研究型博士的资助与修读结构
香港教育大学的研究型博士项目面向全日制申请者，正常修读期为3至4年。学校目前公布的2026/27年度Research Postgraduate Studentship为HK$19,100/月，博士通过资格确认后为HK$19,600/月。所有录取到UGC资助全日制研究型研究生项目的学生都会自动进入助学金评审，但最终授予仍基于学术表现。
这类资助结构对博士训练有一个直接影响：申请者不需要把注意力全部放在寻找单独的导师RA岗位，而应先确保自己满足研究型项目的录取与学术要求。助学金属于学校制度，导师匹配则决定研究训练从哪个问题出发，两者在申请材料里需要分别处理。
对准备读博的人来说，3至4年的正常修读期也意味着研究计划必须有可推进的阶段。第一阶段通常是把问题和方法收窄，随后通过实验或模型建立稳定结果，再逐步形成论文和博士论文。申请时不需要把四年的每一步都写死，但应该说明自己的研究问题为什么能够被拆成可验证的子问题。
David Chan团队的研究环境
Tse Tin David Chan现任数学与资讯科技学系助理教授，个人页面明确写着正在招收PhD学生和博士后。页面还列出团队现有5名博士后、2名PhD学生和1名研究助理；学系研究型研究生名单也显示多名学生由他担任主要导师。这些信息说明团队已经形成稳定的博士指导和研究协作环境。
团队当前重点包括工业物联网无线通信与AIGC服务。前者关心设备、网络和资源受限条件下怎样保持可靠与及时的信息传输，后者则进一步把生成式AI服务放到边缘网络、计算资源与用户体验的约束中研究。对博士生来说，这类问题通常需要同时处理通信模型、优化、算法和系统评价。
David Chan还担任BSc(AI&EdTech) Programme Leader。这个角色本身不是博士招生条件，但能看出其工作同时连接通信、AI与教学应用。申请者如果来自通信工程，可以突出资源分配、网络优化与协议分析；来自计算机或AI，则要说明模型如何落到受限计算和通信环境，而不是只展示离线模型精度。
博士阶段如何形成研究能力
这一方向的博士训练很适合用“模型—算法—仿真—系统解释”来理解。首先要把网络、设备或服务的约束写成可分析模型，再设计资源分配或调度方法，通过仿真和实验比较基线，最后解释性能提升来自哪里。真正难的部分往往不是得到一个更高指标，而是确认改进在不同负载、信道或数据条件下仍然成立。
如果做工业物联网，研究问题可能涉及信息新鲜度、可靠性、时延和能耗之间的权衡；如果做AIGC服务，则可能加入模型选择、算力、网络传输和用户体验。申请材料里最好挑一个已有项目，展示你是否有把多个约束放进同一问题并进行权衡的经验。
博士阶段还需要持续阅读和复现实验。对算法型研究，代码只是第一层，第二层是能否还原论文中的假设和评价条件，第三层是能否指出方法在真实约束下会在哪些地方失效。申请时如果能把一次复现、失败实验或模型修正讲清楚，会比只列“熟悉Python、MATLAB”更能体现训练潜力。
申请材料与团队需求的对应关系
CV可以按研究能力而不是时间顺序组织：理论与数学基础、算法与优化、仿真/编程、真实系统或数据经验分别列清。每个代表项目尽量写明你独立负责的部分、使用的评价指标和最终结论。如果有多人合作，明确自己的边界反而更可信。
研究计划建议从一个具体场景切入。例如在工业物联网中，可以问“在有限带宽与计算预算下，怎样同时控制信息时效和可靠性”；在AIGC服务中，则可以问“模型质量、时延、能耗和用户体验怎样联合优化”。问题越具体，越容易判断需要什么数学工具和实验设置。
面试准备也可以沿着同一逻辑：为什么这个问题重要，现有方法在哪个假设下成立，你的方案改变了什么，怎样证明或验证改进。这样训练出来的表达方式，和博士阶段做组会、论文答辩以及写作都直接相关。
如果你已经有通信、优化或机器学习论文，可以再做一次“研究贡献拆解”：把问题定义、理论推导、算法设计、代码实现、数据处理和论文写作分别标出自己承担的部分。David Chan团队同时有博士后、博士生和研究助理，协作会很常见，导师需要判断的不只是你有没有成果，还包括你能否在多人项目中独立负责一段工作并把接口说明清楚。
对于转方向申请者，最值得提前补的是数学和系统两端的连接。只做过深度学习的人可以补网络优化与概率建模，只做过通信理论的人可以补可复现的程序实现和真实数据实验。博士训练的价值就在于把这两端逐渐接起来，所以材料中不必伪装成已经什么都会，但要让学习路径足够具体。
