ScaDS.AI Dresden 的研究助理 / 博士生岗位

项目概览

该岗位由 TUD Dresden University of Technology 的 ScaDS.AI Dresden 提供，地点在 Dresden。

职位面向数学、统计、应用数学、数据科学、计算机科学、人工智能、信息系统等相关背景申请者。

研究方向聚焦自然语言处理、大语言模型、知识图谱及相关图学习方向。

岗位为两年期，全职，提供两名名额，预计 2026-11-01 开始。

项目详情

公开信息指出，ScaDS.AI Dresden/Leipzig 是德国萨克森州 AI 战略的一部分，正在扩展为德国领先的大数据与人工智能能力中心。岗位设在 Center for Interdisciplinary Digital Sciences（CIDS）下的 ScaDS.AI Dresden，由 Prof. Dr. Michael Färber 负责，研究重心集中在自然语言处理、大语言模型、知识图谱及相关领域，例如图机器学习。

任务内容包括在上述至少一个方向上开展科学研究，参与国内外研究项目，必要时可能涉及工业合作；参与教学，例如研讨课，但不承担基础课程；在顶级会议或期刊上展示和发表研究成果；协助指导本科和硕士学生的小型项目或论文；以及在适用时协助撰写研究资助申请。换句话说，这不是单一的工程开发岗位，而是偏学术研究和发表导向的博士/研究岗位。

项目页面还特别说明，岗位附带高性能计算资源的使用权限，并可参加 ScaDS.AI 内部的培训机会。这对需要大规模训练、实验和模型验证的自然语言处理或大语言模型研究尤为重要。岗位说明也强调，申请者应有强烈的基础研究兴趣、优秀的编程能力，最好有深度学习框架经验，并且能够独立工作也能团队协作。对于想在大模型、知识图谱和图机器学习之间建立研究路径的人来说，这类资源组合比较完整。

从申请与培养角度看，这个岗位既有明确的研究输出要求，也带有教学、指导和资助申请协助职责，因此更像是一个完整的学术训练入口。若申请者希望在德国高水平 AI 研究环境中推进论文发表、项目合作和方法开发，这个岗位提供的框架相对直接。它也适合希望把工程实现能力和学术问题意识同时提升起来的人，并在较强的研究平台上持续迭代自己的方法论。对未来想继续读博或走研究岗的人来说，这种经历通常更有延展性。

研究所需的学科基础覆盖面较广。除计算机科学、人工智能和数据科学外，数学、应用数学、商业数学、应用计算机科学、信息系统与管理等方向也在可接受范围内。若申请者已经有相关研究经历，例如论文、学位论文或项目经验，会被视为强有力加分项。英语需要良好的书面和口语能力。

职位提供者同时强调平等机会和包容性。TUD 说明该校希望增加女性在学术与研究中的比例，也欢迎残障候选人；若候选人资质相当，符合法律条件的残障人士将优先录用。申请者需提交一套完整材料，并在申请中引用岗位参考号“ScaDS.AI Färber E 13”。

申请要点

• 申请资格：数学、统计、应用数学、应用计算机科学、数据科学、计算机科学、人工智能、信息系统等相关背景。

• 研究方向：NLP、大语言模型、知识图谱、图机器学习等。

• 经验偏好：相关研究经验强烈加分，包括论文、学位论文或项目经历。

• 技能要求：优秀编程能力，最好有深度学习框架经验；能独立工作并与团队协作。

• 语言要求：英语书面和口语良好。

• 资助信息：Financing yes；岗位按 E13 TV-L 计薪，为全职两年期，提供 2 个名额。

• 额外支持：可使用高性能计算资源，并参加 ScaDS.AI 培训机会。

• 申请材料：动机信、CV、证书及其他支持材料；需写明岗位参考号“ScaDS.AI Färber E 13”。

• 申请方式：优先通过 TUD SecureMail Portal 发送单个 PDF 至 jobs-scads.ai at tu-dresden.de，也可邮寄。

• 截止时间：2026-09-15；起始时间：2026-11-01。

• 联系方式：Prof. Dr. Michael Färber；邮件 jobs-scads.ai at tu-dresden.de。

需要进一步确认

• 页面同时写明是 “Research Associate / PhD Student” 与 “1-2 Year Research Stay, Full PhD”，正式合同标题与博士注册安排需在录用时再确认。

