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。
以下岗位开放全职、兼职、顾问、实习等合作模式。
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。
【职位描述】
面向半导体、能源材料、催化材料、合金、功能材料等具体应用领域，开展材料智能计算与算法研发，深入理解材料组成、结构、工艺与性能之间的关联；
-
负责干湿闭环研发体系中理论预测与智能筛选环节的算法平台及核心模型开发，结合实际科研和产业需求，构建面向特定材料领域的基座模型及专业模型体系；
-
负责材料性质预测模型的设计、训练、微调与评估，针对相关应用场景的关键材料性质建立高精度预测能力；
-
研究并应用图神经网络、迁移学习、多任务学习、主动学习、强化学习及生成式模型等先进人工智能方法，探索材料设计与优化的新型算法框架；
-
面向实验目标构建材料筛选、组合优化及候选材料推荐算法，与湿实验团队协同形成“模型预测—候选设计—实验验证—数据反馈—模型迭代”的闭环研发流程；
材料科学、物理学、化学、计算机科学或相关专业硕士及以上学历，博士学历优先；
具有扎实的材料、物理或化学基础，对材料微观结构与宏观性质之间的关系具有较好的理解；
熟悉第一性原理计算、分子动力学、高通量计算等一种或多种材料计算方法，有DeepMD-kit、VASP、Quantum ESPRESSO、LAMMPS等相关软件使用经验者优先；
精通Python、C++等编程语言、Vibe Coding及AI辅助研发方法，有较强的算法开发和编程实现能力，熟悉机器学习方法者优先；
具备较强的科研问题抽象和解决能力，能够将实际材料研发问题转化为可计算、可建模和可优化的算法问题；
具有良好的团队协作和跨学科沟通能力，能够与计算、算法及实验团队高效协同；
具有良好的英文文献阅读和科技写作能力，有高水平论文、开源项目、材料人工智能研究或产业研发经验者优先。
【优先考虑】
材料基础模型、材料预训练模型或科学大模型研发经验；
DeepMD、MACE、CHGNet、M3GNet、MatterSim、OpenLAM等材料模型相关研发或应用经验；
材料性质预测、高通量筛选或逆向材料设计经验；
主动学习、强化学习、贝叶斯优化或生成式材料设计经验；
计算—实验闭环、自动化实验室或Self-driving Lab相关项目经验；
大规模材料数据库建设、数据治理及模型微调经验；
AI Agent、Coding Agent或基于大语言模型的科研自动化工作流开发经验。
语料团队
【职位描述】
学科数据调研与需求分析
配合项目团队走访合作高校及科研机构，系统摸排各学科已有数据的类型、规模、格式、质量及使用方式；
与学科教师、学生及项目负责人沟通，理解不同学科的数据特点、科研场景和语料建设需求； 分析文本、图像、表格、数据库、多模态数据及学科专用格式，识别语料加工中的重点和难点； 整理形成学科数据清单、现状分析、需求说明及初步建设建议。 语料加工方案与标准建设
根据不同学科的数据特点，协助制定数据解析、清洗、结构化、标注、质检和语料化方案；
参与制定语料格式、元数据、标注规范、质量指标和验收要求，并结合学科特点形成可执行的加工规范； 针对学科团队提出的数据加工和工具选型问题，提供可落地的技术建议； 对加工流程和产出结果进行检查，协助定位质量问题并提出优化方案； 持续跟进语料建设进展，推动加工方案和标准落地。 数据工具应用与技术支持
熟悉项目现有的数据加工工具和软件，并根据不同数据场景提出工具选型、组合使用及优化建议；
指导学科教师和学生使用相关工具，解决语料建设过程中的常见技术问题； 面向学科团队开展工具演示、操作培训和阶段性答疑，编写操作手册及加工指南； 收集各学科在工具使用过程中的需求和反馈，协助项目团队持续优化工具能力。
计算机、数据科学、人工智能、信息管理、理工科或相关专业本科及以上学历；
具备数据处理或数据工程基础，能够理解不同类型数据的结构、格式和加工流程；
熟悉 Python等常用数据处理工具，具备基础的数据清洗、转换、解析和质量分析能力；
了解数据集或语料库建设流程，包括采集、清洗、标注、质检、版本管理和交付；
具备较强的需求理解、问题分析和方案表达能力，能够将技术方案转化为清晰、可执行的操作建议；
具备良好的跨专业沟通、培训和项目推进能力，愿意深入学科场景解决实际问题；
工作细致、有责任心，能够持续跟进多个学科的语料建设任务。
【优先考虑】
-
有语料库、训练数据集、知识库或大模型数据工程相关经验； -
有科研数据治理、数据标注、数据质量管理或数据库建设经验； -
熟悉 OCR、文档解析、图像处理、数据标注平台或大模型辅助数据加工工具； -
