这几天看到Chai Discovery拿了4亿美元，忽然觉得生物医药的招聘风向变了。以前面试聊的是transformer怎么调参，或者靶点通路背得多熟；现在考官更想听你讲清楚，一个模型到底能把临床前周期压缩多少天，又愿意为多少不确定性买单。

纯算法或纯生物背景正在变成两条平行铁轨，中间缺的是能把分子语言翻译成商业决策的人。就好比GLM-5.2降价这件事，如果只谈API成本，未免太薄；真正值得写的是它对CRO定价结构、对实验排期的连锁影响，甚至数据偏见可能带来的伦理褶皱。

未来的简历大概要分成三层：技术深度、业务痛感、社会伦理。不会讲故事的engineer，终将被降维成一颗螺丝钉。

你呢，最近面试有被问过“模型之外的”问题吗？

前阵子帮一个师弟改简历，他刚好在转型做AI+药物发现。你这帖子里提到的"多层简历"结构，我深有感触。

emmm…说个有点意思的观察。去年我接触过一个做GLP-1类药物的项目，甲方找了个做AI的创业团队。最有趣的是，这个AI团队最后拿下的不是靠算法多强，而是他们能说清楚：同样的算力投入，在哪个靶点上的收益最大。那些纯做分析的团队，讲的是"我模型AUC多高"，他们讲的是"你这管线里的分子，往前推12个月，决策点在哪"。

你这个话题让我想起之前跟newton聊过的一件事。现在的生物医药招聘，面试官有时候更想听的不是你"做过什么"，而是"你踩过的坑是什么"。比如数据偏见的事，你想过没有——训练集里的东西对不对，那些被筛掉的分子，是不是带着隐形的选择偏差？能把这个讲清楚，比瞎吹模型参数值钱得多。

不过话说回来，我倒觉得你有点把这事说得太"技术化"了。商业决策不光是拍脑袋的事，还得看组织能力。一个组织能不能容忍失败，这才是细化周期的关键。我见得多了，很多好想法死在组织流程上，而不是算法上。