01｜先看限制：4 年制 Computer Science PhD，SOFAIR studentship 只收 Home fee 申请者
伦敦大学学院 Computer Science (4 Year Programme) MPhil/PhD 是官方明确的 4 年全日制研究博士项目。2026/2027 学年 UK 学费为 6,400 英镑/年，Overseas 学费为 34,700 英镑/年；项目页同时说明申请一般滚动接受，但具体起始时间仍会受资助项目和院系安排影响。当前最明确的一条博士机会来自 UCL Centre for Artificial Intelligence 的 SOFAIR Lab。
SOFAIR 当前开放 2026 年 10 月入学的博士 studentship，并写明按 rolling basis 考虑申请。现金 stipend 为 2026/2027 学年税前口径中的 tax-free 27,805 英镑/年，资助期 4 年，同时覆盖 UK Home rate 的学费，并提供研究与培训经费。这里必须强调一条硬限制：该 studentship 只接受符合 Home (UK) tuition fee status 的申请者，international / overseas fee-status 申请者不能申请。
2026 年 9 月 8 日没有可用公开汇率报价，因此使用最近可用的 2026 年 9 月 4 日中间价 1 英镑约 9.0895 元人民币，27,805 英镑约为 25.3 万元/年。这个人民币数字只折算公开的现金 stipend，不把 Home tuition coverage 或培训经费加进来。对不具备 Home fee status 的申请者，这条具体资助不适用，不能拿标题金额去推断自己也能获得同样 package。
02｜Brooks Paige 是机器学习副教授，当前申请材料直接发给他
Brooks Paige 目前是 UCL Centre for Artificial Intelligence 的 Associate Professor in Machine Learning，也就是机器学习副教授。SOFAIR 的当前 funding page 要求申请者把 expression of interest、CV 和 1–2 页 research statement 直接邮件发送给 Brooks Paige，邮件主题使用“SOFAIR PhD Studentship”。页面说明可以提出潜在导师，但在这一阶段并不要求必须锁定具体 supervisor。
所以这条机会的重点不是“先找一个导师名字挂上去”，而是进入一个围绕 foundational AI safety、开放式研究环境和轮转项目组织的博士训练框架。Brooks Paige 本人的研究则把概率建模、贝叶斯推断、主动学习和现代机器学习问题连在一起，尤其重视当数据不完整、环境变化或目标不稳定时，模型的推断还能不能可信。
03｜COBALT：数据被截断以后，主动学习还知道下一步该问什么吗
Brooks Paige 参与的 2026 年 UAI 论文 COBALT 研究 censored data 下的 Bayesian Active Learning 与 Bayesian Optimization。所谓 censored，并不是简单“缺数据”，而是观测结果被测量上限、检测阈值或记录机制截断：你知道真实值落在某个范围，却看不到完整数值。Tobit likelihood 可以描述这类数据，但会让信息论 acquisition function 的计算变得更麻烦。
这项工作推导了 censored normal 的闭式熵、构造可用于 Gaussian posterior approximation 的 BALD score，并给出稳定的 ELBO，同时分析 posterior consistency 和 MAP estimator 的渐近性质。对博士申请者来说，亮点不在公式多，而在研究问题很具体：当每一次新实验都昂贵，而结果还可能被仪器边界截断时，模型应该怎样选择下一次最值得做的实验。它可以连接实验设计、科学机器学习、贝叶斯优化和不确定性量化。
04｜偏好会变：2025 年 NS-DPO 把“今天喜欢什么”写进对齐目标
另一项 2025 年 ICML 工作 Right Now, Wrong Then 处理的是 preference drift。常见的偏好优化会把不同时间收集到的人类比较数据放在一起，默认背后的奖励函数稳定；但现实里的用户、社会规范和任务要求都可能变化。论文提出 Non-Stationary Direct Preference Optimisation，用 dynamic Bradley–Terry model 表达随时间变化的 reward，并用一个 discount parameter 给更近的偏好数据更高权重。
这和概率机器学习的核心问题其实相通：模型面对的不是一个静止世界。博士研究如果只追求训练集上的最优平均表现，很容易忽略数据生成过程在变化。围绕 preference drift 可以继续问得很具体：变化速度如何估计，何时应该遗忘旧数据，群体偏好发生分化时单一时间权重是否仍够用，以及怎样把不确定性带入更新策略。这样的提案比泛泛写“我想做 LLM safety”更容易和 Paige 的公开研究形成方法连接。
05｜什么背景适合：概率、统计与机器学习要能落到“决策不确定性”上
计算机、统计、数学、机器学习或相关工程背景都可能匹配 SOFAIR 页面给出的典型准备。对 Brooks Paige 这条研究线，更有区分度的经历包括 Bayesian modelling、Gaussian process、variational inference、active learning、uncertainty calibration、sequential decision making，以及能把这些方法用在真实受限数据上的项目。
如果你主要做深度学习，也不需要硬转成纯理论方向。关键是能说明模型为什么需要知道自己“不知道什么”，以及这种不确定性怎样改变采样、实验、反馈或部署决策。例如实验结果有检测下限、用户偏好会漂移、在线系统的数据分布不断变化，都可以成为可定义的研究问题。
06｜Research statement 只有 1–2 页：比堆关键词更重要的是给出一个可轮转的问题
SOFAIR 当前要求的 research statement 只有 1–2 页，并希望申请者提出一个适合 4–6 个月 rotation project 的潜在研究想法。这个尺度很重要：它不是让你写一份四年博士论文目录，而是证明你可以把一个大方向压缩成可在几个月里验证的假设、数据和评价方法。
可以从 Paige 的近期研究自然延伸，例如设计对 censored observation 更鲁棒的主动实验策略，研究 preference drift 下怎样自适应估计时间尺度，或比较不同 uncertainty representation 对安全决策的影响。邮件里再补上最相关的一项研究经历、代码或论文链接即可。最后再提醒一次：SOFAIR 当前这项 studentship 明确限 Home fee 申请者，国际申请者需要另找适用的 UCL funding，不能把这条具体资助条件移植到其他录取路径。