能够独立编写数据处理脚本，或搭建轻量级、自动化的数据加工流程； -
有高校、科研机构、多学科项目合作或技术培训经验。
【职位描述】
-
科研数据与模型评测体系建设：设计、搭建并持续迭代覆盖多模态科研数据的评测基准、评测集与评测方法，包括反应、物质、谱图、知识图谱、文献、语料库等数据类型，形成可用于项目验收、产品迭代和对外展示的 benchmark 资产。
-
化学数据库与科研语料库评测落地：围绕化学数据库、科学语料库及相关模型能力，设计数据质量、结构化准确性、知识抽取效果、模型问答能力、可追溯性、覆盖率、一致性等关键指标，组织内部测评、抽样核验与问题归因，支撑项目阶段验收与综合验收。 -
LLM-as-a-Judge / LLM-as-a-Verifier 评测流水线建设：设计并落地基于大模型的自动化评测流水线，包括 prompt 设计、CoT 设计、多 agent 协同、批处理、可控解码、结果聚合与一致性校准，重点解决专业科研场景下大模型评测的幻觉、偏差和稳定性问题。
-
专用评测模型训练与优化：基于领域评测数据集，参与 fine-tune 或训练专用打分器、分类器、embedding 模型，与 LLM-as-a-Judge / LLM-as-a-Verifier 路径互补，提升评测结果的稳定性、专业性与可量化程度。
-
评测驱动的算法、数据与产品迭代：主导或参与评测结果分析与问题归因，输出可执行的算法优化、数据采集、数据清洗、标注策略与产品改进建议，与算法、数据、产品、工程团队形成“评测—迭代—再评测”的闭环机制。
-
科研项目统筹与交付管理：将既有项目书、年度任务和验收要求转化为可执行的里程碑计划，明确交付物清单、验收口径、质量目标与风险节点，持续跟踪项目进度，推动阶段性任务和综合验收按期完成。
教育背景与专业基础：硕士及以上学历，化学、化工、化学信息学、材料、生物医药、计算机、人工智能等相关专业优先，博士优先；具备跨学科科研经历或 AI for Science 项目经验者优先。
-
科研数据专业判断能力：至少在化学、材料、生物医药或相关科研数据领域具备扎实的专业基础，能够独立判断数据、知识抽取结果和模型输出的正确性与质量，具备设计专业评测金标和质量标准的能力。
-
评测方法论能力：理解 benchmark 设计、评测集构建、采样策略、指标体系设计、显著性检验、人工金标一致性校准等基础方法，具备数据集、评测集或模型评测项目经验者优先。
-
LLM 应用工程能力：熟悉主流大模型 API 与开源大模型，具备 prompt 工程、CoT、多 agent 流水线设计能力，了解 LLM-as-a-Judge / LLM-as-a-Verifier 的方法、适用边界与常见陷阱。
-
机器学习与模型训练能力：熟悉 PyTorch、HuggingFace 等主流框架，具备 fine-tune 或训练分类器、打分器、embedding 模型等小模型的实际经验，能够将评测数据转化为可训练、可验证的模型优化资产。
-
编程与数据处理能力：熟练使用 Python、SQL、Pandas 等工具，能够独立完成数据抽样、清洗、指标计算、评测流水线编写、结果分析与可视化；能够使用 Trae、Cursor、Codex 等 AI 编程工具提升脚本开发和数据分析效率。
-
具备一作或通讯作者论文发表经验，特别是 benchmark、dataset、评测方法、科学数据、AI for Science 相关方向；
-
有公开 benchmark / dataset 发布经验，或参与过 HuggingFace Evaluate、EleutherAI lm-eval-harness、Stanford HELM 等开源评测框架；
-
有 ChemLLM、MoLFormer、Uni-Mol 等领域大模型的使用、微调或评测经验；
-
熟悉化学数据库、反应数据库、谱图数据库、知识图谱、科研文献结构化等相关数据产品；
-
有专利、软著、行业标准或国家标准相关材料组织经验；
-
英文能力优秀，能够直接阅读海外文献、数据资源与评测论文，并支持国际学术合作沟通。
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。
【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；
模拟预测材料性能与行为，致力于优化材料性能，创新设计新型材料；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；
为科研团队提供专业理论支撑，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。
