01｜3–4 年制 Technion PhD：普通博士全年可申请，Guy Gilboa 组当前明确有 PhD 空位
这期看的是 Technion – Israel Institute of Technology（以色列理工学院）的 Doctor of Philosophy 路线，具体落点在 Electrical and Computer Engineering 的 signal/image processing 与 foundation-model representation。Technion Graduate School 当前 PhD 页面写明：博士学习通常 3–4 年，并通常要求全日制投入；普通 PhD track 的申请全年进行，申请人需要在正式提交前找到 advisor。这里的“3–4 年制”来自学位官方页面，不是用奖学金月份或最长注册期替代。
本期导师是 Guy Gilboa，Associate Professor（副教授），Technion ECE 当前 faculty page 列出的研究领域是 Image & Signal Processing、Computer Vision & Bio-signals。更关键的是，他的课题组在 2026 年 3 月 4 日明确发布 Now Hiring：组内“have a few open places”给 MSc 和 PhD students，方向包括 foundation models representation、knowledge embedding in AI、image processing / computer vision，以及与 Efrat Shimron 合作的 advanced MRI acquisition。这是当前活跃博士位置，不只是一般教师目录。
02｜标题为什么是“约3.7万元起/年”：Technion 奖学金按 portion 发，最低一份只是起点
Technion 的 graduate scholarship 不是一个固定月薪，而是按 monthly portions 计算。Graduate School 当前规定，一个学生某月可以获得 1–6 份，份数由 academic unit 决定；自 2026 年 4 月起，PhD 在 candidacy exam 之前每一份为 NIS 1,401/月，之后每份为 NIS 1,522/月。标题按最小的 1 portion 计算：NIS 1,401×12=NIS 16,812/年，按 2026 年 9 月 16 日最近可取得汇率约 1 ILS=2.21186 CNY 折算，约人民币 3.7 万元/年起。
这个数字一定要正确理解：它不是“每个博士至少保证拿一份”，而是学校明示的 scholarship recipient 可获得的最小 portion 档。新申请者可在学生 portal 与 Graduate Degree Coordinator 协调提交 scholarship portions application，申请全年开放；最终是否获奖、拿几份，要由 academic unit 和 Graduate School 审批。普通 PhD 的奖学金标准期限最多 42 个月，特定条件下可延长；标题不把可能的高份额或延长期提前写成承诺。
03｜InfoNCE 为什么会把表示推向高斯：Gilboa 组把基础模型几何当成可证明的问题
Gilboa 在 2026 年的研究主线很集中：理解 foundation model 的 representation geometry。ICLR 2026 oral 论文 InfoNCE Induces Gaussian Distribution 研究 contrastive learning 中最基础的损失之一 InfoNCE，尝试解释为什么不同模态的高维 embedding 在统计上会呈现接近 multivariate Gaussian 的结构。课题组随后把这件事连到更广的“世界知识怎样被编码”问题：越稀有、越独特的图像或文本，表示向量在 embedding 空间里为什么更偏离中心？
04｜Universal Normal Embedding：编码器与扩散生成器原来可能共享同一种潜空间逻辑
CVPR 2026 的 The Universal Normal Embedding 进一步把 vision encoder 和 generative diffusion model 连了起来。两类模型训练目标完全不同：encoder 把图像压进语义表示，diffusion generator 从高斯噪声逐步生成图像。但 Gilboa 团队提出 universal normal embedding hypothesis，利用两边都出现的 Gaussianity 去寻找统一描述。一个很反直觉的结果是：扩散过程里看似“噪声”的变量仍包含可被线性 probing 访问的 semantic information。
这会打开一批很适合博士研究的问题。生成模型内部什么时候开始形成可读语义？不同 diffusion timestep 的语义可分性如何变化？encoder 与 generator 的表示是否能做无监督对齐？如果统一潜空间成立，它能否用于 editing、retrieval、interpretability 或生成内容检测？这些问题既有理论结构，也能用大规模实验验证，不会沦为只换一个模型跑 benchmark。
05｜不训练也能检测生成视频：从“模型指纹”转向时空 likelihood 的异常结构
同在 CVPR 2026，Gilboa 团队还有 Training-free detection of generated videos via spatial-temporal likelihoods。生成视频越来越逼真，如果检测器必须为每种 generator 单独训练，很容易跟不上模型更新。这个工作尝试利用视频在 spatial 与 temporal likelihood 上的结构差异，在不为每个生成器重新训练专用检测网络的前提下识别 synthetic video。
这类研究很适合信号处理背景申请者，因为它把“AI 安全”落回了经典问题：什么统计量能区分真实与生成信号？空间纹理和时间连续性要怎样联合？当压缩、剪辑或分辨率变化进入流程后，检测特征是否还稳定？Gilboa 组还在 ECCV 2026 做 classifier-agnostic、zero-shot 的 adversarial attack detection，方向很一致——尽量寻找跨架构、跨攻击或跨生成器仍成立的表示规律。
06｜套磁与 Research Proposal：招聘页已经把要求写得很具体，邮件也应该同样具体
Gilboa 的公开招聘页已经明确给出学术门槛：ECE 背景、很强的 signal processing 与 machine learning，尤其 linear algebra、random signals、DSP；MRI 方向再加 optimization 或 MRI 知识会更有优势。申请邮件因此不需要猜导师“喜欢什么”，直接围绕这些公开要求展示证据即可：哪些课程和项目真正用到随机过程、谱分析、优化、表示学习？是否做过视觉/信号重建、生成模型或医学成像？
Research Proposal 可以从组里 2026 年的真实问题继续长：例如证明某类 contrastive objective 的表示分布性质；研究 encoder–generator 对齐在不同架构下是否成立；设计无需 retraining 的 synthetic media detector；或把 learned prior 引入 MRI acquisition/reconstruction。关键是把理论假设、数据、评价标准和 failure case 写出来，不要把“foundation model”当成一句万能背景。