• 研究方向虽然列得很清楚，但具体子题在公开信息中并未进一步拆分。

• 岗位明确有 2 个名额，但各名额是否对应完全相同的研究任务未单独说明。

PhD 项目深度调研报告：Research Associate / PhD Student (m/f/x), ScaDS.AI Dresden

执行结论

推荐标签：很强，但需核实匹配度。

这是一个信号很强的带薪博士研究机会，适合 NLP、LLM、knowledge graph 和 graph machine learning 方向的候选人，因为公开的研究主题、导师组、ScaDS.AI 环境以及 TU Dresden 的基础设施之间高度一致。官方职位描述写明：共有两个全职 E13 TV-L 岗位，申请截止日期为 2026-09-15，计划开始时间为 2026-11-01。

之所以不能把它直接视为低风险机会，核心原因是合同结构：初始聘期只有两年，延长只被描述为一个可选项。完整博士通常需要更长周期，除非前期工作可以折算，或者延长资金非常现实。因此，最重要的核实点是：博士注册路径、续聘预期、教学负担、两个岗位之间的具体题目拆分，以及中国申请者的学历认证时间线。

学校、项目与地点信号

TU Dresden 对这一题目来说是很强的技术大学环境。学校官方说明其在 2026 年 3 月继续保有 German University of Excellence 身份，并拥有 5 个 Clusters of Excellence（TU Dresden Excellence Strategy）。学校自己的 QS 更新写明：TU Dresden 在 QS World University Rankings 2027 中位列 185，Engineering & Technology 在 2026 学科排名中位列 94（TU Dresden QS news）；QS 独立页面也列出 TU Dresden 在 2027 年为 #=185（QS profile）。THE 将 TU Dresden 列为 2026 全球第 174，Computer Science 在 151–175 区间，Engineering 在 101–125 区间（THE profile）。

这个项目并不只是落在一个泛化的计算机学院里，而是位于 CIDS / ScaDS.AI 生态中。CIDS 将自己描述为 TU Dresden 的 central digital-sciences hub，汇集了 500 多名员工，覆盖高性能计算、数据管理、建模、AI 和 knowledge transfer（CIDS）。ScaDS.AI 则是一个国家级 AI 与 big-data competence center，覆盖 Dresden 和 Leipzig 两地，拥有 60 多位 principal investigators、200 多名员工和 6 个 junior research groups（ScaDS.AI）。对 scalable AI research 而言，这是很强的环境信号。

因此，若申请者关注 LLM、knowledge graphs、RAG、AI-for-science 和大规模实验，这里的制度环境明显强于一个小型、孤立的单教授团队。当前的不确定性在于 formal programme structure：公开信息并未说明该岗位具体归属哪个博士学院、graduate-school cohort 或博士条例体系。

导师与课题组评估

导师研究方向

Prof. Dr.-Ing. Michael Färber 在 ScaDS.AI 页面上被列为 TU Dresden 的 Scalable Software Architectures for Data Analytics 教授（ScaDS.AI profile）。该页面及其课题组页面显示，研究聚焦 trustworthy AI、large language models、graph-based machine learning、formal knowledge representation 和 knowledge graphs 的交叉（Färber group）。TU Dresden Faculty of Computer Science 的新闻也将这一教席描述为 ScaDS.AI 的战略教授岗位，重点在于面向大规模异构数据的高效、可扩展 machine-learning architectures（TU Dresden faculty news）。

这与岗位描述中的主题高度一致：Natural Language Processing、Large Language Models、Knowledge Graphs 和 Graph Machine Learning。团队页面也显示现有成员正在从事 NLP、LLM、graph neural networks、bias、multilingual analysis 和 model adaptation 等方向（team page）。

近期重要发表

近期产出是这个机会的一个明显优势。课题组 publication list 显示，2026 年在 ACL、KDD、ICML、ECIR 和 LREC 等领域持续有成果发表（publication list）。其中三个尤其相关的例子是：

• Attribution, Citation, and Quotation: A Survey of Evidence-based Text Generation with Large Language Models。DBLP 记录其为 Tobias Schreieder、Tim Schopf 和 Michael Färber 的 ACL 2026 论文（DBLP）。这与 trustworthy generation、citation-grounded LLMs 和 RAG evaluation 直接相关。
• Tracing Relational Knowledge Recall in Large Language Models。DBLP 记录其为 Nicholas Popovic 和 Michael Färber 的 ACL Findings 2026 论文（DBLP）。它对应知识回忆、结构化关系理解以及 LLM 与 knowledge-graph 的边界问题。
• Prompt Compression in the Wild: Measuring Latency, Rate Adherence, and Quality for Faster LLM Inference。DBLP 记录其为 ECIR 2026 论文，Michael Färber 为共同作者（DBLP）。这与可扩展 LLM 系统以及上下文长度、延迟和硬件限制下的实际 RAG 工作负载高度相关。

