中山大学生物医学工程学院脑机接口与人工智能课题组算法博士后招聘启事

用人工智能，重新理解大脑、类器官与神经信号

如果未来的人工智能，不仅能够理解语言和图像，还能够理解一个正在发育的大脑、重建一个活体类器官、解码一段脑电信号，甚至预测神经系统接下来会发生什么，我们距离这样的未来还有多远？

我们希望和你一起寻找答案。

中山大学生物医学工程学院脑机接口与人工智能课题组现公开招聘博士后研究人员。团队长期聚焦人工智能、生物医学图像计算、脑科学与脑机接口等交叉方向，希望将近年来快速发展的生成式人工智能、世界模型、多模态大模型、3D视觉与具身智能方法真正应用于复杂生命系统。

我们并不希望简单地将已有AI模型“套”到医学数据上，而是希望探索一个更有挑战的问题：

AI能否从静态图像和有限信号中，学习生命系统内部的结构、状态、演化规律与未来变化？

围绕这一目标，我们目前重点开展以下三个研究方向。

 

方向一：人脑MRI × 生成式AI × 世界模型

从“看见大脑”，走向“理解和预测大脑”

MRI让我们能够无创地观察人脑，但今天大多数医学影像算法仍然停留在“分割、分类和预测”的阶段。

我们希望进一步探索：

能否让AI建立一个属于每个人的数字大脑模型？

这个模型不仅知道“现在的大脑是什么样”，还能够理解不同脑结构之间的空间关系、发育规律以及动态变化，并进一步预测未来。

可能开展的研究包括但不限于：

1. 脑MRI世界模型（Brain World Model）

探索利用生成模型、时空模型、多模态基础模型等建立可学习、可演化的人脑数字模型。

例如：

●从胎儿期、婴幼儿期到儿童期学习大脑连续发育规律；

●根据少量时间点MRI预测个体未来脑结构变化；

●建立脑结构、脑功能与临床状态之间的统一潜在表示；

●探索生成式世界模型在脑发育、脑疾病和脑机接口中的应用；

●构建面向个体的大脑数字孪生模型。

我们希望最终不仅能够回答：

“这个人的大脑现在是什么样？”

还能够进一步回答：

“他的大脑为什么会变成这样？”

以及：

“接下来可能会变成什么样？”

2. 3D Gaussian Splatting / Neural Rendering用于脑影像重建

探索3D Gaussian Splatting（3DGS）、NeRF、Implicit Neural Representation（INR）等新一代三维表示方法在医学影像中的应用，包括：

