Max Planck 生物医学人工智能学校全额资助博士岗位（德国多机构联合培养）

项目概览

这是一个为期 3 年的跨学科博士项目，研究主题位于人工智能与生命科学的交叉点。

项目由德国多所大学和研究机构共同参与，强调国际化、跨学科的研究环境。

2026年10月留存资料列本轮25个名额，FAQ表述每年最多25人；工作语言为英语，条目开始日为2027年9月1日。具体host城市取决于匹配。

项目标注全额资助，申请期为2026年9月1日至12月1日，截止钟点与时区未明；当前剩余名额仍待确认。

项目详情

项目核心是围绕生物医学人工智能开展研究，目标不是把 AI 作为单一工具，而是将其真正嵌入生命科学问题之中。项目介绍明确指出，博士研究将发生在人工智能与生命科学的交叉地带，参与者会进入一个由德国多家大学和研究机构共同组成的研究网络，在多机构环境中推进研究工作。这样的设置意味着博士生不仅要能处理方法问题，也要能在不同研究团队与学科语言之间切换。

公开信息给出了四个互相关联的研究方向：理解分子与细胞系统、蛋白和分子设计、从多尺度数据中学习复杂生物特征，以及神经网络探索。换句话说，这个项目并不是单点式的算法开发，而是围绕生命科学中的建模、预测、设计与解释四类任务展开。申请者未来可能参与的工作，既可能涉及面向分子和细胞层面的计算建模，也可能涉及蛋白或分子设计问题，还可能要处理来自不同尺度的生物数据，并研究神经网络内部机制。

项目介绍同时强调，申请人将置身于高度跨学科的研究环境中，接触来自不同大学和研究机构的领先研究者。公开页面写明，博士生由两位 BMAI Fellow 共同指导，并可进入一个国际网络，接触德国各地的顶尖研究环境。项目还提供一周制的进阶课程、跨学科学术交流、职业发展支持、年度国际学术会议参与支持，以及结构化的导师制与职业发展安排。这些信息说明，该项目不仅重视科研产出，也重视博士阶段的训练过程和学术成长路径。

从申请匹配度看，这类岗位更适合已经具备较强数理或计算背景的申请者。项目页面明确欢迎计算机科学、数学、统计学、工程、物理或相关领域背景的候选人；生命科学背景的申请者也可以申请，但需要具备扎实的计算背景和明显的编程经验。也就是说，项目并不要求申请者必须来自纯 AI 方向，但需要能够在计算方法和生物问题之间建立稳定连接。

导师/团队信息

公开页面没有在正文中展开具体导师姓名，但明确写到由两位 BMAI Fellow 联合指导。研究环境由德国多所大学和研究机构共同组成，学术氛围强调国际合作、跨学科训练和持续的学术交流。对申请者来说，团队与环境的价值主要体现在：可以接触到来自不同机构的研究资源，同时在共同培养框架下获得更密集的科研训练。

申请要点

• 学历要求：须在2027年9月，即申请次年9月前取得硕士学位（M.Sc.或同等学历）。
• 背景偏好：计算机科学、数学、统计学、工程、物理或相关领域更匹配；生命科学背景申请者若具备强计算能力和较多编程经验，也被鼓励申请。
• 研究能力：需要能够在 AI 与生命科学交叉场景中工作，兼顾建模、计算、分析与跨学科沟通。
• 申请材料：动机信、CV、证书、成绩单、身份证明、英语证明和推荐人信息；格式及上传细则以系统为准。
• 申请时间：申请截止为 2026 年 12 月 1 日；项目计划于 2027 年 9 月启动。
• 资助信息：FAQ列三年E13雇佣合同，Max Planck Schools通用说明不收学费；具体E13比例、税后收入、雇主、学期杂费及搬迁和差旅支持待offer确认。
• 工作语言：英语；现有资料未给具体考试分数或自动豁免。
• 名额信息：公开页面显示开放 25 个名额。
• 其他支持：项目提供国际网络、一周制进阶课程、科研交流、会议支持、导师制与职业发展支持。

