交叉领域的各类研发项目，负责从技术路线设计到最终落地的全流程把控，确保项目的先进性与实用性。
产品应用落地：重点围绕OpenLAM等核心产品，开展面向具体材料体系的场景化应用研究，推动AI4S基础设施在先进钢铁、特种合金、能源材料、前沿材料等领域的实际应用。
多尺度计算与数据基础设施建设：专注于材料的多尺度计算与建模，结合量子力学、分子动力学及宏观性能模拟，打通从原子尺度到宏观性能的模拟链路；同时，系统性构建高质量材料数据库，为AI模型的训练与迭代提供坚实的数据支撑。
材料设计与优化实习生
【职位描述】
研究并深入理解材料设计与优化领域，全面掌握材料的基本物理、化学和力学等性质，深度剖析钢铁、新型合金等材料的成分、组织、工艺、环境等与宏观性能之间的内在联系；
结合AI技术与材料计算软件，设计并开发高效、精准的通用材料模型，模拟预测材料性能与行为，开展材料成分设计与工艺优化研究；
为科研团队提供专业的理论支撑，协助解决实验与工程中遇到的各类材料相关问题，尤其在钢铁、新型合金等材料开发与性能优化方面提供技术指导；
模拟并预测材料性质，致力于优化材料性能，创新设计新型材料，重点推进钢铁及相关合金的研发，并与实验环节紧密对接，形成完善的干湿闭环，推动材料研发进程。
【职位要求】
拥有材料、物理、化学、力学或相关领域的硕士或博士学位；
精通Python、C++等编程语言，具备较强的算法开发和编程实现能力，熟悉机器学习方法；
具备深厚的物理、化学基础以及材料专业知识，熟悉第一性原理、分子动力学、计算相图（CALPHAD）或其他相关模拟技术；有材料计算相图研究经验者优先；
具备钢铁、新型合金或其他材料的设计与优化经验，同时对相关材料研发的实验表征技术、工艺调控方案有一定了解者优先；有金属材料腐蚀机理研究和腐蚀模型构建经验者优先；
有大型项目、企业项目的规划、对接、申报、执行、结题等经验者优先；
具有良好的英文科技论文阅读和写作能力，有在国际学术期刊发表文章的经验者优先考虑。
数据科学团队
我们是一支以AI for Science为核心方向的数据科学团队，成员来自人工智能、计算化学、材料科学等多个前沿领域。团队聚焦利用机器学习与大规模数据建模技术，推动科学研究从“经验驱动”迈向“数据驱动”。
不同于传统算法团队，我们更关注真实世界复杂问题的建模与落地。从分子设计、新材料研发到能源与化工场景，我们致力于将先进的AI模型与产业数据深度结合，构建可落地、可迭代的智能研发体系，加速科学发现与工程转化的闭环。
在这里，你将参与的不只是模型开发，而是完整的AI4S体系建设——从数据理解、问题抽象，到算法设计与产业应用。我们鼓励探索前沿方法（如大模型、自监督学习、多模态建模等），同时强调将技术真正转化为生产力。
大模型算法实习生
-
模型后训练：负责 LLM/多模态模型的 SFT 微调与 RLHF/DPO 等后训练过程，优化模型在特定领域下的指令遵循和逻辑推理能力； -
Agent 专项优化：针对 Agent 场景（如 Tool Use、多步规划），通过强化学习等手段提升模型决策的准确率和稳定性； -
效果评估：建立模型能力评测基准，跟踪前沿对齐技术，持续迭代模型能力。
-
计算机、人工智能等相关专业，1-3 年工作经历，表现优秀的校招生亦可； -
具备 NLP 或多模态方向经验，对 Transformer 架构及 LLM 训练/微调全流程有体系化理解； -
熟练掌握 Python，熟悉 LLaMA-Factory、DeepSpeed、Megatron 等主流训练框架及工具。
-
Agent 应用开发：基于主流框架（如 LangChain、LlamaIndex）构建Agent 任务闭环系统，实现插件调用、多步任务拆解及自动修正； -
RAG 方案打磨：优化检索增强生成（RAG） 链路，针对工业、企服等垂直领域知识库，提升对话和检索的可靠性与低延迟； -
Prompt 调优：针对关键业务场景进行 Prompt Engineering，配合模型微调反馈，快速实现业务效果闭环； -
落地打磨：与产品、业务团队协作，将 Agent 能力沉淀到具体产品（如问答、企业服务、工业助手等）中。
-
计算机、人工智能等相关专业，本科及以上学历，1-3 年工作经历，具有材料等交叉经验背景的优先； -
熟练使用 Python，有Agent 或 RAG 实际项目落地经验，能解决 Agent 运行中的逻辑中断或性能瓶颈； -
具备良好的工程直觉，能灵活组合各种 LLM 技术手段解决真实的业务痛点。
质谱团队
质谱团队正致力于推进AI for Mass Spectrometry的前沿算法与工程化研究，依托多项国家级科研项目的深厚积累，全力打造质谱计算的“四梁N柱”体系：以基础信号处理、小分子定性定量研究、大分子定性定量研究及质谱流程自动化分析为“四梁”夯实技术底座，以多元下游质谱检测场景的应用出口为“N柱”支撑规模化落地。
算法实习生（蛋白质结构生成方向）
-
生成模型工程研发：构建 Inference-time Guided Diffusion 机制，在推理阶段将实验先验信息高效引入 AlphaFold3 等结构预测模型，提升其在特定应用场景中的准确性、稳定性与可控性； -
算法工程实现与优化：完成条件扩散、引导采样等核心模块的工程化实现与性能优化； -
系统集成与平台建设：搭建可复现的训练、推理与评测 pipeline，支持算法快速迭代与工程落地。
