从一项已经表现不错的算法走向可以长期研究的问题，中间往往隔着一件难事：你能否说明，系统在什么环境下会失去可靠性。机器人在演示环境里识别物体、规划路线，和它进入真实空间、处理遮挡与突发变化，是两个层次的任务。对于考虑人工智能博士的人而言，真正值得判断的不是自己会不会调用某个模型，而是能否把这种差距转成可验证的研究问题。
香港科技大学计算机科学及工程学系的 Song Guo 是讲座教授，同时担任学校物理人工智能中心主任。他的团队公开讨论具身人工智能、世界模型以及使智能体与物理环境互动的基础模型，个人主页也明确表示招募博士研究生。与其只把这些主题理解为热门关键词，不如追问：一个系统的判断何时可以从文本和图像迁移到有时间、空间与动作后果的现实世界？
以机器人抓取为例，视觉模型可能判断出桌面上有什么，却未必知道一个动作会不会让目标滑落。世界模型尝试让系统表示环境状态随动作如何变化；但如果训练数据来自受控场景，现实中摩擦系数、光线、物体形变的改变都可能让预测偏离。若研究经历只是训练分类模型、展示准确率，这与验证物理交互系统之间仍有方法上的距离。这个差距不是否定既有经历，而是说明申请陈述需要呈现更具体的判断。
把一个应用项目变成研究证据
假设申请者做过多模态机器人项目，材料里写“使用视觉语言模型实现自主操作”，信息仍然不够。一个有研究价值的版本，应交代目标任务是什么、原方案在什么条件下失败、如何区分感知误差与动作规划误差、设计了怎样的对照，以及结果还有哪些无法解释的现象。即使最终没获得完美表现，这类记录也能展示分析能力。
宋国团队的研究重点涉及世界模型、具身智能和机器学习系统。申请者如果有强化学习、机器人实验、系统优化、图像与语言联合建模的经验，可以从自己的工作中挑出最接近的一段来解释；若既没有真实设备经验，也没有模拟环境中的评价设计，就应把补齐实验与评测能力列为实在的准备，而不是只增加项目名称。
对于跨专业申请者，还有一个常被忽略的判断：现有研究经历是否能向一个明确的博士问题继续深入。做过视觉识别的人，可以将注意力放在感知结果如何受到动作反馈影响；做过控制的人，可以把学习算法在稳定性与安全约束下的表现作为问题。两者不必强行合并成一份宏大的研究计划，重要的是知道不同方法各自需要什么证据。
团队页面写出了博士研究生招募信号，却没有把某位申请者会获得多少名额、哪一种资助写成个人保证。香港科技大学公布的研究型研究生助学金制度提供可参考的经费框架：按2026/27学年标准，相关全日制研究生的PGS为每月港币19,135元；学生须符合学校资格并经过评估。这里的金额属于学校层面的研究生资助政策，并非宋国教授单独承诺。
同一份履历里的不同可能性
如果一位申请者的强项是高效训练、推理部署、异构计算，他可能更适合从机器学习系统瓶颈切入：例如复杂模型如何在资源受限的机器人平台上按时运行，推理速度与决策质量怎样权衡。另一位申请者如果有控制、传感器融合或运动规划背景，则可以把环境不确定性和闭环反馈作为研究起点。两类经历都与物理人工智能有关，但需要的科研训练明显不同。
文章题目里出现的讲座教授头衔和科研荣誉，是研究者履历的一部分；选择博士导师时，我更愿意看申请者是否能够沿着团队当前的问题持续推进。个人主页显示，宋国教授获得过IEEE/ACM多项最佳论文奖，并获选加拿大皇家学会院士。这证明其学术活动活跃，但不能替代申请者对实验、数据和理论困难的具体理解。
科研计划不必把所有方向都列进去。若最熟悉的是一个机器人任务，可以沿着一项失败现象写出可检验的假设，界定训练与测试场景，解释为什么当前评价指标不够，并指出自己准备补哪部分方法。这样的文字往往比“希望利用大模型推动智能机器人发展”更容易被认真讨论。
是否申请这类团队，可以用一个朴素的标准判断：你能否拿出一段做过的工作，清楚展示自己怎样发现模型的局限、怎样设计实验去验证，以及下一步究竟想解决哪一个局限。只有在这个问题上讲得具体，学校条件、导师研究与个人准备才会真正连在一起。
