去中心化且可信的 AI 管道博士岗位

项目概览

该博士岗位位于 TU Delft 的 EEMCS 学院，具体在 Software Technology 系的 Distributed Systems 组。

研究主题是为公共机构构建去中心化、可信赖的 AI 管道，让不同行政边界内的数据能够被学习和评估，但不需要被集中暴露。

项目属于欧盟 Horizon Europe 资助的 WALTZ 计划，并与六个公共部门试点直接关联。

岗位为全职博士雇佣，申请截止日期为 2026 年 9 月 25 日，研究与教学安排均嵌入 TU Delft 的博士培养体系。

项目详情

这个项目的核心不是单一算法，而是一个从训练到推理、从评估到治理的“系统之系统”数据栈。WALTZ 的目标是把异构行政数据转化为受治理、可用于 AI 的资产，并在六个公共部门试点中得到验证。TU Delft 在其中负责 AI-ready training and evaluation pipelines，使用真实数据与合成数据共同构建训练和推理流程。项目说明强调，公共机构无法把数据送到中心训练器，管道中的参与者也不能默认全都诚实，而越来越多要部署的模型又是基于 LLM 的，其失败常常体现为语义错误，而不是程序崩溃。

博士研究会围绕几个具体问题展开：如何设计没有中心聚合器的去中心化和联邦管道，使真实数据与合成数据能够在组织边界之间以受控混合方式协同工作；如何让这些管道对 Byzantine 参与者以及合成数据供应链的投毒更鲁棒；如何量化真实-合成混合训练下的 membership inference、重构泄漏，以及差分隐私生成带来的效用损失；以及如何把 LLM 组件当作分布式系统来处理，通过在多个模型之间复制推理、研究失败相关性，并利用 quorum 和 semantic-agreement 机制，把单个模型不可靠的答案转化为更可信的输出。

项目还明确包含评估层面的建设，即 benchmark、交叉验证方案和报告协议，用来覆盖准确性、鲁棒性、偏差、泛化与隐私泄漏，并以开放、可复现的软件形式发布。也就是说，研究目标不是只做一个演示系统，而是建立一套可比较、可复核、可传播的方法学。

你将被安排在 EEMCS 学院 Software Technology 系的 Distributed Systems 组，由 Dr Jérémie Decouchant 指导。他的研究覆盖 Byzantine fault tolerance、decentralized learning 和 trustworthy AI systems。TU Delft 的 DelftBlue 和 DAIC GPU 集群可用于大规模实验；WALTZ 还拥有 30 多个合作伙伴，因此这项工作不会局限于实验室，而会与欧洲各地研究组以及真实公共机构直接互动。

岗位还要求你在研究之外承担较轻的教学与指导任务，最多约 15%。这说明它既强调科研产出，也要求候选人能在国际大型联盟中协作，并向非学术利益相关方解释研究工作。

【导师/团队信息】

直接导师是 Dr Jérémie Decouchant，邮箱 j.decouchant@tudelft.nl。研究环境来自 TU Delft EEMCS 的 Distributed Systems 组；项目本身是 WALTZ 联盟的一部分，因此你会同时面对学术伙伴、公共机构与跨国协作的多重接口。

TU Delft 还提供 Graduate School 博士课程、导师团队和 mentor 支持，以及迁居荷兰的 Coming to Delft Service 和 Dual Career Programme。对申请者来说，这意味着除了技术要求之外，还需要能适应国际联盟、开放科学和跨机构协作的节奏。

