课题组公开信息和推断
同样是做机器学习的博士，在剑桥工程系和在一般学校差别很大，但也不全是你想的那种差别。José Miguel Hernández-Lobato 这个组偏概率方法、偏数学，不是那种大规模跑实验出 benchmark 的风格。适合的人进去如鱼得水，不适合的人可能一年都找不到自己的问题。
先说能确认的：他 2016 年入职剑桥工程系，现在已经升到 Professor（Grade 11），这是剑桥的正教授级别。Google Scholar 上引用约 22000 次，论文 150 多篇。他同时是 ICML、NeurIPS、UAI 三个顶会的 Area Chair，AAAI 和 IJCAI 的 Senior PC。从 ResearchGate 能看到组里挂名的研究者包括 Gergely Flamich、Jiajun He、Javier Antorán 等人，但具体当前在读 PhD 几个，公开页面没写清楚，我不敢给一个确切数字。
新组/招生信号
这不是一个新组。Hernández-Lobato 在剑桥已经待了快十年，组的框架是稳定的。但剑桥 MLG（Machine Learning Group）的 PhD 项目页面上写得很清楚：他们每年接受申请，PhD 学位是 Engineering 方向（不是 Computer Science，也不是 Statistics），通常 3-4 年，第一年有课程要求和研究报告。
他的组没有预先指定项目题目，官网原话是"prefer to find a research area that suits the student"。这听起来自由度高，但反过来说，套磁邮件如果写不出一个具体的研究问题方向，对方可能根本不知道怎么回你。
招生信号判断：剑桥 MLG 每年有固定的 PhD 招生窗口，申请截止通常在 12 月初。Hernández-Lobato 组的公开页面没有挂出明确的 PhD opening 数量，但从组内人员更替来看，每年应该有 1-2 个名额。这条判断的依据偏弱，具体以导师回复为准。
机会与风险
机会在哪里：他的研究方向横跨贝叶斯深度学习、分子自动设计、近似推断和贝叶斯优化，这几个方向在工业界和学术界都有明确需求。特别是分子设计方向，现在制药公司的 AI 团队在大量招有贝叶斯优化背景的人。他之前的博后和学生毕业后去了学术界和工业界都有，MLG 网站上能查到 alumni 列表。
风险在哪里：第一，剑桥工程系 PhD 的数学要求很高。官网建议的理想背景是数学、物理、计算机或电子工程的顶尖本科或硕士学位，要同时有"very strong mathematically"和"practical grasp of computation"。纯工程背景但数学基础一般的人，进去之后概率模型和推导部分会比较痛苦。
需要确认的风险点：1）导师当前是否有确定的 funding 支持新 PhD，需要邮件直接问；2）组内学生的实际毕业年限，公开信息不够，只能看到"通常 3-4 年"的官方说法；3）博后和 PhD 的比例，目前没有完整数据。
第二个风险是竞争。剑桥 MLG 的申请量很大，录取的人通常来自全球 top 院校，且至少有一段统计学习或概率模型相关的研究经历。没有相关一作或项目的人，光靠课程成绩很难进入面试。
论文中的申请信号
我看了他近几年比较有代表性的几篇工作，想从中读出申请者应该准备什么。
DOCKSTRING: Easy Molecular Docking Yields Better Benchmarks for Ligand Design
Journal of Chemical Information and Modeling, 2022
这篇做的是分子对接的基准工具，把贝叶斯优化和分子设计结合起来。如果你的背景偏化学信息学或计算化学，这类工作说明组里有成熟的分子设计 pipeline，RP 可以往药物发现的优化环节写。
normflows: A PyTorch Package for Normalizing Flows
JOSS, 2023
标准化流（Normalizing Flows）是他组里的一条主线。这个开源工具包说明组里重视方法落地和可复现性。做过生成模型、变分推断或流模型的人，邮件里可以直接提到这个工具，说明你用过或者有改进想法。
Getting a CLUE: A Method for Explaining Uncertainty Estimates
NeurIPS Workshop / arXiv, 2020
这篇关注的是不确定性估计的可解释性，贝叶斯神经网络是核心方法。如果你对可解释 AI 和不确定性量化感兴趣，这篇工作可以作为 RP 的切入点，比如把不确定性量化方法应用到医疗决策或安全关键系统中。
从论文来看，RP 可以考虑两个主方向。第一个偏应用侧：把贝叶斯优化用在某个具体科学发现场景（分子设计、材料筛选、实验设计），写清楚数据来源、搜索空间和评价指标。第二个偏方法侧：改进近似推断或生成模型的某个具体瓶颈，比如高维后验分布的采样效率。第一个方向可能更容易写出具体题目，第二个方向需要更强的数学准备。
邮件与面试问题
邮件第一段应该放的证据：1. 你做过什么具体的概率模型或贝叶斯方法相关项目（不是泛泛写"对机器学习感兴趣"）2. 你读过他哪篇论文，想在哪个点上继续（比如"我看了 normflows 的实现，想在 XX 方面做扩展"）3. 你的数学和编程背景具体到什么程度（概率论、随机过程、PyTorch 实现经验）
面试中需要确认的问题：1. 目前是否有 funded position 或需要自带奖学金2. 博士前两年的指导模式：是一对一 weekly meeting 还是组会为主3. 组里目前的研究重心是偏分子设计应用还是偏基础方法4. 第一年的课程负担和研究报告要求具体是什么
剑桥 MLG 的申请走的是大学统一系统，不是导师自己收邮件决定。但提前和导师建立联系仍然有用，至少能确认他今年是否有名额。邮件写得太泛的人通常不会收到回复，这个组对邮件质量的要求比很多组都高。
学校资助/项目奖学金
剑桥的 PhD 资助比较分散，需要自己拼。主要来源有几个：
EPSRC Studentship：英国工程和物理科学研究委员会资助，覆盖学费和每年约 £20,780 的免税生活津贴。这是工程系最常见的资助来源，但通常优先给英国本土学生，国际学生拿到的概率相对低一些。
Gates Cambridge 奖学金：面向非英国公民，每年约 £22,050 生活津贴，加上学费全免、往返机票和签证费。竞争非常激烈，每年全校约 80 个名额。
Cambridge Trust 奖学金：多种类型，部分覆盖学费，部分覆盖学费加生活费。申请时在系统里勾选即可，不需要单独申请。
导师项目经费：部分导师有自己的 grant 可以资助 PhD，但 Hernández-Lobato 目前是否有这类名额，公开信息看不出来，必须邮件确认。
剑桥的生活成本不低，学校建议每年生活费预算约 £14,000-15,000。如果拿到全额奖学金（学费 + £20,000 以上的津贴），基本可以覆盖日常开销，但不会很宽裕。
总的判断：Hernández-Lobato 的组适合数学基础扎实、对概率方法有真实兴趣的人。如果你有一作或合作的贝叶斯相关论文，申请竞争力会高很多。没有相关经历的人，先花时间读他的论文和代码库，确认自己确实能接上这条线，再决定是否投入精力申请。
信息来源：剑桥大学工程系官网、Cambridge MLG 官网、Google Scholar、ResearchGate、Gates Cambridge 官网。数据截至 2026 年 6 月，如有变动以官方最新页面为准。本文内容仅供参考，不构成申请建议。