【职位要求】
材料、物理、化学、力学或相关领域的硕士以及上学历或在读；
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。
【职位描述】
深度对接业务与技术专家，通过高频交流精准识别与分析核心需求；
将企业需求清晰转化为内部科研任务，并协调学科团队推动项目落地；
能参与具体科研项目的研究、数据分析或技术讨论。
【职位要求】
-
具备材料科学/制造业/工程等相关专业硕士学位，具备扎实的科研背景； -
性格外向开朗，具备出色的沟通与协调能力，善于建立信任并深挖需求。逻辑清晰，具备较好的信息传达与项目管理能力，结果导向； -
愿意并适应长期驻场企业的工作模式，能承受较高频率的对外沟通与差旅； -
有参与或主导科研项目的完整经验，重点在于前期需求对接与成果交付等流程； -
有企业研发、产学研合作或项目管理经验者优先。
表征团队
表征团队是一支聚焦表征底层算法开发与仪器自动化创新的跨学科研究团队，由散射物理、定量显微学、人工智能及仪器工程领域的专家组成。团队以表征算法创新与系统级自动化开发为双轮驱动：在算法层面，基于散射物理机制与定量显微学理论，开发多尺度结构解析算法，结合AI驱动的材料表征模型，实现从实验数据到微观结构的精准反演与性能预测；在自动化领域，自主研发高通量科学仪器工作流、无人实验室系统及标准化数据平台，重点突破自动化电镜与电子光学系统的核心设计，构建“智能采集-实时分析-建模计算-闭环优化”的全流程表征体系。通过算法与硬件的深度集成，为新材料设计与性能优化提供兼具高精度、高效率和自主决策能力的下一代智能科学精密仪器。
-
负责开展基于物理的表征算法模拟与数值优化工作，运用先进算法和模型，不断提升模拟计算的准确性和效率； -
构建联合优化框架，利用深度学习方法将实验（电镜/衍射/谱学）数据与理论模拟直接融合，实现逆问题求解（如结构反演、参数自动标定），提升定量表征精度； -
优化电镜成像模拟（含相干/非相干散射、动态衍射）并引入AI降噪、超分辨重建技术，推动表征的实时数据分析； -
参与并主导基于原子物理和分子动力学结合先进表征的相关研究课题，深入探索微观世界的物理规律； -
结合物理直觉与可解释AI，挖掘表征数据中的隐藏物理规律，为新材料、新物性提供预测性指导。
-
物理学相关领域专业的博士学历，具备扎实的计算能力； -
精通编程，如 Python、Fortran、C++、CUDA 等编程语言，熟悉GPU加速，可编写大型的计算程序； -
对原子物理有深入的理解和研究，熟悉相关理论和实验方法； -
精通第一性原理计算方法和软件，掌握分子动力学基本原理，能够运用分子动力学模拟软件进行相关模拟和分析； -
有散射物理、高性能计算、并行计算经验者优先。
-
算法工程化落地：开发并优化显微图像预处理、自动分割、特征提取及多维分析算法； -
高精度统计建模：利用最大似然估计（MLE）、高斯混合模型（GMM）、贝叶斯推断等统计方法，对显微数据进行高精度建模； -
数值优化与重建：设计并实现复杂的数值算法，解决图像重建、参数反演及非线性拟合问题； -
数据质量保障：建立严谨的统计检验体系，开发自动化评估工具； -
计算效能提升：利用并行计算（CUDA/OpenCL）、分布式架构或底层代码优化，显著缩短TB级显微图像数据的处理耗时。
-
物理学、计算数学、统计学、计算机视觉或相关视觉计算领域的博士学历； -
精通图像处理理论，并在统计建模或数值优化方向有深入研究； -
精通 Python（SciPy, NumPy, PyTorch/TensorFlow）及 C++，具备良好的算法复杂度分析能力； -
熟练掌握 OpenCV、ITK、MATLAB 或 ImageJ 插件开发； -
具备多线程、多进程编程经验，熟悉 GPU 加速计算（CUDA）者优先。科研仪器智能体研发工程师。
-
抽象并实现仪器相关能力模块：将实验步骤、参数约束、安全边界与异常处理沉淀为可复用能力； -
构建典型实验流程的自动化执行方案，提升效率、稳定性与可重复性； -
与平台/算法协作：定义输入输出、评价标准与测试样例，推进端到端闭环； -
参与仿真/测试环境建设，降低真实设备调试风险与成本； -
持续沉淀文档与经验：形成可传承的 SOP、数据规范与最佳实践。
-
材料/物理/电子显微/自动化等相关专业硕士及以上学历； -
熟悉至少一种大型科研仪器的原理与实验流程（SEM/TEM/TOMO 等）； -
具备编程能力（Python/C++ 等），能独立完成实验自动化、数据处理与工具开发； -
自驱强、学习快：能主动补齐工程与算法短板，推动方案落地； -
有智能体/自动化/图像分析相关项目经验者优先。
-
