化工工程师 — 这职业到底是干啥的
化工是 AI for Science 的主战场 — 公开 JD 数据只有 1 条，但 AI 制药 / AI 材料赛道在国内 5 家头部公司（晶泰 / 英矽智能 / 百图生科 / 望石 / 西湖欧米）+ 字节跳动 AI Drug + 华为材料组真实在招。岗位需要直接 target 这些公司，不是海投。
化工工程师 — 这职业到底是干啥的
化工工程师和 AI 的关系，像**「老中医 + 化学家 + 计算机」三个职业的奇怪交叉**。
- 老中医的部分：经验主义试错（这个反应温度调高 5 度看看）
- 化学家的部分：分子层面理解（为什么这个分子结构稳定）
- 计算机的部分：DeepMind 的 AlphaFold 用 AI 预测了 2 亿种蛋白质结构
AI for Science 这条线的核心是「把化学家 / 制药专家的领域知识 + 数据驱动训练 + 大量分子库计算」打包成新一代研发流程。这是化工工程师转 AI 最深、但也最值钱的路径。
化工工程师做什么（具体）
传统 4 项主业：
- 工艺流程设计 / 反应器选型 / 优化
- 生产 + QC + 安全 + 环保
- 实验设计 + 数据分析 + 中试放大
- 工程造价 / 项目交付 / 合规
AI 时代新增 3 大方向：
- AI 药物发现（用 ML 预测候选分子活性 / 毒性 / 合成路径）
- AI 材料发现（用神经网络预测新材料的物理化学性质）
- 工艺数字孪生 + 智能化工生产优化（用大模型 + 模拟器优化反应条件）
三套硬核能力
1. 领域知识（最稀缺）。AI 制药 / AI 材料公司不缺 ML 工程师，缺的是「能看懂分子结构 + 能设计验证实验 + 能解释 ML 预测为什么合理」的人。化工 / 制药 / 材料硕博背景是这条线的硬通货。
2. Python + 基础 ML（必学）。pandas + scikit-learn + PyTorch 基础 — 不需要训 100B 参数模型，但要能读懂 paper 里的训练流程，能用现成模型跑预测。3-6 个月入门。
3. 论文阅读 + 学术敏感度。AI for Science 是论文驱动行业 — Nature / Science / JACS / Nature Chemistry 上的新方法 6 个月内就会被产业化。没有论文阅读习惯的人会被快速边缘化。
化工工程师转 AI 的真实数据（诚实版）
当前 agent-hunt 数据只抓到 1 条公开 JD（药明生物制药的 AI/Digital Engineer）。
为什么这么少？
- AI for Science 头部公司不挂传统招聘网站，主要靠 referral + 学术圈推荐 + 公司官网
- 化工 + AI 的岗位描述里经常不写「化工」二字，写「Computational Chemist」「Drug Discovery Scientist」「Materials Science Engineer」 — 标签筛选会漏掉
但这条赛道真实存在。国内主要公司清单：
| 类型 | 公司 |
|---|---|
| AI 制药头部 | 晶泰科技（XtalPi）、英矽智能（Insilico Medicine）、百图生科 |
| AI 制药新兴 | 望石智慧、西湖欧米、智化科技、星亢原、宇道生物 |
| 大厂 AI Drug / Materials | 字节跳动 Drug Discovery、华为材料组、阿里达摩医疗 AI、腾讯 AI Lab Drug |
| 学术合作岗 | 北大 / 清华 / 上海交大 / 西湖大学 AI for Science 实验室合作研究员 |
海外这条线（DeepMind Isomorphic、Recursion、Insitro、Atomwise、Genentech AI）成熟度比国内高一代，但门槛是 PhD + 顶会论文。
怎么开始
第一步：硕博学位是基础。化工 + AI 这条线和 AI Agent 工程师 / 销售不同 — 本科 + Coze demo 没用。至少硕士（最好博士），化学 / 化工 / 制药 / 材料专业。
第二步：补 ML 基础 + AI for Science 论文阅读。Coursera 的「Machine Learning for Drug Discovery」「Deep Learning for Molecular Property Prediction」 + 关注 arxiv 上 cs.LG + q-bio.BM。每周读 2-3 篇论文。
第三步：跑一个 AI for Science 项目。比如用 RDKit + scikit-learn 预测分子毒性 / 用 AlphaFold 预测一个蛋白结构。这是简历亮点。
第四步：直接 target 头部公司 + 学术圈内推。不要海投 — 这条线的招聘 100% 是「圈内推荐」。在公司官网 / LinkedIn / Twitter（X）关注上述公司 + 找已经在做的人内推。
不适合谁
1. 只做工厂现场工艺 / QC、对计算机 / 论文方法论抵触的人。AI for Science 的工作流核心是「设计实验 + 数据分析 + 文献验证」，不是工厂级现场调优。
2. 没有硕博学位的人。学历卡得比 AI Agent 工程师严 — 本科入门极难。没有学历的话建议看 智能制造 那条线（工厂级化工 + AI 数据分析，门槛低）。
3. 想快速变现的人。AI for Science 的现实是「研发周期长 + 商业化慢」 — 3-5 年的耐心是基础。急的话不建议入。
AI 制药 vs 智能化工生产（同一线两个方向）
| 方向 | AI 制药 / 材料 | 智能化工生产 |
|---|---|---|
| 输出 | 论文 / 候选分子 / 专利 | 产线优化数据 / 节能降耗指标 |
| 学历要求 | 硕博 + paper（强） | 本科可入门 |
| 节奏 | 3-5 年研发周期 | 季度 / 半年级优化 |
| 薪资 | 国内 25-50k / 海外 100-200k | 18-35k |
| 代表公司 | 晶泰 / 英矽 / 字节 Drug | 中石化 / 万华化学 + 智能制造团队 |
下一步
- 想看化工工程师 AI 转型完整分析 → 化工工程师职业页
- 想看 AI 制药这条研究路径的延伸 → ML Scientist Lv2 篇
- 想看「智能化工生产」（门槛较低的路径）→ 智能制造角色页