AI技能正成为博士后岗位“标配”——基于五城近万条JD的观察

一份来自人才市场前线的趋势观察：当超过1/4的博士后岗位明确要求AI技能，这不仅仅是一种技术偏好，更预示着科研范式的结构性转变正在发生。——基于广州、上海、深圳、成都、杭州近万条JD的观察

引言：为什么要观察AI在博士后JD中的渗透？

近期，《中国科学院院刊》刊发了《AI for Science范式变革下科研人员胜任力提升及对策》一文，系统阐述了在人工智能驱动科研（AI for Science, AI4S） 的范式变革下，提升科研人员胜任力的核心维度与实施路径。该文指出，AI4S对科研人员提出了涵盖计算思维、人机交互验证、跨学科协作及科技伦理责任的四维能力新要求。

与此同时，我们对2026年上半年的博士后招收岗位进行数据分析，一个显著的信号是：在博士后岗位的职位描述（JD） 中，关于AI方面的提及率直线上升。博士后岗位的JD，本质上是科研机构对 “未来科研主力”能力预期的风向标。当AI在某个领域的JD中出现频率从”偶尔提及”跃升为”高频要求”，甚至成为”硬性门槛”，说明该领域的科研范式正在发生结构性转变。

基于对此趋势的关注，我们依据近期广州、上海、深圳、成都、杭州五个热门博士后招收城市的岗位数据，专项分析了招聘需求中与AI相关的具体能力要求。本次分析旨在从人才市场的实际需求出发，将上述理论框架与一线招聘动态相结合，为理解AI如何重塑科研人才标准提供实证参考。

核心结论

AI技能已从”加分项”演变为部分领域的”准入门槛”，但五城之间、学科之间的渗透速度差异显著——杭州、深圳在AI for Science领域已形成规模化的岗位集群，广州、成都则在产业应用场景中稳步推进。

一、总体判断：每4个博士后岗位，就有1个与AI相关

样本数据显示，约27%的博士后岗位在JD中提及了AI相关技能。这意味着，每4个博士后岗位中，就有1个明确需要候选人具备AI能力。

但从分布来看，AI渗透呈现鲜明的 “领域分化” 特征：

• 高渗透领域（AI技能为硬性要求，提及率超过60%）：计算生物学、生物信息学、药物发现、AI for Science、大模型研发

• 中渗透领域（AI技能为优先条件，提及率约20%-40%）：智能制造、材料科学、临床医学、金融科技、教育AI

• 低渗透领域（AI技能几乎不提及，提及率低于5%）：传统人文学科、基础数学/理论物理、传统法学/社会学

更值得关注的是，AI技能要求的 “刚性”正在增强。半年前的JD多以”优先考虑具有人工智能背景”的柔性表述出现，而当前大量岗位已将AI直接写入 “需求专业” 中，或列为 “任职要求” 的第一项。在计算生物学和药物发现方向，AI技能已基本成为标配。

这与前述学者在文章中对AI4S胜任力的判断高度一致：AI时代对科研人员的要求，已不再停留在单一技术点，而是面向 “计算思维、人机交互、跨学科协作与伦理责任” 的综合能力体系。

二、AI作为通用技能的三种形态

AI在博士后岗位JD中的呈现方式并非单一，而是以三种形态存在：

形态一：AI作为”专业方向”

即AI本身就是研究主题。

这类岗位的”需求专业”直接包含 “人工智能” 、“计算机科学与技术” ，岗位职责围绕大模型训练、算法开发、系统架构设计展开。典型如：

• 某新型研发机构”异构集群混合训练软件研发”岗位：要求”针对DeepSeek等大模型在异构集群中的混合训练性能进行研究”，技术栈包括”精通Python/C/C++、熟悉分布式训练与推理技术”
• 某科技园区”LLM大语言模型研究”岗位：要求”精通大语言模型理论基础（Transformer、GPT、BERT等），精通Python、PyTorch、LangChain、Ollama等”

这类岗位对AI能力的要求最深，通常要求候选人具备”独立开展AI研究的经验”。

形态二：AI作为”科研工具”

