Scientific Computing Engineer 科學運算工程師

你會加入的團隊
安瑟樂威是一家能源公司，核心挑戰：多源異質資料散落各處，要把它們變成可靠的決策依據。這條路涉及數值模擬、空間資訊技術、資料管線建置與 self-hosted 平台架構。我們需要能跨越「寫程式」和「理解物理意義」之間鴻溝的人，透過系統性的控制變數（資料來源、處理方式、格網解析度、模型架構），用即時觀測數據驗證，結果不如預期就砍掉換方向。

---
我們希望你
生成式 AI（GAI）是我們日常開發的核心工具，會用是基本門檻。更重要的是，你要能判斷 AI 出錯的時候錯在哪：數值悄悄飄掉、物理假設站不住腳、服務架構埋了地雷。這些判斷力只有做過的人才有，沒有實作經驗就不會有驗證的直覺。

核心必備（Must Have）
以下三項看似不同領域，但日常工作中是同一條決策鏈的三個環節：你用物理判斷設計實驗 → 用基礎設施跑起來 → 用 GAI 加速，但你負責抓錯，不需要每項都資深，但每項都要做過：

1. 數值模擬（Numerical Simulation）與物理判斷
a. 接受過訓練或實際執行過數值模擬，並了解模擬背後的物理意義。能判斷何時該用 physics-based simulation vs. data-driven ML vs. hybrid approach。
b. 期待深度：在設計模擬方案時，能判斷哪些環節對數值誤差最敏感、哪些物理簡化會帶來不可接受的偏差，據此選擇求解策略並設計驗證流程，而非把整個問題丟給 AI 再事後修補。
2. 自有基礎建設架構（Self-Hosted Infrastructure）
a. 設計 Linux 環境下可由 AI/自動化維運的 PaaS/CaaS/FaaS 服務架構，發生異常的時候，人類是最後一道防線。
b. 期待深度：能判斷「這個服務該 self-host 還是外包」、「這個架構在資料量成長 10 倍後撐不撐得住」、「AI 生成的 manifest/config 埋了什麼地雷」。不是日常維運操作員，是架構決策者。

3. 生成式 AI 協作與驗證能力
a. 能運用 GAI 工具輔助研究與開發，並具備驗證 AI 產出正確性的判斷力。
b. 期待深度：能設計 prompt strategy 拆解複雜科學問題、識別 AI 在數值計算中的 hallucination 風險、判斷 AI 建議的演算法在物理約束下是否成立。不只是「會用」，是能系統性地指揮 AI 並否證其產出。
應該具備（Should Have）
領域類（至少 1 項）：

1. 空間資訊技術（非地圖視覺化導向）：
a. 多格式空間資料處理、計算幾何（Voronoi、Delaunay、mesh generation）、拓撲運算
b. 期待深度：看到 AI 生成的空間分割或座標轉換程式，能判斷拓撲關係是否正確、投影選擇是否合理。不是自己手刻演算法，是能驗算結果的物理意義。

2. 資料分析能力（Data Analysis）：
a. 統計推論、視覺化溝通、資料品質監控、實驗設計與因果推論
b. 期待深度：AI 跑出一組統計結果，你能判斷假設檢定的前提是否成立、視覺化有沒有誤導、因果方向有沒有搞反。

工程類（至少 1 項）：

1. Python 資料整合處理（ETL）與數值計算（Numerical Computation）
a. 能針對各種來源（格式、頻率、品質各異）的資料，設計並產出完整的 ETL 過程。數值計算方面偏重統計方法的理解與正確應用（何時用什麼統計方法、前提假設是否成立、結果是否可信）。
b. 期待深度：能為異質多源資料設計出工程上可靠、統計上可信的 ETL，並判斷 AI 生成的 pipeline 在哪裡會悄悄出錯。做過才抓得到。

2. 伺服器端服務開發經驗（REST API）
a. 有設計與開發 REST API 的實作經驗，理解如何將內部運算邏輯（資料處理結果、模型推論、格網查詢）包裝成可供下游系統或使用者穩定取用的服務端點。
b. 期待深度：AI 可以寫出能跑的 API，你要能判斷介面設計是否經得起需求演化、異常處理是否涵蓋真實世界的邊界情境。不只是寫功能的人，而是在合理運算成本下能持續改進與交付的人。