搜尋其他科系
我的畢業年份
生物資訊
🇹🇼 台灣 · 自然科學最先減少新鮮人職缺249 個科系中風險最高的前 13%
我的科系壽命
1年 5個月
00天 00:00:00:000
距離這個科系的畢業生職缺開始因 AI 減少
2028年3月24日 · 倒數 544 天
推估區間 現在 – 3年 11個月
2030 年畢業：職缺可能在畢業前就開始減少
撰寫分析流程程式、整理資料、跑標準分析這些新人工作，AI 代理已經做得到。生物學上的解讀與實驗驗證，加上研究與製藥這些出路，能稍微撐住招募。
「科系壽命」是距離畢業生職缺開始因 AI 減少的剩餘時間，不代表科系會消失，也不代表所有人都會失業。
AI vs 人類，你站哪一邊？
新進人員招募縮減
科系排名31 / 249
畢業後的出路
2030畢業出路 · 以 2030 年 6 月底估算剩餘時間
生物資訊：AI 對畢業生求職的影響
生物資訊系的畢業生，工作內容其實比較接近工程師，寫程式處理基因或蛋白質數據的比例，通常比在濕實驗室裡動手做實驗更高，這也讓這個領域感受AI衝擊的方式和其他生物相關科系不一樣。
生物資訊新人常寫的分析程式，AI代理接手了多少？
處理基因體或蛋白質數據時，過去新人要自己寫程式清理雜訊資料、串接好幾個分析工具、跑標準的統計分析，現在AI程式代理已經能直接完成這整套流程，甚至自己抓出程式哪裡出錯並修正。但AI跑出來的結果，像是某個基因變異到底跟疾病有沒有關係，這樣的生物學判斷還是得靠人；把電腦分析的結果拿到實驗室裡用實驗驗證是否成立，也仍然需要人來設計和執行。
資料科學家和製藥研發人員，誰先受到職缺壓力？
在這幾條出路裡，資料科學家因為工作內容以分析程式為主，AI代理能直接接手大部分流程，職缺壓力出現得最早。生命科學研究與製藥研發接著受到影響，但這兩條路因為牽涉生物學判斷和實驗驗證，衝擊會晚一些。走AI研究方向的人，目前偏向和AI工具一起工作，而不是被取代。
讀生物資訊系，該怎麼準備才不只是會寫分析程式？
比起只熟悉怎麼串接分析工具、跑標準流程，更值得投資的是看懂生物學意義的能力，像是判斷一個分析結果合不合理、值不值得進一步用實驗驗證。找實驗室或研究單位實習，親自參與從分析結果到實驗驗證的過程，會比只會寫程式的同學更有優勢，也更適合往研究所方向發展。
撰寫日期
資料來源
資料用於說明工作、制度與科系。AI 取代時間與分數為 AI 推估，不是來源機構的預測。 計算方法（英文）
留言· 繁體中文