申请要点

• 学历要求：计算机科学、数据科学、人工智能、电气工程或相关领域的 MSc，已完成或接近完成均可。

• 方法背景：机器学习和/或分布式系统基础扎实；熟悉联邦/去中心化学习、容错、生成模型、隐私保护 ML 或 LLM 系统更有优势。

• 编程要求：Python 能力强，最好有现代深度学习框架经验，例如 PyTorch；需要能在 Linux GPU/HPC 集群上工作。

• 研究兴趣：对可信 AI、隐私、鲁棒性、对抗行为、评估方法和可复现性有明确兴趣。

• 工作能力：能独立推进四年研究议程，并按项目交付节奏工作。

• 语言要求：英语书面和口语都要好；非英语授课学位的申请者需满足 TU Delft 的英语要求，例如 TOEFL iBT 90 或 IELTS 6.5 总分。

• 协作要求：愿意在大型国际联盟中工作，并能向公共机构等非学术利益相关方解释工作。

• 开放科学：愿意发布代码和 benchmark，并参与开源软件。

• 申请材料：动机信（最多 1 页）、详细 CV、BSc/MSc 成绩单、如适用的 MSc 论文副本、如适用的英语成绩证明；也可以附上自己满意的代码仓库链接。

• 申请方式：仅可在线申请，邮件和纸质申请不受理。

• 安全要求：TU Delft 会在招聘后期进行知识安全风险评估。

• 工作安排：全职 38 小时/周，原则上 4 年，分为 1.5 年初始合同和后续 2.5 年合同；全职税前月薪约 €3,204 至 €4,051，另有 8% 假期津贴和 8.3% 年终奖金。

• 联系方式：Dr Jérémie Decouchant，j.decouchant@tudelft.nl。

• 截止日期：2026 年 9 月 24 日。

需要进一步确认

• 知识安全风险评估的具体标准与时间点未完全展开，最终结果会影响录用。

• 由于项目依赖公共机构与多国合作，第一年更偏研究还是更偏协作验证，需要进一步确认。

• 申请材料中未特别强调推荐信，但正式流程是否另有要求，仍需以学校系统为准。

• 英语要求对非英语授课学位申请者是硬条件，是否需要额外语言证明应提前核实。

申请决策报告：去中心化与可信 AI 管线博士岗位（EU 项目 WALTZ）

执行结论

推荐标签：匹配度强，但需要核实。 这是一个资助条件明确、质量较高的博士机会，适合能够把分布式系统、联邦 / 去中心化机器学习、隐私与安全评估、以及可复现 AI 软件结合起来的申请者。TU Delft 的官方空缺页是最新且可核实的，雇佣条件清晰，导师近期工作与题目高度贴合，Data-Intensive Systems 环境也有相关的算力与系统深度。

当前最需要注意的，不是岗位本身是否存在，而是 WALTZ 联合体的具体细节在这次核实中并没有完全公开确认。在正式决定之前，申请者应进一步核对：WALTZ 的合作方名单、公共部门试点、数据访问模型、知识产权 / 发表规则，以及博士究竟要多大比例服务于联合体交付物。

已核实的项目信号

TU Delft 的官方职位页说明，这是 EEMCS 下面、面向 EU 项目 WALTZ 的博士岗位，研究主题是去中心化与可信 AI 管线，申请截止到2026 年 9 月 24 日。TU Delft 的职位列表也显示了同一 WALTZ 博士岗位，工作时间 36-40 小时，截止日期同样是 2026 年 9 月 24 日。采集流程里另有一份种子元数据写的是 2026 年 9 月 25 日；因此，2026 年 9 月 24 日是更安全、且有官方支撑的截止日期。

该项目面向的是那类无法简单把数据集中到一起的公共机构。研究问题是：如何跨组织边界构建可用于训练与评估的去中心化或联邦式 AI 管线，同时处理 Byzantine 行为、合成数据投毒、membership inference、reconstruction leakage、差分隐私、把 LLM 组件当作分布式系统来看待，以及 benchmark / reporting 协议等问题。这是一个定义明确的研究空间，而不是泛泛的应用 AI 学生岗位。

官方空缺页把岗位放在 Electrical Engineering, Mathematics and Computer Science 学院内的 Software Technology / Distributed Systems 方向，并注明联系人是 Dr Jérémie Decouchant。页面还说明，该博士原则上为四年：先签 1.5 年合同，通过 go/no-go 评估后再续 2.5 年。TU Delft 公布的薪资为全职每月 EUR 3,204 到 EUR 4,051 gross，并附带 holiday allowance 和 year-end bonus。

学校与研究环境

TU Delft 是高信号技术大学。QS 与 TU Delft 的 Delta 报道把 TU Delft 放在近年全球前 50 左右，而 Delta 也显示其在 THE 2026 中为第 57 位。排名应作为背景，而不是核心判断依据。更强的证据是本地研究匹配：EEMCS、Data-Intensive Systems 组以及 TU Delft 的计算环境。

Data-Intensive Systems 组的研究覆盖数据系统、机器学习、分布式系统和区块链。这个组合很重要，因为本项目需要系统设计、对抗性推理、分布式协议、隐私评估和 AI 评测。它不太可能是一个纯模型训练博士。