即AI服务于具体学科问题。

这是当前最主要的呈现方式，AI不是研究目标本身，而是解决具体学科问题的方法。典型表述包括：

• 某生物医学实验室博士后岗位：要求”熟练运用PyTorch及CNN、Transformer等，以第一作者发表过深度学习或机器学习论文”，研究背景覆盖”深度学习、生物信息学、实验生物学三个方向”
• 某医学研究机构”CryoSeek生命暗物质结构解析”岗位：要求”具有冷冻电镜数据处理、机器学习、图像处理等相关经验者优先”
• 某电子信息类企业”博士后研究员”岗位：要求”有大模型、智能体研究积累，熟悉GPT/LLaMA等大模型及LangChain等框架”

这类岗位对AI能力的要求是”能用” —— 能够将AI工具应用于具体的科研场景。

形态三：AI作为”基础素养”

即AI成为隐性门槛。

越来越多的岗位不再明确提及”AI”关键词，但在技能要求中隐性地设定了AI能力门槛。例如，岗位要求 “精通Python“、“熟悉数据分析方法”、“具备大规模数据处理能力”，这些本质上都是AI能力的组成部分。

启示在于：即使JD中没有明确写”人工智能”，但如果研究方向涉及计算、建模、数据分析，具备AI技能仍然是隐性优势。

三、技术颗粒度的三层演进：从”泛泛而谈”到”精确到具体技术栈”

样本数据清晰展示了AI相关要求的”进化史”：

• 第一层：模糊表述（占比约15%）

“具有人工智能相关背景优先”

“熟悉机器学习或深度学习技术”

“具备一定的AI研究经验”

• 第二层：工具层表述（占比约55%）—— 当前主流

“熟悉Python、C/C++编程，熟悉分布式训练与推理技术”

“有深度学习框架使用经验者优先”

“熟悉图像算法与多模态融合技术”

“具备视觉大模型经验者优先”

• 第三层：研究层表述（占比约30%）——前沿趋势

“熟悉Agent、RAG、SFT、LoRA、RL等技术”

“有AI Agent开发、强化学习、分子生成或药物虚拟筛选经验者优先”

“熟悉大模型微调、推理优化、模型部署全流程”

“具备多模态大模型垂直应用开发经验”

核心趋势是：技术颗粒度正在从”工具层”向”研究层”演进。早期的要求是”会用工具即可”，当前的要求已转向”能在具体科研场景中进行AI方法创新”。

学者在文章中强调，AI4S包含 “专用型” 与 “通用型” 两条路径。这也解释了为何当前博士后JD中的AI要求，既有面向大模型、Agent等通用能力的描述，也有面向冷冻电镜、药物发现、材料设计等专用场景的深度要求。

以杭州为典型案例，某高水平研究型大学的多个岗位集中体现了这种 “研究层” 要求：”机器人具身大模型”博士后要求”对LLM、AIGC、RL等有良好理解，有多机多卡分布式训练经验”；”通用小脑大模型”博士后要求”熟悉强化学习算法（PPO、SAC、TD3）及IsaacLab、Mujoco等仿真平台”。

四、学科渗透：AI正在重塑科研范式的”核心地带”

AI在不同学科中的渗透深度，直观反映了该学科对AI的依赖程度。

高渗透学科：AI已成为”研究基础设施”

• 计算生物学/生物信息学是AI渗透最深的非计算机学科。样本中约65%的岗位明确要求”机器学习”或”AI算法”能力。某生物医学实验室的岗位将课题组明确分为”深度学习、生物信息学、实验生物学”三个方向，深度学习方向要求”以第一作者发表过深度学习或机器学习论文”。
• 药物发现方向正在经历 “范式转换”。从传统的实验筛选转向”AI+虚拟筛选”，是这一领域最显著的变化。某综合性大学”AI Agent驱动药物发现方向”博士后，要求”有AI Agent开发、强化学习、分子生成或药物虚拟筛选经验者优先”。

中渗透学科：AI正在成为”有力工具”

• 材料科学与智能制造是AI渗透加速最明显的领域。某新型研发机构”3D打印过程仿真研究”岗位要求”开发适用于工程计算的AI赋能工具”；某科技园区的”人工智能方向研究员”岗位聚焦”多模态大语言模型微调”、”图像识别算法”。
• 临床医学呈现 “科研型先行” 特征。广州多家口腔医院和医学院的博士后岗位明确要求AI背景。
• 经管/金融方向开始出现”AI+”细分方向。某电子信息类企业设有专门的”代码大模型研发”岗位，研究”代码理解/生成/修复、自动化测试、智能问答”等。