学校、匹配与证据判断

BMAI为全国联合培养网络，合作公告列24家机构；Max Planck Society的85个研究所及设施和Nature Index 2025（2024数据）属于机构信号，最终授位大学排名另需判断。正式博士注册与授位大学、科研host和雇主须分开确认。申请者先表达导师偏好，入围后查看题目并交流，面试后匹配，具体导师组合及题目尚未固定。

Borgwardt的2024可解释MMD标志物研究、Mann的单细胞蛋白组测量、Theis团队CellRank 2及Ommer潜在扩散工作分别支持方法、数据与模型方向；现有证据未逐篇注明完整主文读取范围，亦不保证匹配其团队。中国大陆、印度或越南学历的APS可能在录取后按host要求提交，应提前问清时点。慕尼黑住宿有限、等待可能较长，须按最终城市与实际合同预算。

需要进一步确认

• E13合同具体比例、税后收入、学期杂费、最终雇主及超出三年的经费安排待确认。
• 两位 BMAI Fellow 的具体姓名与分工没有在当前正文中列出。
• 在线申请系统中的材料格式、文件命名与上传细则，仍需以申请页面最终显示为准。

PhD 项目深度调研报告：Max Planck School of Biomedical AI - Fully funded PhD Positions

申请判断

申请判断：有吸引力，但需要核实匹配度。

这是一个整体信号很强的 Biomedical AI 博士机会，尤其适合具有机器学习、统计学、计算机科学、数学、工程、物理、计算生物学、生物信息学，或以编程和数据分析为核心的生命科学背景申请者。2026年10月可用的BMAI申请资料显示，2027 年入学批次的申请时间为 2026 年 9 月 1 日至 12 月 1 日，博士 cohort 预计于 2027 年 9 月开始（BMAI application process）。官方 FAQ 还说明，该学校每年最多录取 25 名候选人，博士资助期为 3 年，并提供 E13 合同（BMAI FAQ）。

这个机会最需要把握的点，在于它的组织形式。它更适合被理解为一个按 cohort 运作的 Max Planck School 项目，而不是一个已经预先分配好导师的单一 vacancy。申请者会先表达导师偏好，入围者随后查看可选课题并与潜在导师交流，最终匹配在面试之后完成。这种安排的上行空间在于 fellow 网络覆盖广、整体研究实力强；对应的不确定性则在于，具体 host、导师组合、授予学位的大学、项目题目和合同细节，在申请开放时并未完全固定。

对于中国大陆毕业背景的申请者，官方材料没有显示国籍限制。Max Planck Schools 的通用申请页面说明，世界各地的候选人都可以申请（Max Planck Schools application）。不过，BMAI FAQ 提到，持有中国大陆、印度或越南学位的申请者，在录取后可能需要根据 host institution 的要求补办 APS 认证。这属于需要尽早确认的行政条件，并不构成对中国大陆申请者的排除。

研究方向与领域前景

可能的研究切入点

从该项目公开主题出发，合理的研究切入点可能包括：

• 面向 biomarker 和 disease phenotypes 的可解释 ML；
• 面向 single-cell、spatial、imaging 或 proteomic 数据的 foundation / representation models；
• 跨 molecular、cellular 和临床相关数据的 multi-modal learning；
• 面向 proteins、molecules 或 biomedical images 的 generative models；
• Biomedical ML 中的 robustness、data leakage、uncertainty 与 evaluation 设计；
• 将 mechanistic biological questions 与 prediction 或 design 任务连接起来的 AI 方法。

这些是根据官方研究主题与 fellow 论文作出的、基于证据的可能方向，不应被理解为已经确认的 thesis topics。只有在官方项目列表和匹配选项公开后，题目层面的判断才会更明确。