TU Delft 的 DAIC 与 DelftBlue 文档进一步强化了环境信号。DAIC 被描述为 AI / 科学计算环境，配有现代 NVIDIA GPU 和软件支持。DelftBlue 是 TU Delft 的中央 HPC 集群，文档中有 GPU 节点、SLURM、存储和机器学习框架说明。这支持进行 GPU / HPC 密集型实验的可行性，不过官方空缺页没有说明单个博士是否有固定 GPU 配额。

导师与实验室匹配

Dr Jérémie Decouchant 的 TU Delft 个人页和仓库记录显示，他近期的论文轨迹与广告题目贴合度很高。这是整个机会中最强的一部分。

下面三项近期工作尤其相关：

1. Byzantine-Resilient Federated Computation of Differentially Private Summary Statistics（Middleware 2025）。TU Delft 的记录把 Tides 描述为一个结合 federated computation、trusted execution environments、differential privacy，以及对控制数据中心联合体一部分的对手进行防护的框架。这与 Byzantine 鲁棒性、隐私泄漏和分布式可信分析直接相关。

2. Training Diffusion Models with Federated Learning（2024）。TU Delft 的论文记录说明，该工作研究在数据集中化受限条件下的联邦 diffusion model 训练，并给出了通信效率方面的发现。这把隐私保护学习与现代生成模型连接起来。

3. Dynamic Topology Optimization for Non-IID Data in Decentralized Learning（2025 仓库记录）。这项工作面向非 IID 数据下的去中心化学习中的 peer selection 和拓扑优化，对那种无法依赖中心聚合器的跨组织 AI 管线尤其相关。

导师相关的论文列表还包括：面向 churn 的去中心化 LLM 训练、异步 Byzantine 联邦学习、异步多服务器联邦学习、垂直联邦学习、Byzantine networks，以及 TEE-assisted BFT。证据说明，广告中的项目与导师近年的研究议程之间高度匹配。

实际含义是，申请者应把自己呈现成“机器学习 + 系统”的混合型候选人。只强调模型准确率，或者只强调系统理论，都会偏离这个岗位的中心。

研究方向与领域前景

这个方向前景很强，因为多个外部力量都在往同一方向推。欧盟委员会的数据空间政策把 common European data spaces 定位为安全、隐私友好的数据共享基础设施，包括公共行政场景。European Data Union 战略也把 data spaces、data sovereignty、法律清晰度和 AI-ready data 连接起来。

监管压力也支持这个主题。EU AI Act 已于 2024 年 8 月 1 日生效，并建立了面向可信 AI 的风险分级框架。委员会关于高风险 AI 系统和公共机构义务的指导，把评估、文档、透明度、隐私、鲁棒性和可审计性变成了比学术兴趣更现实的问题。NIST 的 AI Risk Management Framework 和 GenAI 评测工作，再加上 ENISA 的机器学习安全指导，也进一步说明了对可衡量可信度与对抗鲁棒性的需求。

可能的论文方向包括：去中心化 / 联邦 AI 管线、在 Byzantine 或低信任参与者条件下的鲁棒聚合、隐私泄漏测量、差分隐私与效用之间的权衡、合成数据投毒、把 LLM 组件当作分布式系统、quorum 或语义一致性机制，以及面向准确率、鲁棒性、偏差、泛化和泄漏的可复现 benchmark。

最强的职业路径很可能在分布式机器学习系统研究、隐私保护 AI 基础设施、机器学习安全、可信 AI 评估、AI 治理工具，以及公共部门或受监管行业的 AI 系统方向。

资助、申请与生活成本边界

这是一份有薪博士雇佣岗位，不是自筹学费式机会。TU Delft 给出的全职月薪为 EUR 3,204 到 EUR 4,051 gross，并配有大学常规福利，包括 holiday allowance 和年终奖金。荷兰大学雇佣条款处在 CAO 框架内。

申请路径通过 TU Delft 官方 careers 空缺页完成。所需材料包括：不超过一页的 cover letter、CV（如适用可附发表）、BSc / MSc 成绩单、如适用的 MSc 论文、如适用的英语证明，以及可选的代码仓库链接。岗位还提到了 TU Delft Graduate School 支持、搬迁支持和可能的知识安全评估。