●MRI连续三维场景重建；

●稀疏采样条件下的3D脑结构恢复；

●多视角、多切片MRI融合；

●4D脑发育动态建模；

●高分辨率脑组织与皮层表面重建；

●医学影像数字孪生与可交互可视化。

我们尤其关注一个问题：

能否像重建真实世界一样重建人体内部？

3. MRI超分辨率与生成式重建

包括但不限于：

●MRI super-resolution；

●厚层MRI向薄层MRI重建；

●胎儿MRI运动校正及三维重建；

●Diffusion Model / Flow Matching医学影像生成；

●INR连续空间超分辨率；

●多模态MRI联合重建；

●k-space与image-space联合生成模型；

●弱监督、无监督医学影像重建。

希望推动医学影像从传统的“离散体素表示”，逐步走向连续、生成式、可预测的空间模型。

方向二：类器官 × AI × 3D计算成像

让AI真正“看懂”培养皿中的生命

类器官正在成为药物研发、疾病建模和精准医学的重要工具。

但今天大量类器官实验依然依赖：

显微镜拍摄 → 人工观察 → 人工统计 → 实验人员主观判断。

随着一个实验产生数万甚至数十万张图像，传统分析方式越来越难以满足高通量实验需求。

我们希望建立一套真正能够理解类器官的人工智能系统。

1. 类器官自动检测与定量分析

研究内容包括：

●类器官实例分割；

●细胞/类器官检测；

●黏连类器官分离；

●细胞核、神经突起等微观结构识别；

●类器官大小、形态、纹理等自动定量；

●高通量显微图像自动QC；

●长时间序列类器官生长追踪；

●foundation model / SAM类模型在显微图像中的应用。

目标是让过去需要实验人员几个小时甚至几天完成的工作，变成AI能够自动完成的标准化分析流程。

2. 类器官3D重建

大量显微成像获得的是不同焦面的二维图像，而真正重要的生物学结构存在于三维空间。

因此我们希望探索：

●Z-stack显微图像3D重建；

●computational microscopy；

●depth-from-focus / shape-from-focus；

●显微图像去卷积；

●3D Gaussian Splatting；

●NeRF / neural rendering；

●INR连续空间重建；

●细胞与类器官三维实例分割；

●活体类器官动态4D重建。

进一步建立：

Organoid Digital Twin——类器官数字孪生。

让研究人员能够在计算机中观察类器官内部结构、生长过程和药物作用后的动态变化。

3. AI药效预测

类器官真正重要的价值并不仅仅在于“拍得更清楚”，而在于它能够帮助回答：

这个药到底有没有作用？

因此我们希望进一步结合：

显微图像 + 时间序列 + 药物信息 + 剂量信息 + 多组学数据

建立AI模型预测：

●Drug Response；

●IC50 / dose-response；

●细胞死亡及毒性；

●类器官生长变化；

●药物敏感性；

●个体化治疗响应。

并进一步探索：

Vision Foundation Model + Multimodal LLM + Agent

在自动化药效评价和AI辅助药物研发中的应用。

最终，我们希望建立一套从：

显微成像 → 自动分析 → 3D重建 → 表型理解 → 药效预测

贯通起来的智能类器官分析平台。

方向三：脑电 × 大模型 × 脑机接口

如果大语言模型能够理解语言，能不能也让模型“理解脑电”？

脑电是人类大脑活动最直接、最复杂的信号之一。

传统脑电算法往往围绕某一个任务训练一个模型，例如运动想象、癫痫检测、睡眠分期或者情绪识别。

但我们更感兴趣的问题是：

能否建立一个真正的Brain Foundation Model？

让一个模型学习大量脑电数据之后，获得对脑状态和神经活动的通用表示能力。

1. 脑电解码大模型

探索：

●EEG Foundation Model；

●EEG Transformer；

●Self-supervised Learning；

●Masked Signal Modeling；

●Contrastive Learning；

●Multimodal Foundation Model；

●跨被试脑电模型；

●跨任务脑电模型；

●少样本/零样本脑电解码；

●脑电时序世界模型。

应用方向可能包括：

●运动意图解码；

●癫痫检测与预测；

●睡眠分析；

●认知状态识别；

●意识状态评估；

●神经疾病辅助分析；

●闭环脑机接口。

我们希望探索从：

“一个任务训练一个模型”

逐渐走向：

“一个模型理解多种脑状态”。

2. 脑电 × 具身智能

我们尤其希望探索一个更前沿的问题：

如果机器人能够感知视觉、语言和环境，它是否也能够直接读取人的神经意图？

研究可能包括：

●EEG控制机器人；

●EEG控制机械臂；

●EEG与视觉/动作模型融合；

●Brain-Computer Interface + Vision-Language-Action Model；

●脑信号驱动具身Agent；

●人脑意图 → AI Agent → Robot Action；

●脑机接口闭环控制；

●神经反馈与强化学习。

目标是探索：

Brain → AI → Action

的新型人机交互范式。

3. 脑电 × 大语言模型

当EEG Foundation Model与LLM结合之后，我们希望探索一种新的脑机接口：

让大语言模型成为人脑和数字世界之间的“智能翻译器”。

研究内容包括：

●EEG与语言空间对齐；

●EEG-Language Multimodal Model；

●脑信号语义解码；

●LLM辅助脑机接口；

●Brain-LLM Agent；

●脑信号驱动智能体；

●个体化脑机接口大模型；

●闭环神经调控与智能决策。

我们希望探索一种未来的人机交互方式：

不是人适应机器，而是AI逐渐学会理解人的大脑。

我们希望寻找什么样的你？

我们欢迎来自不同学科背景的申请者，并不要求申请人同时掌握上述三个方向。

只要你在其中一个方向具有扎实基础，并愿意探索学科交叉问题，都非常欢迎联系我们。

基本要求

申请人应已获得或即将获得博士学位，相关专业包括但不限于：

●生物医学工程；

●计算机科学与技术；

●人工智能；

●电子信息；

●自动化；

●信号处理；

●医学影像；

●数学与统计；

●神经科学；

●计算生物学及其他相关专业。

我们尤其欢迎具有以下一种或多种经验的申请者

●PyTorch等深度学习框架；

●Computer Vision；

●Medical Image Computing；

●MRI Reconstruction；

●EEG / Neural Signal Processing；

●Transformer；

●Diffusion Model；

●Foundation Model；

●Multimodal Large Model；

●3D Gaussian Splatting；

●NeRF；

●Implicit Neural Representation；

●Self-supervised Learning；

●Reinforcement Learning；

●Embodied AI。

 

相比“你已经会多少模型”，我们更加看重：

你是否真正喜欢解决问题。

面对一个没有标准答案的问题，愿不愿意读论文、写代码、做实验、推翻方案，再重新寻找答案。

在这里，你可以做什么？

我们希望博士后不是一个单纯“完成项目”的岗位，而是一段能够建立自己独立研究方向的经历。

加入团队后，你可以围绕上述三个大方向，根据自己的研究背景选择一个核心方向深入发展，并逐步形成自己的研究主线。

团队将支持博士后开展：

●前沿人工智能方法研究；

●医学影像与脑科学研究；

●脑机接口算法研发；

●类器官智能分析；

●高水平论文发表；

●专利及软件系统开发；

●与医院、脑科学团队及产业团队开展交叉合作；

●将算法真正部署到医学和生命科学场景中。

我们尤其鼓励：

有想法的人自己提出问题。

如果你已经有一个大胆但尚未实现的想法，我们也很愿意一起把它变成真正的研究方向。

为什么加入我们？

过去几年，AI正在迅速改变计算机视觉、自然语言处理和机器人。

但在生命科学领域，还有大量真正困难的问题没有被解决。

人脑MRI的数据量远小于互联网图像；

脑电信号高度复杂并存在巨大个体差异；

类器官图像缺乏标准化标注；

真实医学问题也往往不存在完美ground truth。

这意味着：

这里可能并没有一个现成的模型等着你去Fine-tune。

你需要做的，可能是创造新的方法。

而这也正是我们认为最有意思的地方。

如果你希望自己的博士后工作不只是“再做一个benchmark”，而是希望把人工智能真正应用到：

Brain、BCI、Organoid、Drug Discovery以及未来的人机交互

我们非常期待你的加入。

岗位待遇

岗位：博士后研究人员

工作单位：中山大学生物医学工程学院
       脑机接口与人工智能课题组

根据申请人的研究经历、科研能力及岗位匹配情况：

综合年薪：45–55万元人民币/年（税前）

具体待遇根据个人经验与能力综合确定。

团队将提供开展研究所需要的算法、计算及交叉合作环境，并支持博士后围绕自身优势建立具有连续性的研究方向。

联系人：刘梦汀