机器人和一个人互动时，模型往往只需要推断这个人的技能、注意力或偏好。可当它走进教室、养老机构或多人协作环境，问题突然变了：参与者彼此会影响，群体的注意力也会移动，同一句提示可能同时帮助一些人、打断另一些人。让机器人适应一个群体，比让它适应某个固定用户更复杂。
帝国理工学院计算机系Nicole Salomons助理教授主持Personal, Assistive, and Intelligent Robotics，也就是PAIR实验室。团队研究教育机器人、多用户机器人、用户建模，以及机器人怎样影响人的社会行为。它并不把机器人控制或一般视觉识别当作核心方向。这一点对于准备申博的人相当关键，因为“我做过机器人”远远不足以证明研究问题匹配。
项目要研究的是群体，不是机器人外形
实验室公开的博士招募列出多人用户建模、群体动态建模，以及开放的人机交互选题。多人用户建模要求把同一互动中的不同人的技能、偏好或社会属性表达出来；群体动态关心的是群体身份感、凝聚力等属性如何变化。研究者不仅要提出模型，还要说明模型怎样影响机器人采取的行动。
这些术语容易让人误以为只要会深度学习，就能直接上手。真正困难的是确定研究对象：一个人的不参与，是因为内容太难、机器人忽略了他，还是因为其他成员占据了互动空间？如果群体凝聚力在活动中改变，怎样区分机器人行为和成员相互影响所造成的变化？这些问题涉及实验设计、行为测量和群体层面的解释，不能只靠训练一个分类器来回答。
Salomons团队公开的研究覆盖家庭场景中的机器人教练、课堂里的多用户机器人，以及机器人社会影响。选择这些场景不是为了制造温暖的故事，而是因为人机交互研究的真实环境往往有干扰、行为变化和长期适应。实验室控制条件下成功的互动策略，在真实教室里是否仍然有效，需要重新测量。
这次机会给了明确的研究边界
PAIR实验室明确公布招收三名获得全额资助的博士研究生，计划2027年9月加入，境内及国际申请者均可考虑，申请截止时间为2026年12月1日。这里的“全额资助”指特定岗位及其竞争性遴选，不是帝国理工学院所有博士项目的统一承诺。名额和日期均来自实验室招募页面，是否获得录取仍由正式评审决定。
人机交互中的群体数据还带来一种额外困难：一次实验里的参与者并不是互相独立的样本。某个人的反应可能改变别人继续参与的意愿，如果分析只记录单个用户是否完成任务，就可能漏掉机器人对群体关系的影响。因此，定义数据收集单位和评价尺度，跟设计机器人行为本身同样重要。这种研究兴趣也解释了为什么实验室明确强调多人用户建模。
开放题目尤其容易写得太泛。比如“利用社交机器人改善教育”，很难识别创新在哪里。更好的候选问题可能是：面对不同基础的学习者，机器人如何检测谁已经失去参与感，并决定什么时候转换讲解对象；或者某种反馈何时会改变群体合作，而非仅改变一个人的表现。这是基于公开主题作出的示例，不是实验室公布的正式题目或预期结论。
实验室的申请说明特别重视既往研究经历，并要求选题和人机交互领域高度相关。申请者不必假装自己已经解决了群体建模，却应能读懂早期研究的问题设置：参与者怎样招募，互动事件怎样标注，实验控制组如何设计，评价指标能否反映目标行为。若能解释一个研究结论的边界，比只放一个机器人演示视频更能体现研究潜力。
有些机器人背景申请者做过SLAM、机械臂路径规划或视觉追踪，工程能力很强，但PAIR的公开说明明确说这些不是实验室的主要研究范围。申请者如果真想转向人机交互，需要解释已有技术经验将怎样服务于用户建模或互动实验，而不是仅仅更换申请文件中的研究关键词。方向转变意味着研究问题和评价体系也要一起转换。
如何判断一个新团队适不适合长期投入
团队页面可以看到现有博士学生以及研究主题，导师的身份和研究兴趣也能在帝国理工学院官网核实。这些资料无法替代对指导方式的直接了解，但能让人预先判断自己对实验室核心工作是否有耐心。例如多人实验需要处理伦理、招募与行为数据，模型可能反复修改，结论有时只是指出原本看似有效的互动策略存在边界。
Salomons还获得了2026年欧洲研究理事会Starting Grant，这反映出她有正在推进的独立研究议程，但奖项本身并不能等同于给每位博士生增加固定资助。它更值得被看作团队研究阶段的线索：新问题正在展开，博士研究可能需要参与定义方法，而不只是执行成熟流程。
判断这三个岗位是否值得投入，可以先认真读实验室公开的多人互动研究，再写出自己希望测量的具体群体行为、拟用的场景，以及研究失败时准备怎样调整模型。把这些说清楚，才是对公开招生主题最直接的回应。
