一台设备能够识别人脸或解释语音，并不等于它已经成为可靠的智能系统。真实环境中的设备还要面对网络不稳定、算力不足、数据分布变化，以及错误决定可能造成的后果。当研究从实验室的数据集走向设备和人，最值得训练的能力，是学会把“识别得对”变成“在明确限制下依然可信”。
香港中文大学信息工程学系的AIoT实验室由邢国良（Guoliang Xing）教授主持。他是IEEE与ACM会士，团队研究覆盖移动感知、嵌入式机器学习、无线系统、自动驾驶相关智能技术，以及AI在健康领域的应用。实验室开放博士申请渠道，学校也已经公布了2027—2028学年的信息工程研究学位招生安排。
一个预测结果怎样进入真实系统
做边缘智能研究，一个常见选择是把计算放在设备端，而不是把所有数据交给远端服务器。这样做可能降低延迟或减少对网络的依赖，却会受到功耗、内存、芯片性能和设备散热的限制。单看模型准确率无法比较方案的实用性，因为一项算法节省的网络传输，可能换来设备自身更高的电力消耗。
研究者因此需要把指标放在同一个问题里。若希望手环识别异常状态，就不能只展示训练数据上的平均分数，还要考虑真实佩戴时传感器脱落、用户运动方式改变以及数据采集间断。这里的手环例子用于解释实验思路，不是声称AIoT实验室正在招收某个固定的手环课题。
团队列有AI for Health、Embedded ML/LLM Systems和Mobile Sensing等主题。它们共同指向的训练，是让算法研究者知道数据怎样产生，让系统研究者知道结果怎样被评估，也让应用研究者看见伦理和场景限制。不同项目的方法并不相同，但若一个研究问题需要在设备端持续运行，实验者就无法只报告一张离线评估表。
另一个困难来自“环境改变后能不能复现”。同一种感知模型在校园和医院可能面对不同的人群、设备和采样习惯。实验中如何划分训练与测试数据，是否存在来自同一人的重复记录，部署前后是否对模型做了未经说明的调整，都会影响研究结论。博士训练的重要部分是把这些细节写进方法，而不是把所有异常都解释成数据不够多。
教授的实验室资料能帮助判断训练方式
AIoT实验室的公开成员名单包括在读博士生、博士后与研究人员；校友信息还列有赴其他高校任教、企业研究机构工作的实例。这些去向只说明团队出现过不同职业路径，不能被当成任何新生的就业保证。但它们足以提示：这类系统研究的价值不止在论文完成时，方法和工程协作能力同样会在之后受到检验。
申请者准备材料时，可以从一次真实的开发或科研经历入手。假如做过手机传感器分析，应该解释数据采集授权、噪声处理、计算预算和验证方式；若做过大模型部署，则可以写出模型压缩后的性能损失在哪里、如何测量延迟、资源约束来自何种设备。技术词不是越多越好，重要的是每一个选择都能找到证据。
信息工程博士课程还要求学生在持续研究中形成独立提出问题的能力。对于偏系统的方向，阅读论文不仅要理解作者声称的方法优点，还要追问比较基线是否公平、测试环境是否覆盖关键边界、代码或实验记录能否让别人重现核心结果。这样的训练不一定会在入学之初就让人快速发表，却更有利于形成能够反复验证的研究习惯。
学校的资助规则与申请节奏
中大信息工程学系公布的2027—2028学年研究学位主轮截止日为2026年12月1日，清算轮在有剩余学额时才继续考虑申请。香港博士研究生奖学金计划另有竞争性遴选与初步申请程序；对普通申请者，学院的博士通道与外部奖学金申请并不是同一项决定。
实验室旧版招募页曾以约每年21万港元描述博士生津贴，并列有更早期的HKPFS金额。由于此类页面可能保留历史标准，较适合以研究生院目前公开的2027—2028学年制度核对具体资助；例如中大公布的香港博士研究生奖学金计划月津贴为28,700港元，获得该奖项需独立满足竞争性评选条件。
此处最值得准备的并不是一份声称“熟悉AI、IoT、LLM”的宽泛简历，而是一段能够经得起追问的系统研究经验。导师看到数据处理、约束选择和实验失败的记录，才能判断申请者能不能把一个看似正确的模型，继续推向复杂真实世界。