领域进展

BMAI 的四个官方研究方向分别是：understanding molecular and cellular systems、protein and molecule design、learning complex biological traits from multi-scale data，以及 neural-network exploration（BMAI research areas）。这些方向都处在 Biomedical AI 的前沿，而不是泛泛的 AI 主题。

外部领域证据支持同样的判断。近期关于 single-cell foundation models 的工作，显示该领域正向生物数据上的大规模 representation learning 继续推进（Nature Methods single-cell foundation model paper）。前面提到的 CellRank 2 和 proteomics 论文，也体现了 scalable single-cell modelling 和高分辨率分子测量方面的持续发展。综合来看，最强的 PhD 工作很可能需要把严谨的 ML 方法、生物问题定义、数据质量控制和验证真正结合起来。

职业与市场前景

如果候选人能够建立起站得住脚的技术深度，这一方向的职业选择会比较宽。德国联邦就业局关于 ICT 劳动力市场的资料显示，2025 年 ICT 就业继续增长，AI 与数字化正在提高岗位要求，企业也在较大程度上依赖外国专业人才（German Federal Employment Agency ICT labour-market report）。

对 Biomedical AI 而言，较强的后续路径大致包括学术研究、Max Planck 或 university research groups、biotech、pharma、computational biology、AI-for-health 团队、imaging/omics analysis、model evaluation，以及 research engineering。风险在于，泛化 AI 技能本身并不够；相关岗位更看重可复现研究、数据治理、领域沟通，以及在噪声较大的生物数据环境中完成验证的能力。

学校、学科与培养

BMAI 的机构背景很强，因为它处于 Max Planck Schools 体系之中，并与 Max Planck Society 及德国多家合作机构相连。BMAI 官方页面将其描述为一个位于人工智能与生命科学交叉处的跨学科博士项目，欢迎来自 AI、计算机科学、数学、工程、物理以及计算型生命科学背景的申请者（BMAI programme page）。

Max Planck Society 的官方材料把 BMAI 描述为第四个 Max Planck School，并指出它是一个由 Karsten Borgwardt 从概念层面推动的全国性网络（Max Planck Society announcement）。合作机构公告进一步说明，该学校覆盖 24 家机构，包括 Max Planck Institutes 和大学，fellow 方向涵盖 computer vision、machine learning、immunology 和 biomedical research 等（MPI-INF partner news；LMU Munich news）。

更广义的机构环境同样偏强。Max Planck Society 的 facts and figures 显示，这是一个规模很大、国际化程度较高的研究组织，拥有 85 个 institutes 和 research facilities，国际博士研究人员占比也较高（Max Planck Society facts and figures）。外部产出信号也较好：Nature Index 2025 annual table 将 Max Planck Society 列为德国 Nature 和 Science 机构表中的领先机构之一，基于 2024 数据年度（Nature Index Germany institutions）。

科研接收、雇佣与授位职责须分别确认。正式博士注册和授位安排由匹配的大学确定，Max Planck研究网络本身不等于已确定的授位大学。这些机构证据并不等于某一所固定大学的排名判断。授予学位的机构和最终 host 环境取决于匹配结果，因此申请者在拿到正式 offer 后，仍应按最终 host 层面重新比较。

项目为期三年，由两位BMAI Fellows共同指导，提供定期的一周制Schools、进阶跨学科课程、学术交流、职业发展和结构化导师制，并支持每年参加一次国际学术会议。Schools具体频率、差旅与住宿报销仍须确认。参与大学或研究机构提供有竞争力的雇佣合同，实际雇主与合同条件由最终匹配决定。

导师与实验室评估

导师研究方向

官方 fellows 页面是目前最好的导师信号来源（BMAI fellows）。页面列出了覆盖 machine learning and systems biology、proteomics、single-cell modelling、computer vision、medical imaging、theoretical neuroscience、structural biology、immunology、bioengineering 等方向的 fellows。示例包括 machine learning and systems biology 方向的 Karsten Borgwardt、proteomics 方向的 Matthias Mann、single-cell and computational biology 方向的 Fabian Theis、generative visual modelling 方向的 Björn Ommer，以及 medical imaging 方向的 Daniel Rückert 和 Julia Schnabel。