低渗透学科：AI尚未触及

传统人文学科、基础数学/理论物理、传统法学/社会学等方向，AI关键词极少出现。但值得注意的是，某高校人文社科高等研究院的博士后岗位已开始接收”人工智能”背景的候选人，表明 “数字人文” 方向正在萌芽。

五、共性趋势：5个正在发生的结构性变化

1、AI关键词提及率持续上升

半年多内，AI相关关键词的出现频率呈现逐月上升趋势。尤其是 “大模型”、“Agent”、“AI for Science” 等词汇，在2026年Q1的岗位中显著增加。

2、技术栈颗粒度明显变细

从”熟悉AI”到”熟悉PyTorch、RAG、Agent、LoRA“，技术要求的精细化程度大幅提升。候选人不仅需要”知道AI”，还需要掌握具体的技术实施能力。

3、AI与学科场景深度绑定

AI不再是”独立学科”，而是嵌入到生命科学、材料、制造、天文、教育等具体场景中。“AI for X” 成为岗位描述中的高频结构。某新型研发机构的”天文数据分析与处理”岗位明确要求”研发AI赋能的FAST和CSST数据自动光谱分类”，这是AI与基础科学深度绑定的典型案例。

4、从”会用工具”转向”能做研究/能落地”

早期的AI要求停留在”工具使用层面”，而当前的岗位更多要求 “能独立开展AI驱动的科研工作” 或 “能将AI技术落地到具体产业场景”。

5、AI技能开始体现”薪资溢价”

虽然大部分岗位标注”面议”，但从已明确薪资的岗位看，AI交叉方向的薪资普遍高于同领域平均水平。某新型研发机构、某生物医学实验室等明确标注33-50万/年的岗位中，AI相关岗位占比显著偏高。

这与学者提出的 “从技术工具教学向计算思维培养转变” 形成呼应。当AI不再只是技能点，而成为基础能力时，岗位价值的定价逻辑也会随之变化。

六、从样本观察中获得的几点启示

对博士求职者

• 识别”真AI”岗位与”伪AI”岗位：部分岗位虽然”需求专业”中列有”人工智能”，但未在职责和要求中展开，这种往往是”加分项”而非”硬性要求”。反之，在”岗位职责”和”任职要求”中明确列出具体技术栈的岗位，才是真正需要AI能力的方向。
• 在简历中明确列出具体技术栈：样本显示，技术颗粒度越细的简历，在高要求岗位中的匹配度越高。与其写”熟悉人工智能”，不如写”熟悉PyTorch、有RAG开发经验、参与过大模型微调项目”。

对人事招聘方

• 在JD中细化AI技能要求：从”优先考虑具有人工智能背景”升级为”要求熟悉PyTorch/TensorFlow，有计算机视觉或NLP项目经验”。数据表明，技术颗粒度越细的JD，简历匹配质量越高。
• 区分”研究型AI”与”工具型AI”岗位：研究型AI岗位应更强调AI方法创新能力；工具型AI岗位应更强调AI工具的实际应用能力。不能用同一模板覆盖所有岗位。

对课题组PI

• 在JD中明确AI工具在具体课题中的应用场景：不仅要写”要求AI技能”，还应写清楚”AI将用于哪些具体科研任务”。例如，”利用AI进行冷冻电镜数据图像处理”——这种写法能帮助候选人快速匹配自身能力。
• 考虑”AI+学科”定向培养：对于AI交叉学科方向的人才缺口，单纯的招聘端等待往往难以奏效。与高校合作设立联合培养博士后项目，从源头构建人才蓄水池，是值得关注的方向。

数据来源说明：本分析基于高才研究院广州、上海、深圳、成都、杭州五城博士后岗位数据库，样本总量约9,800条。数据覆盖2025年9月至2026年5月期间发布的真实岗位JD，经去重及关键字段筛选后纳入分析。

参考文章：《AI for Science范式变革下科研人员胜任力提升及对策》，作者王硕、阎妍、李正风，原载《中国科学院院刊》2026年第4期”政策与管理研究”。文章系统分析了AI4S对科研人员提出的四维胜任力要求，为理解博士后岗位中AI技能的渗透趋势提供了理论框架。