阿里巴巴
校招算法工程师-AI制药
北京/杭州 · 校招 · 2027 届 · 硕士
长期有效
任职要求
- 1. 计算机科学、计算化学、生物信息学或相关专业硕士及以上学历，有交叉学科背景优先；
- 2. 熟悉分子生成模型（扩散/流匹配/VAE/GAN/自回归）、蛋白质结构预测、蛋白质语言模型中至少一个方向，有实际训练或微调经验；
- 3. 熟练掌握Python及主流深度学习框架（PyTorch），有大模型Agent开发经验者优先。
- 【加分项】有Agent系统开发经验；有分子筛选或分子生成相关实践经验；熟悉计算化学或分子模拟工具链；在CNS期刊或AI领域顶会顶刊发表过论文。
岗位描述
- 1. 负责AI药物发现平台的核心算法研发，构建覆盖小分子与生物大分子（多肽/抗体/蛋白质）的智能优化系统，包括分子生成、性质预测、多参数优化及合成可行性评估等关键环节；
- 2. 设计并实现基于大模型的药物设计Agent架构，整合分子打分、自由能计算、序列语言模型等计算工具链；
- 3. 研发和集成分子生成模型（3D结构生成/扩散模型/流匹配）与蛋白质结构预测模型，支持基于结构的分子设计、复合物预测及界面建模；
- 4. 跟踪智能体辅助药物设计领域前沿进展，推动算法从文献复现到平台落地，与湿实验团队协作建立"计算→合成→测试→反馈"数据闭环。
- 1. 计算机科学、计算化学、生物信息学或相关专业硕士及以上学历，有交叉学科背景优先；
- 2. 熟悉分子生成模型（扩散/流匹配/VAE/GAN/自回归）、蛋白质结构预测、蛋白质语言模型中至少一个方向，有实际训练或微调经验；
- 3. 熟练掌握Python及主流深度学习框架（PyTorch），有大模型Agent开发经验者优先。
【加分项】有Agent系统开发经验；有分子筛选或分子生成相关实践经验；熟悉计算化学或分子模拟工具链；在CNS期刊或AI领域顶会顶刊发表过论文。
你的简历匹配这个岗位吗？
上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方
该岗位可能会问的问题
基于 算法 岗位的常见面试问题整理
请解释 Transformer 模型的自注意力机制（Self-Attention）
查看答题思路
1. Self-Attention = 序列中每个 token 与所有 token 计算相关性权重 2. Q=Wq·x, K=Wk·x, V=Wv·x; Attention(Q,K,V)=softmax(QK^T/√d_k)V 3. 除以 √d_k 防止点积过大导致 softmax 梯度消失 4. 多头注意力：多组 QKV 并行，拼接后线性变换，捕获不同子空间特征 5. 对比 RNN：可并行计算，捕获长距离依赖
你做过的最有深度的算法/模型项目是什么
查看答题思路
1. 一句话说清任务：分类/生成/检索/推荐 2. 模型选型：为什么选这个而非那个 3. 数据：数据量、来源、清洗策略 4. 创新点：你做的改进是什么（不是调参） 5. 结果：核心指标提升（准确率/召回/延迟）
过拟合是什么？怎么判断和解决
查看答题思路
1. 过拟合=训练集表现好、验证集表现差，模型记住了噪声 2. 判断：train loss 持续下降而 val loss 上升 3. 解决：更多数据 / 正则化(L1/L2) / Dropout / 早停 / 数据增强 / 降低模型复杂度
解释梯度下降的原理，SGD 和 Adam 的区别
查看答题思路
1. 梯度下降：沿负梯度方向更新参数，使损失降低 2. SGD：每次用随机小批量估算梯度，引入随机性帮助跳出局部最优 3. Adam = Momentum + RMSProp：自适应学习率 + 动量加速 4. Adam 收敛快但可能泛化不如 SGD；CV 常用 SGD，NLP 多用 Adam
给你 10 万条未标注的文本数据，如何找出其中 10 个主题
查看答题思路
1. 预处理：分词、去停用词 2. 向量化：TF-IDF 或 Sentence Embedding 3. 聚类：K-Means（需指定 K=10）或 HDBSCAN（自动确定类数） 4. 或 LDA 主题模型直接输出主题-词分布 5. 评估：看每个簇的高频词判断主题合理性，迭代调整
更多面试题库功能即将上线
信息来源：企业官方招聘页。投递前请以官网信息为准。