基于 LLM / VLM / VLA 等基础模型，探索面向仪器任务的规划与决策能力； -
负责数据与评测体系：构建训练数据、离线评测与回归机制，推动可量化迭代； -
负责微调与对齐：具备 SFT / 参数高效微调等实战能力； -
负责 RL 实践：设计奖励与反馈闭环，推进策略优化在真实任务中的有效性； -
与工程团队协作：推动模型在真实系统中的可部署、可监控、可迭代。
-
计算机/人工智能/自动化等相关专业硕士及以上学历；
-
有大模型微调实战经验（从数据到训练到评测闭环）；
-
必须具备 RL 实际经验；
-
熟练 PyTorch 等框架，具备良好的实验设计与复盘能力；
-
自驱强：能主动提出假设、设计实验、快速迭代并推动落地。
-
负责FIB（聚焦离子束）、SEM（扫描电镜）、TEM（透射电镜）设备的日常操作、维护与工艺优化，独立完成样品制备、微纳加工、TEM制样、截面分析等任务； -
结合半导体表征需求（如失效分析、结构分析、材料表征等）设计并执行实验方案；
-
利用编程技能（如Python）开发自动化脚本或数据处理工具，提升实验效率；
-
根据项目需要，驻场于合作客户提供现场技术支持；
-
与内部研发团队及客户紧密协作，参与新工艺的开发与验证。
-
材料科学、物理学、微电子、机械工程或相关专业硕士及以上学历；
-
具备扎实的仪器实际操作经验，熟悉电镜系统；
-
能够适应驻场工作模式，具备良好的沟通能力和客户服务意识；
-
了解半导体器件结构与制程，具备半导体表征经验者优先；
-
掌握至少一种编程语言（Python、MATLAB、C++等）。
-
高性能存储引擎：设计并实现针对海量图像/谱学数据的分层存储方案，打造AI-Ready数据引擎；优化IO路径，支撑高并发读写与毫秒级随机访问，突破传统文件系统的性能瓶颈；
-
分布式计算流水线：搭建高可用异步任务调度系统（Celery/Ray），将预处理、特征提取、定量分析算法无缝集成至Kubernetes集群，实现弹性扩缩容与资源隔离；
-
数据中间件与API：为前端可视化与算法团队提供低延迟、高吞吐的数据访问层（FastAPI/gRPC），设计统一数据语义，屏蔽底层存储异构性；
-
深度性能调优：针对科学计算负载，剖析内存、网络及多线程模型，应用零拷贝、内存映射、GPU直通等技术，榨取硬件极致性能；
-
工程化演进：主导平台架构升级，建立容器化部署、CI/CD流水线与全链路监控体系，保障生产环境稳定性与可观测性。
-
计算机科学、软件工程或相关专业硕士及以上学历；
-
精通 Python（FastAPI/Celery/Asyncio）或 Go/C++，具有扎实的底层开发功底；
-
熟悉 SQL/NoSQL 与对象存储，必须有处理大文件或非结构化科学数据的实战经验；
-
熟练使用 Redis，ray或 Kafka 进行任务解耦, airflow 等数据流；
-
理解 Linux 内核 I/O 模型，熟悉内存映射、零拷贝技术或 GPU 并行数据交换者优先。
-
负责对接政府部门（科技相关），及时获取并解读各类科技项目、重点研发计划及产业扶持政策，策划并组织项目申报工作；
-
协调内部技术团队撰写项目申请书、可行性研究报告、预算说明等材料；
-
跟进已立项项目的执行进展，配合完成中期检查、验收汇报、经费执行等全过程管理； -
建立并维护与政府机构、科研院所、高校及产业联盟的合作关系，推动产学研合作项目落地。
-
理工科背景优先（如物理、材料、计算机、半导体、生物医学工程等相关专业），硕士及以上学历；
-
熟悉政府科技项目的申报流程与写作规范，有成功申请省部级及以上项目经验者优先；
-
具备良好的技术理解力，能够与技术团队顺畅沟通，准确提炼项目亮点与技术优势；
-
文字功底扎实，逻辑清晰，能独立撰写项目申报书、调研报告、汇报材料等文档。
-
负责 AFM/STM 等扫描探针显微镜的仪器智能化研究，将物理模拟器、AI 控制算法与智能仪器智能体嵌入真实仪器，实现自主进针、针尖状态诊断与自主修复、扫描参数自寻优、稀有特征主动检测与长时间无人值守运行；
-
构建 SPM 高保真物理模拟器与数字孪生环境（针尖—样品相互作用、隧穿电流/力反馈、扫描动力学），支撑控制算法预训练与虚实迁移；
-
面向半导体先进封装/先进制程量测（三维形貌、CD、粗糙度）与量子材料表征（拓扑材料、非常规超导体、低维体系的表面态与原子级结构）开展智能化表征方法与应用研究；
-
开发统一设备控制接口、控制器适配中间件与标准化数据流程，对接国产仪器硬件，推动自主可控的智能 SPM 系统；
-
与算法、平台及线站团队合作，沉淀智能仪器方法论、SOP 与技术规范，支撑对外项目交付与示范推广。
-
物理、材料、精密仪器、电子工程或相关专业博士学历（特别优秀者可放宽至硕士）；