该组在 knowledge graph 方向的 KDD 相关工作，例如 Paths to Causality，也支撑了 graph-learning 一侧的可信度（DBLP）。总体来看，导师近年的成果并不是“勉强相关”，而是直接围绕招聘主题展开。

课题组、资源与合作环境

对 LLM 和 graph-learning 研究而言，这里的资源证据相当强。ScaDS.AI 描述了 Capella 和 Alpha Centauri 等 GPU/HPC 资源，包括 H100、A100 GPU 能力以及 machine-learning 软件栈（ScaDS.AI hardware）。ZIH 的 HPC 文档说明，TU Dresden 系统约有 100,000 cores、900 GPUs 和约 40 PB 存储，针对 data analytics、AI、machine learning 和大规模数据集做了优化（ZIH compendium）。TU Dresden 也明确将 Capella 描述为适用于 machine learning、language models 和 AI 的平台（TUD HPC）。

当前主要的监督风险并不在题目不匹配，而在操作细节：公开描述没有写清两个岗位如何划分研究主题、教学预期有多少、是否已经绑定工业合作方，以及新博士研究者能获得怎样的计算资源配额。

研究方向与领域前景

领域动向

该项目位于一个非常活跃的前沿区域：LLM 可靠性、evidence-grounded generation、retrieval-augmented generation、knowledge graphs、graph ML 和 AI-for-science。Färber 课题组近期的论文线路本身就构成了一个清晰路径：面向 LLM 的 citation 和 attribution、关系知识回忆、科学检索、prompt efficiency 以及 graph-informed reasoning。

德国的 AI 战略背景也有利。欧洲委员会 AI Watch 对德国策略的总结指出，德国的目标是强化本国和欧洲作为领先 AI 区域的地位，其中包括 Dresden/Leipzig 等 AI competence centers（AI Watch）。因此，ScaDS.AI 作为国家级 AI center 的身份，对学术网络和资助可见度都很重要。

潜在研究切口

较合理的 thesis 方向，很可能比公开招聘描述更窄。可行方向包括：

• trustworthy、citation-grounded 的 LLM 生成与评估；
• 面向 scientific corpora 和 scholarly knowledge graphs 的 RAG；
• graph-enhanced reasoning 或 relation extraction for LLMs；
• 面向大上下文任务的高效 LLM inference 和 prompt compression；
• 带有 knowledge-grounding 约束的 multilingual 或 domain-specific LLM evaluation；
• 结合 structured metadata、全文与语言模型的 AI-for-science 系统。

从技术可行性上看，这些方向是可信的，因为课题组同时具备发表记录和计算资源。真正的竞争风险在于：generic LLM work 更新太快。一个强项目必须有足够精确的 benchmark、dataset、method 或 system contribution。

职业与市场前景

外部劳动力市场信号是正面的，但不应过度解读。WEF 的 2025 Future of Jobs 报告将 AI and machine-learning specialists、big-data specialists 和 software developers 列为增长很快的技术岗位，并将 AI / big data 视为增长明显的技能（WEF）。OECD 的 AI-and-skills 报告也强调，对高层次数字/数据能力、问题解决、创造力和创新的需求在上升（OECD）。

这同时支持学术和工业方向的相关性，尤其是 LLM/RAG engineering、knowledge-graph engineering、AI evaluation、ML research engineering 和 AI-for-science roles。但这并不保证就业结果。最终职业价值仍取决于论文质量、系统深度、可复现代码，以及博士工作是否超越了仅停留在“应用级 prompting”。

资助、申请与生活成本

公开项目描述写明：该岗位提供全职 E13 TV-L 薪级聘用，初始期限为两年，并有延长选项。公开的 2026 TV-L 数据显示，E13 第 1 级月税前工资约从 EUR 4,759 起，尚未扣除税和社保（TV-L table）。相较于常见博士奖学金和 Dresden 的学生生活成本，这一水平在财务上是有吸引力的。

Dresden 的生活成本证据也较友好。TU 相关页面估算平均学生成本约为每月 EUR 680，Studentenwerk 宿舍租金大约在 EUR 107–370 之间（TUD accommodation and costs）。一个靠近校园的 Studentenwerk 宿舍样例列出：furnished shared room 约为 EUR 259–285，single apartment 约为 EUR 319–359，并收取 EUR 300 押金（Studentenwerk dormitory）。TU Dresden 直接就读学生在 2026/27 冬季学期需要支付约 EUR 361 的 semester contribution（semester contribution）。

