如果 AI4Science 真的是一种职业，那一家 AI-first drug discovery 公司里，应该都是一群差不多的“AI Scientist”。

但我去看 Isomorphic Labs、Lila Sciences 这些公司的真实岗位，完全不是这样。

同一个科学目标下面，可以同时有 ML Research Scientist、Research Engineer、Data Curator、mRNA wet-lab scientist、pharmacology、chemistry、automation engineer，甚至负责把 research、model evaluation 和 roadmap 接起来的人。

Google DeepMind 自己对 Research Scientist 和 Research Engineer 的定义也完全不同：前者更靠近新的 research question、model 和 algorithm；后者站在 theory 和 implementation 之间，把研究想法真正做出来、scale、evaluate。

所以“我想做 AI for Biology”“我想做 AI drug discovery”，其实还远远不够具体。你到底想研究 biology 本身，发明 ML model，写 scientific software，做实验，建 data/compute，还是把 AI 接进真实科研系统？这些人的课表、能力结构和职业路径都可能不一样。

更容易被忽略的是 wet lab。AI-native lab 并没有因为模型越来越强就不需要实验科学家。相反，模型要什么数据、prediction 怎么验证、实验怎么设计，本身就需要很深的 domain judgment。

02 先把“职业”这层拆开。03 再看：同样想进 AI4Science，CS、Biology、Chemistry、Medicine 几种背景，到底为什么不能抄同一条路线。

#人工智能 #AIforScience #大学生 #科研 #职业规划
#AI科研职业 #AI4Science职业 #跨学科学习 #科研职业路径 #AI学习地图