如果一个申请者的作品集里有很多漂亮的AI生成图、参数化模型，申博时是不是就能说自己有很强的科研能力？这两年工具越好用，这个问题反而越值得认真想。
作品完成得快，当然不是坏事。但博士研究更在乎另一件事：面对现实中不听话的材料、不完整的数据和不断改变的条件，你能不能提出一个具体问题，再找到办法检验自己的回答。
我想用香港大学建筑学系 Kristof Crolla（高仕棠）副教授的研究来讲这件事。他的官方资料显示，他主持 Building Simplexity Lab，关注计算设计、竹建筑、数字建造，以及复杂的数字方案如何在真实工地落地。单看这些关键词，可能觉得这是一位“会用很多前沿工具”的建筑导师。但把研究再往里读一点，判断会发生变化。
从一座竹亭，看见“计算”为什么不能停在屏幕里
Crolla 署名的一项研究，讨论香港的 ZCB Bamboo Pavilion。研究对象不是一张概念效果图，而是一座用天然竹杆、人工绑扎建成的弯曲网壳结构。论文关心的是：数字模型算出来的形状很精确，可真正送到现场的每根竹子，粗细、弯曲程度和连接状态都不一样，施工手艺也不可能像机器一样完全重复。
这里有个很容易被忽略的反差。我们通常希望设计模型越准确越好，但这座竹亭面对的不是“模型不够精确”，而是现实本来就带着不确定性。研究要想办法把竹材的差异、施工可能产生的误差，以及现场可用的技术一起考虑进去。数字工具不是替代现场，而是帮助设计者和施工者在误差中合作。
这个研究在2017年发表，不能因为它今天仍然很有启发，就把它说成教授最新的招生项目；港大目前的实验室介绍也只是说明，他持续关注计算设计与建造实际之间的关系。对申博来说，这两类资料要分开看：一篇有明确作者归属的研究告诉我们他怎样思考问题，实验室页面帮助我们了解研究领域的大方向，却不告诉我们他这一轮是否有博士名额。
如果把这位导师放进申请名单，我会怎样查
我不会先问“他做建筑加AI，我学AI是不是就适合”。我会先把论文里的工作拆成几个具体环节：把真实材料的差异转化为可描述的数据；让几何模型能够容纳误差；再把模型里的判断变成现场的人可以使用的建造信息。然后回头检查申请者过去是否接触过其中任何一个环节。
假设申请者来自建筑设计，做过许多参数化造型，但作品集只展示了一连串流畅的模型截图。这说明他有设计表达能力，却还不能说明他研究过材料或建造限制。如果过去有一次失败的实体模型实验，认真记录过构件偏差怎样影响整体形状，反而可能是更值得保留的证据。
如果申请者来自工程或计算机，也不能因为自己的专业名称不叫建筑就直接排除。做过结构建模、误差分析、优化方法的人，或许能够理解这类工作的计算问题。不过，这只是从公开论文推出来的初步关联。真正要继续讨论，仍得看他愿不愿意研究材料与施工，而不是只想把自己的算法应用到一张建筑图上。
甚至对一个最擅长生成式AI的申请者，我想问的也不会只是“用过哪些模型”。我更想知道：当工具给出一个看起来不错的结果，你会用什么标准判断它可行？结果不符合现实条件时，你是换一种提示词，还是能重新定义问题、采集证据并解释为什么失败？后面这些能力，才有可能连接到论文里的研究任务。
名单之外，还有哪些事情不能靠猜
公开论文可以让人初步理解导师的研究方法，不能代替一封具体的学术沟通，更不能证明导师今年要招哪种背景的人。港大建筑学博士有正式的研究培养路径，学校也设有面向优秀全日制博士申请人的竞争性全额资助途径；但能申请资助，不等于Crolla副教授正在提供个人名额，更不等于某位申请者一定拿得到。
这也是我看导师时最重视的一个区别：研究方向匹配，不是作品集里同样出现几个流行词；它是你能说明，导师论文在解决什么实际困难，而自己在哪一步有能力继续追问。
准备材料前，不妨挑出过去最扎实的一项作品，暂时把“AI”“参数化”“创新”这些形容词遮住。只留下你遇到的限制、作出的选择、失败的地方和能拿出的证据。要是这几件事依然说得清楚，你就不只是向导师展示工具了。
