博士岗位的雇佣结构与薪资
EPFL的博士体系和很多英美学校不同。学校明确说明，绝大多数博士生以doctoral assistant身份受雇，因此同时具有学生和雇员身份。2026年的博士助理起薪是CHF55,225税前年薪，并按照统一薪资表逐年递增。这个数字不是某个实验室自己开出来的临时补贴，而是学校层面的博士助理薪资标准。
雇员身份也意味着博士训练不只包含自己的论文研究。EPFL写明，博士助理通常还会参与本科教学和研究组日常运行。因此，申请前最好把“拿工资做博士”理解成一种研究岗位：你有稳定薪资，也同时承担研究组和教学中的责任。
“双重身份”还会改变时间管理。你既要满足博士项目的学术进展，也要履行雇佣关系中的工作职责。对于从纯学生环境过来的申请者，这意味着要提前适应更职业化的研究节奏：任务分配、代码和实验可复现、组内协作、课程支持都可能成为常规工作的一部分。
薪资表本身也给出了后续年份的递增逻辑，说明博士助理薪酬属于制度化的员工薪资，而不是每年重新谈判的导师补贴。申请者在比较资助时，应该把这种合同确定性和美国项目按学期发放的fellowship区分开来；两者都能支持读博，但对应的劳动关系、税务和职责完全不同。
LIONS的博士申请路径
Volkan Cevher负责的LIONS目前公开博士岗位，起始时间写的是持续开放。申请路径也很明确：候选人直接申请EPFL的EDEE或EDIC博士项目，并把Volkan Cevher列为潜在接收导师。也就是说，这不是只把材料投给实验室就结束，而是要同时满足博士项目的正式评审。
LIONS的团队页面把Volkan列为负责人和全职教授，目前还列出9名PhD学生。对申请者而言，这种规模意味着你进入的不是单导师单学生模式，而是一个有稳定博士生群体的研究环境。团队公开的博士毕业去向包括Google DeepMind、量化研究、科研岗位与高校职位，也能看出训练的出口并不局限于学术教职。
持续开放并不意味着随时提交都没有差别。EPFL的正式博士项目仍然有自己的评审流程，LIONS页面只是说明实验室的PhD入口没有设置单一的固定起始日。对申请者来说，先把博士项目要求、潜在导师匹配和自己的研究材料准备成熟，再进入正式申请，比把“continuous”理解成低门槛更准确。
研究训练的数学与计算要求
LIONS招募页对基础要求写得很直接：信息论、优化、计算机科学或应用数学背景都可以，高级编程能力是明显加分项。这里的专业词听起来偏理论，但对应到博士日常，其实是两类能力同时存在：一类是把问题写成可以分析的数学对象，另一类是用代码验证算法、跑大规模实验并解释结果。
所以材料里只强调“数学成绩好”或“工程项目多”都不够完整。更有说服力的写法，是选一到两个项目，说明你如何从问题定义走到理论分析，再走到实现和实验；如果项目主要是工程实现，也要补上你如何判断方法有效、如何设计对照和如何处理失败结果。
这类训练还有一个容易被低估的部分：理论研究也非常依赖工程质量。一个优化或学习问题，真正做到博士阶段时往往需要严谨的实验设计、稳定代码、计算资源管理和大量失败分析。材料里如果能展示你如何定位数值问题、验证理论预期、控制实验变量，会比只列出Python、Matlab等工具更能说明研究成熟度。
如果你的前期研究恰好落在机器学习或优化，材料还应避免把最新模型名称当成贡献本身。更重要的是解释你如何定义评价指标、怎样处理理论假设与数据限制、有没有独立设计实验。LIONS的公开要求把数学基础和编码能力并列，这正是因为博士研究需要从抽象问题一路走到可靠实现。
博士阶段的训练与职业出口
从LIONS公开信息看，团队近期持续有博士毕业和论文产出，毕业生去向也横跨科研机构、科技公司、量化岗位和高校。对想走工业研究的申请者，这种训练的价值在于数学建模和算法实现都能迁移；对想留学术界的人，则需要更早形成独立提出问题和证明/实验验证的能力。
EPFL的雇员结构还会训练另一类容易被忽略的能力：教学、协作和研究组责任。博士不是把四年时间完全封闭在个人论文里，而是要在项目、课程、论文和团队合作之间分配精力。这种工作方式是否适合自己，应该在申请前就想清楚。
LIONS公开的毕业去向提供了一个很好的参照：有人进入Google DeepMind，有人做量化研究，也有人留在高校或科研岗位。共同点不是某一个行业，而是训练形成的抽象建模、优化、统计推断和计算能力可以迁移。申请者最好先想清楚自己希望博士阶段积累哪一类可迁移能力，而不是只追逐某个热门关键词。
申请材料如何证明准备度
如果准备LIONS，CV可以把数学课程基础、研究论文或理论项目、代码仓库/系统实现、数值实验经验放在同一条叙事上。研究陈述不必铺太多方向，反而应该挑一个你真正做过的难点，解释它为什么难、你采用了什么思路、哪里仍然没解决。
最关键的是让材料同时回答两个问题：你有没有足够的理论基础进入高强度博士训练，以及你能不能把理论变成可检验的研究结果。LIONS公开的要求本身就把这两件事放在一起，因此申请材料也应当形成同样的结构。
研究陈述还可以主动处理“我哪里还不够”的问题。比如你有很强的编程但理论基础相对薄弱，可以用课程、阅读和研究经历证明自己正在补齐；反过来，如果数学很强但缺少大规模实验，就应该说明曾经怎样把推导转成可运行的实现。博士招生真正需要判断的是成长曲线，而不是简历上每一栏都已经完美。
