推荐系统里一个很容易被忽略的差别，是用户点了某项内容，和用户真的从中获得了价值，并不是同一件事。算法如果只学会让人继续点击，可能把一时的好奇心误判成长期的学习或健康需求。上海纽约大学计算机科学助理教授文弘毅（Hongyi Wen）研究的人本人工智能与个性化推荐，恰好把这个问题放回具体应用场景。
文老师的工作涉及推荐系统、机器学习、人机交互，以及教育与健康领域的个性化服务。其公开论文包括讨论最差用户体验的稳健推荐研究，也有利用生成模型进行内容推荐与个性化图像交互的数据研究。不同论文处理的任务不相同，但持续出现的关切是：一个系统用什么来定义“对用户有帮助”。
点一次并不代表满意一次
如果把一次点击当作正反馈，模型就会更倾向展示相似内容。然而在教育平台里，学生点击一道题可能因为他完全不会，也可能因为他想快速复习。对于这两种人，下一步合适的内容并不一致。单一点击指标容易把需求不同的人混在一起，反而让系统在看似高效的推荐里累积误差。
文老师的研究主页与学校介绍中出现过关于分布稳健推荐的工作。这类研究提醒我们，平均体验提升不一定意味着每一类用户都受益。假设整体评价上升，但少数学习基础较弱的用户体验恶化，研究者就需要重新思考目标函数、用户分组和评价指标，而不能只用总平均数说明系统公平或有效。
生成式系统让问题更加复杂。它不再只是从有限的候选内容中挑选一项，还可能即时生成一段文字或图像。这样一来，评价的不仅是选得是否合适，还包括生成内容是否一致、能不能体现用户意图、是否让不同用户产生系统性偏差。实验室的研究可以为申请者打开这些问题，但不能由此推断每位博士新生都会进入同一项具体生成模型项目。
看导师，更要看博士会怎样被训练
上海纽约大学与纽约大学相关院系合作设置计算机科学博士项目。公开制度说明：学生通常先在纽约学习博士基础课程，再转入上海纽约大学导师团队开展研究，最终获得纽约大学授予的学位。初期课程训练和后续课题组研究分处两地，意味着申请者需要同时考虑学术准备、地点迁移与不同阶段的研究合作方式。
这与从入学起一直在一间实验室做同一题目的想象不一样。早期课程可能帮助建立算法和统计基础，之后的团队研究则要求把这些知识放进一个可实施的目标。尤其在人本AI方向，申请者还需要理解用户研究、研究伦理、数据治理与实验可重复性。会用推荐算法不等于已经会研究真实用户。
学校计算机科学博士项目的导师名单列有文弘毅，研究关键词包括推荐系统、数据挖掘和人本AI。博士申请由纽约大学相关项目系统受理，2027年秋季入学的公布截止日为2026年12月12日。候选人需按规定表达上海研究方向的意愿；导师在名单上并不代表他已经为任何特定申请者预留名额。
全额资助的含义需要读完整
校方列明，上海纽约大学博士生通过NYU Shanghai Doctoral Fellowship获得资金支持，包括纽约大学学费及费用、年度生活津贴、差旅支持和国际医疗保险。计算机科学博士项目还列有在纽约阶段的住房协助。这个覆盖范围支持讨论全额资助制度，但个人录取、具体金额与资助期限仍以正式录取文件为准，不能擅自换算成某个固定月薪。
写研究计划时，若希望与文老师的人本推荐研究契合，可以从自己真实接触过的反馈问题出发：怎样区分点击和满意、怎样衡量不同用户群体的长期体验、怎样证明生成推荐不是只在常见样本上表现良好。与其宣称想做“改变世界的AI”，不如让一个具体假设、一种可能取得的数据和它最难识别的偏差形成完整逻辑。
还要接受一件不太浪漫的事：好的研究问题未必能直接得到漂亮的数据。用户反馈可能稀疏，教育和健康数据涉及隐私，长期价值需要等待时间才能观察。能够从一开始承认这些困难、设计合理的替代验证，比许诺做一个万能的个性化平台，更能说明申请者适不适合长期进入这个研究方向。