国际申请者不能把 gross 工资直接当作可支配收入。住房、税费、健康保险、搬迁成本和市政费用都要单独规划。TU Delft 提供国际雇员支持和双职工项目，而 IND 和 European Education Area 的材料则给出官方移民与国家成本背景。该报告未核实 Delft 的具体住房供给，也未核实税后月收入。

申请者适配画像

可能最合适的背景包括：

• MSc 级别的计算机科学、数据科学、AI、电气工程，或紧密相关学科。
• 机器学习和 / 或分布式系统方面的证据，最好两者兼有。
• Python 和 PyTorch 或同类深度学习框架经验。
• Linux GPU / HPC 经验、可复现实验、benchmarking，以及开源代码。
• 隐私、鲁棒性、可信 AI、对抗性 ML、联邦学习、BFT 或分布式训练经验。
• 能与联合体伙伴和公共机构利益相关方沟通的能力。

不太匹配的画像包括：只有高层次 ML 课程、缺少系统实现的人；只有系统背景、没有 ML / 隐私 / 安全证据的人；以及想要单一实验室项目、但不想处理 EU 联合体协调的人。

对于申请材料来说，最有价值的证据会是：一个可复现的联邦 / 去中心化 ML 或分布式系统项目；一个隐私 / 安全评估项目，比如投毒或 membership inference；以及一封短而清晰的 cover letter，明确把过往工作和 WALTZ 的公共部门数据空间约束联系起来。

风险

第一个风险是截止日期冲突。TU Delft 官方空缺页和职位列表显示的是2026 年 9 月 24 日。应采用这个日期。

第二个风险是 WALTZ 证据深度。TU Delft 能核实该岗位并描述 WALTZ，但这次核实没有找到独立的 WALTZ 官方项目页或 CORDIS fact sheet。申请者应询问 WALTZ 项目网站、资助摘要、合作方名单、项目周期和试点说明。

第三个风险是数据访问。岗位说明描述了真实的公共机构压力测试，但没有说明博士候选人能直接接触哪些数据、是否会用合成 / 代理数据替代敏感数据，以及哪些审批规则约束发表和开源软件。

第四个风险是项目范围过宽。一个同时覆盖去中心化系统、Byzantine 鲁棒性、差分隐私、合成数据投毒、LLM 组件、隐私泄漏、偏差、鲁棒性和公共部门评估的博士，如果第一年里程碑不收紧，就很容易过宽。

在接受邀请或定制申请之前，值得直接询问：

• 博士会实际接触哪些 WALTZ 试点和公共机构？
• 第一年的技术交付物是什么？
• 哪些数据可以直接用，哪些必须是合成、匿名化、联邦化或仿真的？
• 发表、开源、知识产权和数据治理约束是什么？
• DAIC 或 DelftBlue 上可用的 GPU / HPC 配额是多少？
• 对国际候选人，知识安全评估如何进行？
• 导师希望 cover letter 更强调 systems、ML、security/privacy，还是 benchmark 方法？

证据来源

• TU Delft 官方空缺页：source
• TU Delft 博士职位列表：source
• TU Delft EEMCS：source
• TU Delft EEMCS 研究门户：source
• TU Delft Data-Intensive Systems 组：source
• Jérémie Decouchant TU Delft 个人页：source
• Jérémie Decouchant TU Delft 仓库页：source
• Jérémie Decouchant DBLP 主页：source
• Byzantine-resilient federated computation 论文记录：source
• 联邦学习训练 diffusion models：source
• 去中心化学习中的动态拓扑优化仓库记录：source
• DAIC 文档：source
• DAIC 集群对比：source
• DelftBlue 文档：source
• DelftBlue 硬件：source
• QS TU Delft 主页：source
• Delta QS 2026 报道：source
• Delta THE 2026 报道：source
• TU Delft 博士入学：source
• 荷兰大学 CAO：source
• TU Delft 国际雇员支持：source
• TU Delft 知识安全：source
• IND 收入要求：source
• European Education Area 荷兰概况：source
• European Commission common data spaces：source
• European Commission Data Union strategy：source
• European Commission AI Act：source
• European Commission AI Act 生效：source
• European Commission 高风险 AI 指南：source
• NIST AI 风险管理框架：source
• NIST GenAI 评测平台：source
• ENISA 机器学习安全报告：source
• JRC 公共行政可信 AI 采纳：source