这里最重要的资助问题并不是月度购买力，而是资助时长。两年的初始研究助理合同可以作为开局，但通常不足以完成一个完整博士。申请者应直接询问：这类合同通常是否续签、延长资金是否已基本落实，以及该开始时间是否默认申请者已有某种前期博士进度。

申请者匹配与准备

最适合的人群

这个机会最适合拥有 computer science、AI、data science、mathematics、statistics、computational linguistics 或相近定量背景的硕士层级申请者，并且能够证明已有研究经验。较强证据包括：研究型毕业论文、preprint 或 paper、可复现的 NLP / LLM / graph 项目，以及对 PyTorch 或 TensorFlow 的熟悉程度。

对于中国申请者，公开描述并未显示国籍限制，工作语言也是英语。TU Dresden 的博士要求说明，通常需要与德国学位等值的良好至优秀相关学位，并且英文论文通常是可行的，但仍需导师确认（TUD PhD requirements）。不过，TU Dresden 的国际 FAQ 也明确指出，持有中国学历证书的申请者在 study applications 中需要提交 APS 证明（TUD FAQ）；APS China 官方页面也说明了面向德国高校的文件核验、面试 / TestAS 等路径（APS China）。

需要谨慎的情况

如果申请者想要的是纯 taught doctorate、预先保证 3–4 年全额资助、或者压力较低的探索型题目而没有明确发表预期，那么这个岗位就不太适合。对于背景主要是 business analytics 或 information systems、但缺乏较强 programming、machine learning 和研究方法证据的申请者，也存在风险。

建议补强的技能与证据

最强的申请材料应展示：deep-learning implementation、NLP / LLM evaluation、RAG 或 retrieval、knowledge-graph tooling、graph neural networks、实验纪律以及学术写作。较好的 research statement 可以把课题组最近 1–2 篇论文与一个具体问题连接起来，例如：如何提升 RAG 系统中的 evidence attribution、如何评估 LLM 的 relational recall，或如何利用 knowledge graphs 约束 scientific text generation。

中国申请者还应提前准备：学位证书、成绩单、必要的英文翻译、APS 时间线、护照 / 签证准备周期，以及一段清楚说明自己硕士工作如何映射到德国博士预期的陈述。对于这一“带雇佣合同 + 博士注册”的路径，APS 到底是在 hiring 前、博士注册前，还是更晚阶段需要，必须直接向 TU Dresden 确认。

风险与待核实问题

高优先级问题

1. 两年合同是否通常会延长到足以覆盖完整博士？若会，续聘资金来自哪里？
2. 这个岗位的正式博士录取由哪个 faculty 和哪套 doctoral regulations 管理？
3. 两个开放岗位是否分别对应不同子题目、数据集、合作关系或交付目标？
4. 每学期预计承担多少教学、proposal writing 或学生指导任务？
5. 新博士研究者能获得怎样级别的 guaranteed GPU / HPC allocation？
6. 对中国学历而言，APS 是在正式 hiring 前、博士注册前，还是只在更晚阶段才需要？

中优先级问题

1. 德语能力对行政、教学或合同续签是否有帮助，或者是否会成为隐性要求？
2. 前 18–24 个月现实可达到的发表渠道和产出预期是什么？
3. 是否已经绑定工业合作方，还是工业合作目前只是可能性？
4. 录用者将被纳入 structured doctoral programme、faculty-level individual doctorate，还是两者并行？
5. 对非欧盟申请者，是否提供 relocation support、签证支持或临时住房建议？

证据与来源

• TU Dresden official project/job page
• ScaDS.AI center overview
• Prof. Michael Färber profile
• Michael Färber research group
• Research group team page
• Research group publication list
• TU Dresden Faculty of Computer Science news
• CIDS
• CIDS ScaDS.AI department
• ScaDS.AI hardware resources
• ZIH HPC compendium
• TU Dresden HPC
• TU Dresden Excellence Strategy
• TU Dresden QS ranking news
• QS TU Dresden profile
• THE TU Dresden profile
• TU Dresden PhD requirements
• TU Dresden international FAQ
• APS China procedure
• TV-L 2026 salary table
• Studentenwerk Dresden semester contribution
• TU Dresden accommodation and cost guidance
• Studentenwerk Dresden dormitory example
• WEF Future of Jobs Report 2025
• OECD AI and skills
• European Commission AI Watch, Germany AI strategy
• ACL Anthology author page
• DBLP evidence-based text generation paper
• DBLP relational knowledge recall paper
• DBLP prompt-compression paper
• DBLP knowledge-graph causal discovery paper