-
深入理解 AFM/STM/STS 或其他扫描探针技术原理，具备扎实的凝聚态物理或表面科学背景；
-
熟练掌握 Python/C++，有 PyTorch 等可微分编程、强化学习/贝叶斯优化或科学仪器自动化开发经验者优先；
-
有量子材料 SPM/STS 表征、半导体量测（CD-AFM/形貌）或数字孪生/仪器仿真经验者优先；
-
自驱力强，具备跨学科协作与推动方案在真实仪器上落地的能力。
-
面向同步辐射大科学装置（如高能同步辐射光源 HEPS）的谱学与成像线站，开展 X 射线吸收谱（XAS）、衍射/散射与成像数据的高效智能解析算法研究；
-
构建谱学大模型：以大原子模型（DPA）描述符建立“结构→谱/像”高保真神经正演代理，发展理论模拟与实验数据的物理一致对齐（域自适应），以及从实验数据反演结构与电子态的生成式逆问题求解，输出带不确定性的解析结论；
-
开发在线/实时分析流水线与自主实验决策算法（主动学习、贝叶斯实验设计），支撑自主实验线站“测量—解析—决策”闭环；
-
与线站科学家合作，在催化、能源材料、量子材料等体系完成算法的应用验证，沉淀标准化解析报告与方法规范；
-
参与谱学/成像数据的标准化建设、数据平台对接与对外技术服务。
-
物理、化学、材料或计算相关专业博士学历；
-
扎实的 X 射线/同步辐射谱学或成像方法学基础，熟悉 XAS/XRD/CDI/Ptychography 等至少一类方法的物理与数据分析；
-
熟练掌握 Python/PyTorch，有深度学习、可微分编程、生成式模型（VAE/扩散）或贝叶斯优化研究经验者优先；
-
有同步辐射线站实验或大数据解析经验、或第一性原理谱学模拟经验者优先；
-
具备与实验科学家紧密协作、推动算法在真实线站落地的能力与自驱力。
-
已获得或即将获得光学工程、应用物理、电子工程、计算成像、计算机视觉等相关专业博士学位；
-
在光学/人工智能等相关领域顶级期刊/会议发表过高水平论文；
-
熟悉显微镜等光学成像系统的数值模拟与光路搭建；
-
熟悉 PyTorch 等可微分编程框架；
-
具备科研诚信、良好的团队协作与沟通能力，以及扎实的英文写作能力。
-
Ptychography / FPM / SIM 等计算显微系统的硬件设计与搭建；
-
生成式 AI 及其在成像中的应用。
-
提供具有竞争力的薪酬与科研条件，按校院相关政策办理人事与福利；
-
与北京科学智能研究院（AISI）联合培养与合作研究；
-
积极支持申报各类博士后与青年人才项目。
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。
【职位描述】
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。
【职位要求】
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。
【职位描述】
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。
【职位要求】
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。
【职位描述】
面向企业核心业务场景，基于公司自研大模型基座（LLM/Uni-系列/工业模型）构建智能体系统；
协助算法同事进行模型调优（SFT/RLHF/RAG）、知识增强、Agent工作流编排、系统部署与价值交付；
积极主动地解决问题，并能够根据需要学习和调整，以交付有效的成果。
【职位要求】
材料科学，化学，计算机、人工智能、数学等理工相关专业，硕士及具有交叉背景优先，优秀本科也可；
强业务理解、需求分析能力、推动交付落地的责任心；
表达清晰、逻辑严密、能与甲方沟通；
熟悉大模型能力与基础工作原理LLM / SFT / RAG / Workflow / Agent，熟悉至少一种编程语言（Python优先），具备数据库、API、数据系统基础。
【经验优先项】
有智能体构建、RAG落地经验；
有交付或企业系统集成经验。
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。
【职位描述】
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 。
-
计算机、软件工程、人工智能、生物信息学等相关专业博士学位优先 。
-
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 。
（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。