Karsten Borgwardt 在 Max Planck Institute of Biochemistry 的官方简介写明，他所在部门开发机器学习算法，用于在大规模生物和医学数据集中发现模式与统计依赖关系（Borgwardt profile）。这一点与 BMAI 所强调的 AI 方法和 biomedical data 交叉高度一致。

近期重要论文

以下文献支持项目层面的方法学匹配，不代表个人导师安排。现有描述未逐篇注明完整主文读取范围，更细的方法与结果仍待核对：

• Karsten Borgwardt 及合作者 2024 年发表于 Bioinformatics 的论文，讨论 interpretable maximum mean discrepancy 在 biomarker identification 中的应用，直接对应稳健且可解释的 biomedical machine learning（PubMed record）。

• Matthias Mann 方向可由 2024 年 Nature Methods 一篇关于 single-cell resolution 下 mass-spectrometry-based proteomics 的论文代表，这与 BMAI 的 multi-scale biological data 以及 molecular/cellular systems 主题相关（Nature Methods paper）。

• Fabian Theis 及合作者 2024 年发表于 Nature Methods 的 CellRank 2，处理 multiview single-cell data 的统一 fate mapping，与细胞系统和复杂生物特征的计算建模直接相关（Nature Methods paper）。

• Björn Ommer 的 latent diffusion model 工作对 generative modelling 和 neural-network exploration 很重要；它在 biomedical 场景中的具体相关性仍取决于最终项目设计，但方法学信号很强（Ommer Lab LDM page）。

实验室、资源与合作环境

这个项目最大的优势在于网络广度。BMAI 明确是围绕 fellow network 建立的，而不是单一实验室。官方 FAQ 写明，学生先选择偏好的导师，入围申请者会收到可选课题并与潜在导师交流，最终的 project-supervisor matching 发生在面试阶段之后（BMAI FAQ）。项目介绍中也提到由两位 BMAI Fellows 共同指导，但现有官方资料未给出全部 25 个名额与具体导师组合的一一对应关系。

这种结构对于希望进入德国 Biomedical AI 广泛研究网络的申请者很有吸引力；但如果申请者必须在投递前就拿到完全固定的 thesis project，这一模式就不算理想。

资助、申请与生活成本

2026年10月留存的招生资料列明2027批次的申请安排。BMAI材料说明，申请期为 2026 年 9 月 1 日至 12 月 1 日，项目于 2027 年 9 月启动（BMAI application process）。申请者须在2027年9月，即申请次年9月前取得硕士（M.Sc.或同等学历）。招生条目列25个名额、2027年9月1日起三年；FAQ另表述为每年最多录取25人。计算机、数学、统计、工程、物理或相关背景适合；生命科学申请者须有扎实计算基础与显著编程经验。工作语言为英语，但现有资料未给出量表分数或自动豁免。截止具体钟点与时区同样未明。

所需材料包括学术文件、CV、motivation letter、身份证明、英语证明和推荐人信息。筛选之后会进入面试与匹配阶段。

资助条件较强，但公开页面没有把细节完全量化。BMAI FAQ 明确写明，学校为博士提供 3 年资助，并发放 E13 合同（BMAI FAQ）。Max Planck Schools 的通用页面也说明，博士研究者有资助，且不收学费（Max Planck Schools application）。不过，现有公开资料未说明 E13 的具体比例、预期净收入、最终雇主、semester fee 处理方式、搬迁支持，或 host-specific travel budget。这些都属于 offer 阶段需要进一步确认的事项。

生活成本需要保守估计。德国整体学生预算页面给出一个较宽的月度成本区间，并指出 Munich 高于平均水平（Study in Germany cost page）。Munich 学生服务机构的住宿信息显示，学生宿舍供给有限，等待时间可能较长，虽然其平均租金明显低于很多私营市场场景下申请者实际要面对的水平（Studierendenwerk München Oberbayern accommodation）。由于最终 host location 取决于匹配，申请者应尽快确认自己可能落在 Munich、其他高成本城市，还是德国其他生活成本相对较低的地点。

