2026年，AI与生命科学的交叉，正在从“热门概念”变成真金白银的科研投入。
9月，华盛顿大学、艾伦研究所与Fred Hutch癌症中心共同启动AI BioDesign项目，未来5年投入近9500万美元，用AI模型、大规模实验和开放数据推动蛋白质、基因与新型生物工具的设计。
一个月后， Biohub又联合美国能源部、NIH及多家科技机构，宣布投入总计18亿美元，建设可供AI训练的生物数据、实验测量与计算基础设施。
图源：Biohub、University of Washington官方公告（2026年）
这些投入释放了一个清晰信号：未来生物领域需要的，不会只是会做实验或会写代码的人，而是能够把生物问题、计算工具与实验验证连接起来的研究者。
机会在增长，
但学历与能力门槛并没有降低
美国劳工统计局最新预测显示，2025-2035年，Medical Scientists岗位预计增长13%，明显高于全部职业3%的平均增速；2025年薪中位数为10.34万美元。更关键的是，该岗位标注的典型入职学历正是博士或专业学位。
在药物研发、计算生物、蛋白质设计、基因技术和医疗 AI等领域，博士训练不仅关系到起薪，也会影响一个人能否进入核心研发岗位，以及未来的职业上限。
美国国家科学与工程统计中心对 2024届博士毕业生的统计显示：在已经确定毕业去向的生物与生物医学博士中，进入企业的预期年薪中位数约为12万美元，高于高校职位的7万美元和博士后的6万美元。
但另一组数据也很现实： 2024年生物与生物医学博士毕业生中，在接受调查时已经确定工作或博士后去向的比例为63%，较上一年下降5个百分点。
行业仍然需要高水平研究人才，但博士并不是一张自动兑换好工作的门票。
这也解释了为什么生物博士申请越来越难，我们却仍然建议不少目标核心研发岗位的学生优先考虑申博：关键不是 “学历越高越好”，而是未来想进入的领域，是否存在明确的博士门槛。
真正拉开差距的，
不是有没有科研
很多学生早早进入实验室，也积累了多段科研经历，但到了申请前依然回答不了几个关键问题：
硕士还是博士，哪条路更适合自己？
已有科研之间有什么联系，能否形成清晰方向？
一直承担辅助工作，怎样体现独立研究能力？
想结合AI与数据，究竟应该补统计、计算还是生物知识？
CS、数据或工程背景，又该如何找到真正有价值的生命科学问题？
大家都在做科研，结果依然存在明显差距，是因为博士申请看的不只是“做过几段”，更关注学生是否围绕一个值得深入的问题，逐步形成研究能力和方向积累。
这也是生物申博规划最难的地方：它需要把专业选择、能力补充、研究课题、导师匹配和申请节奏连成一条线。任何一环脱节，都可能让此前的投入难以转化为真正的申请竞争力。
AI时代，生物申博的机会
也不只属于生物专业
这几年，我们在 CS博士规划中也看到一个明显变化：不少学生虽然来自CS、数据或工程背景，但真正落地的研究课题，已经进入生命科学、药物研发和医学影像等AI for Science领域。
我们有一位 CS背景的学生，同期推进两个AI在科学领域的研究课题，其中生物方向更快进入论文发表阶段。
这并不能简单说明 “生物研究更容易发表”，但它提醒我们：申博不能只盯着专业名称，还要关注具体研究课题、应用领域、数据与实验条件，以及成果验证的路径。
一个只想着 “申请CS博士”的学生，和一个能够判断“自己的算法可以解决什么科学问题”的学生，面对的是完全不同的研究空间。
同样，生物背景的学生也不一定只能走传统湿实验。数据分析、统计建模、机器学习与实验研究的结合，正在打开更多交叉研究与职业方向。