-
本科及以上学历在读，计算机、软件工程、人工智能、生物信息学等相关专业优先； -
熟练掌握 Python，具备 PyTorch、Jax 等深度学习框架实战经验； -
对 Diffusion Model、生成式模型或 AI for Science 方向有浓厚兴趣； -
具备较强的问题拆解与工程落地能力，能够阅读技术文档与论文并将算法转化为可运行代码。
-
算法研究：深度参与基于 AI 的质谱信号解析算法研发（包括但不限于反卷积、蛋白鉴定、修饰定位等），挑战高噪声、高复杂性实验数据下的解析精度极限； -
模型探索：探索前沿架构（如 Transformer、图神经网络等）在质谱及蛋白质组学中的应用，参与质谱基础模型（Foundation Model）与表征学习的预训练及微调任务； -
跨学科融合：深入理解质谱底层物理与化学机理，将其与前沿深度学习模型融合，推动科学智能（AI for Science）在质谱领域的落地； -
全流程开发：负责从算法模型设计、论文复现、性能优化到前后端工程集成的全栈化落地。
-
本科及以上学历在读，计算机、软件工程、生信、计算化学等相关专业优先； -
熟练掌握 Python 或 C/C++，具备优秀的编码能力，扎实掌握数据结构、算法等计算机基础知识； -
熟悉 PyTorch / TensorFlow 等主流深度学习框架，具备前沿科研论文阅读与算法复现能力, 具备大模型、多模态模型等基础模型研发经验者优先； -
具备质谱组学/生物信息学背景，或对质谱数据处理与跨学科研究有强烈探索意愿和快速学习能力者优先； -
对 AI for Science 领域充满热情，具备良好的自驱力与跨学科沟通能力。
燃烧流体研究团队
燃烧流体研究团队是国际上最早发起燃烧科学、计算流体力学与人工智能、高性能计算交叉融合发展的团队之一，拥有国内外领先的科研基础、合作平台、以及软硬件与算力资源。团队多数成员具有海外留学经历，毕业于剑桥大学、帝国理工大学、新加坡国立大学等国际顶尖院校。团队立足于原创的人工智能驱动的燃烧算法和模型，结合高性能异构加速方法和软件，发起并主导开发了以DeepFlame计算平台为代表的多个行业领先软件项目，获得了国内外广泛的关注和影响力。
人工智能与科学计算的结合正在改变科技创新领域的研究范式。宏观反应流体计算在航空航天发动机等关键领域中发挥的作用已经开始凸显，并正在催生人工智能驱动的新一代工业软件。未来已至，当下是这个领域最好的时代。加入我们，共同开启燃烧流体模拟的新篇章。
流体仿真AI算法实习生
-
利用前沿的人工智能技术，构建针对复杂管网拓扑的高效、高精度预测模型与智能调控机制，将流体力学物理规律与图神经网络（GNN）深度融合，精准捕捉管网的空间拓扑关系与天然气流动的时空动态特征； -
结合最优化算法与控制理论，探索复杂管网系统的智能调度与最优控制策略，实现从状态快速推演到全局优化决策的闭环，直接赋能国家级能源输送系统的安全与高效运行。
-
拥有计算机、数学、物理、自动化、能源工程或相关交叉领域背景，具备优秀的学习能力，对 AI for Science 领域有浓厚兴趣； -
具备扎实的 Python 编程基础，能够熟练使用 PyTorch 等主流深度学习框架进行模型开发与训练；
-
具备图神经网络（GNN）算法基础或相关科研经验；掌握流体力学基本原理或熟悉天然气管网运行机制；了解运筹学、最优化算法或现代控制理论。
AI智能仿真算法工程师（科学智能方向）
【职位描述】
参与复杂动态系统的智能仿真与时空预测模型研发，面向局部系统状态演化构建高精度、高效率、具备跨场景泛化能力的AI推演模型；
开展图结构数据、时序数据及多类型状态信息的建模，研发基于 Transformer、图神经网络、时序预测等方法的深度学习模型，并探索神经微分方程、神经算子等科学机器学习方法；
研究物理规律、结构约束与数据驱动模型的融合方法，通过物理约束、结构先验、损失函数设计等手段提升模型预测的稳定性、一致性和泛化能力；
负责或参与数据处理、模型开发、训练调试、指标评测及算法工程化实现，开展 GPU 训练、模型推理和性能优化，并配合完成算法模块集成与验证。
优秀本科生及以上学历在读，计算机、人工智能、应用数学、自动化、电子信息等相关专业，具备机器学习和深度学习基础。
熟悉 Python 和 PyTorch ，能够完成基本的模型训练、调试和实验分析，有 Transformer、图神经网络或时序预测相关项目经验者优先。
对科学智能、复杂系统建模、时空预测或 AI for Science 方向感兴趣，具有较强的代码实现、文献阅读和快速学习能力。
能够保证较稳定的实习时间；具有 Neural Operator、Neural ODE、GPU 训练或电力系统相关经验者优先。
（如需转载图文请与公众号后台联系）
北京科学智能研究院（AI for Science Institute,Beijing，以下简称AISI）成立于2021年9月，致力于将人工智能技术与科学研究相结合，加速不同科学领域的发展和突破，推动科学研究范式的革新，建设引领世界的「AI for Science」基础设施体系。
AISI的研究人员来自国内外顶尖高校、科研机构和科技企业，共同聚焦物理建模、数值算法、人工智能、高性能计算等交叉领域的核心问题。
AISI致力于创造思想碰撞的学术环境，鼓励自由探索和跨界合作，共同探索人工智能与科学研究结合的新可能。