申请者匹配与准备

最适合的人群

这个机会最适合能够证明自己可以在 machine learning 与生命科学数据交叉处开展研究的申请者，尤其包括：

• 机器学习、统计学、数学或计算机科学基础扎实的申请者；
• 具备真实编程能力，最好有研究代码或可复现分析经历的申请者；
• 做过 biological、biomedical、omics、imaging、molecular、protein 或 multi-scale data 相关工作的申请者；
• 能在同一份申请中同时讲清生物问题和计算方法的申请者；
• 对多个 BMAI fellows 或多个 research areas 都有兴趣，而不是只盯着单一固定导师的申请者。

如果申请者来自生命科学背景，只要有足够强的计算证据和明显的编程经验，也有竞争力。官方材料明确允许这一路径，但如果成绩单和经历主要呈现为 wet-lab 或描述性研究，申请时就需要用更强的计算证据来支撑。

需要谨慎的情况

如果申请者必须在申请前就拿到固定项目标题、固定 host 城市或已确定的导师组合，应保持谨慎。如果申请者的背景是泛化 AI、却缺少 biomedical data 证据，或者是泛化 biology、却缺少足够的定量与编程深度，也需要谨慎。

对于中国大陆学位持有者，APS 这一行政要求应尽早核实。BMAI FAQ 提示，是否需要 APS 取决于 host institution，并且通常会在录取后进一步确认（BMAI FAQ）。不要等到最后的行政阶段再去处理时间安排问题。

可以强化申请的技能与证据

更有说服力的申请证据通常包括：

• 一篇硕士论文、论文、预印本，或一个围绕 biomedical data 的 ML/statistics 实质项目；
• 清晰的编程能力证明，最好是 research code 或可复现分析流程；
• ML、statistics、optimisation、algorithms、data science 或相关课程中的良好成绩；
• 对生物数据的理解证据，例如 omics、imaging、molecular modelling、systems biology 或 protein design；
• 一封能够把过往工作映射到两到四位可能的 BMAI fellows，并至少对应一个官方 research area 的 motivation letter。

风险与待核实问题

高优先级问题

1. 2027 批次具体开放哪些 BMAI 项目题目和 host institutions？
2. 两位 BMAI Fellows 将如何分配给每位博士生？
3. 各可能 host 对应的 E13 employment percentage、雇主以及预计净收入区间分别是多少？
4. 哪一所机构会正式注册博士生并授予博士学位？
5. 对中国大陆学位持有者而言，APS 是在面试前、录取前、注册前还是雇佣前要求提交？

中优先级问题

1. 入围申请者在看到可选课题后，能否调整导师和题目偏好？
2. 如果偏好的 fellow 已无名额，或者最终匹配失败，会发生什么？
3. 会议差旅、cohort school 差旅和搬迁费用是由中央经费承担，还是由具体 host 决定？
4. one-week schools 的举办频率如何，差旅和住宿是否覆盖？
5. E13 合同是否附带试用期或进展评估机制？

证据与来源

核心机构与项目

• BMAI application process
• BMAI FAQ
• BMAI research areas
• BMAI fellows
• Max Planck Schools BMAI page
• Max Planck Schools application
• Max Planck Society BMAI announcement
• MPI-INF BMAI partner news
• LMU Munich BMAI news
• Max Planck Society facts and figures
• Nature Index Germany institutions

导师与论文

• Karsten Borgwardt profile
• Borgwardt-linked biomarker paper
• Proteomics paper
• CellRank 2 paper
• Latent diffusion models page
• Single-cell foundation model paper

资助、生活成本与就业环境

• Study in Germany cost page
• Munich student accommodation information
• German Federal Employment Agency ICT labour-market report