苏黎世联邦理工学院人类与人工智能系统设计及分析博士岗位

项目概览

苏黎世联邦理工学院管理、技术与经济系的决策科学与分析研究组，由 Tu Ni 教授带领，招聘一名全职博士生，研究人类与人工智能共同参与决策的系统如何设计、分析和改进。

研究对象涵盖临床、法律等高风险决策，以及学习和教育等具有长期影响的场景。研究以理论工作为主，必要时结合现场或实验室实证研究。

岗位为苏黎世的固定期限全职聘用。初始聘期18个月；如进展令人满意，预计可延长至完成约4至5年的博士培养。薪资按照苏黎世联邦理工学院规定执行，具体金额未列明。

项目详情

这个课题关心的不只是人工智能能否给出预测或建议，而是人在系统中的职责、判断和行为如何随技术设计而变化。博士生需要分析那些决策后果重大、或影响会在较长时间后显现的人机系统，并设计能带来高效、可靠结果的机制。研究方向可涉及优化、机制设计与决策建模；职位说明没有限定某一个具体应用领域，而是举出临床或法律决策、学习与教育等例子。

日常研究以理论分析为中心。根据研究问题，可能需要设计并开展现场实验或实验室实验，检验方法在真实或受控环境中的表现。若有需要，研究组也会与外部机构合作评估所提出的方法。博士生应形成高质量论文，并以运营管理领域的一流期刊为发表目标；这属于岗位工作要求，不能理解为已经保证发表。

研究之外，还需参与课题组事务，例如教学以及指导硕士论文。职位提供协作研究环境，但没有公布特定实验设施、外部合作机构名单或独立研究经费。对希望把数学与经济学分析用于有政策意义的人机决策问题的申请者，这份岗位强调严谨建模和研究表达能力，同时也要求能把抽象模型与实践情境连接起来。

职位把理解并重新塑造人的角色列为人工智能系统设计的核心，因此评估对象不仅是算法输出，也包括人如何利用、回应或修正输出，以及由此形成的决策结果。临床与法律的例子突出了高风险特征，教育场景则体现长期效果；这些只是研究背景，不意味着入职后一定在某个特定行业采集数据。候选人可预期在理论模型、系统设计与必要的实证检验之间切换，但没有规定具体使用何种数据集、实验平台或外部组织。

研究组强调面向政策相关问题的高质量学术工作，以及顶级运营管理期刊投稿。博士生需要把优化或机制设计等分析方法用于人的行为与人工智能互动，清楚解释模型假设及其对系统结果的影响。除写论文外，外部机构评估、教学和硕士论文指导也属于可能的工作内容。申请时可以分别展示建模能力、学术写作与沟通经验，但招聘内容并未设定统一的量化考核清单。

申请要点

• 学位：入职时已经取得或即将取得应用数学、经济学、运筹学或密切相关领域的硕士学位。

• 能力：优秀的学业记录；良好的分析与建模能力，尤其是优化、机制设计等；能够清晰进行口头和书面交流，并有开展高质量、具有政策相关性研究的动力。具备人工智能产业部署经验是加分项，不是明列的必备条件。

• 工作与聘期：苏黎世，全职，固定期限；初始18个月，视研究进展有望延长至博士总计约4至5年。起始日期可协商，招聘方希望约六个月内开始。

• 薪资：税前薪资依据苏黎世联邦理工学院的规定确定，具体级别和金额没有公布。

• 材料：通过线上招聘系统提交一页以内的动机信，说明读博动机及与岗位的契合；简历；完整的本科和研究生课程与成绩记录；至少两名推荐人的联系信息。

• 联系：职位问题可联系 Tu Ni 教授，tunitu@ethz.ch；招聘说明明确要求不要把申请材料或未经邀约的联系邮件发到该地址。电子邮件或邮寄申请不受理。

需要进一步确认

招聘内容没有给出申请截止日，也未说明是否滚动审查、具体薪资数额、学费安排及各国申请者的签证或工作许可条件。拟申请者应以在线系统当前状态确认是否仍开放。

PhD 项目深度调研报告：Doctoral Student in Design and Analysis of Human-AI Systems

申请判断

申请判断：有吸引力，但需要核实匹配度。

这是一个信号很强的 ETH Zurich 博士岗位，适合定量基础扎实、希望用运筹学、因果评估、优化、机制设计和严谨建模研究人类与 AI 联合决策系统的申请者。ETH 官方岗位页说明，该岗位位于苏黎世，是 Decision Sciences and Analytics group 的 100% 固定期限博士职位，由 Prof. Tu Ni 带领，核心问题是分析高风险或长期 AI 辅助决策，并设计能产生高效、可靠结果的系统（来源）。

这个项目的吸引力主要来自三点：ETH Zurich 的学校声誉很强，博士职位属于带薪雇佣，导师近年的研究与 AI 系统评估、实验设计和决策分析高度相关。需要提前核实的地方也很明确：ETH 官方岗位页没有给出申请截止日期，没有写明适用的博士薪酬档位，导师刚到 ETH 任职，具体应用场景和外部合作资源仍然比较宽。

研究方向与领域前景

潜在研究切入点

高价值切入点可能包括：设计人类与 AI 之间责任分配的机制；在人的响应不确定时，用鲁棒优化决定 AI 系统是否部署；为临床、法律或教育场景中的 AI 工具设计因果现场评估；以及处理溢出效应、carryover effects 或组织约束的实验设计。

这个项目最强的方向大概率不是“做一个更好的 AI 模型”，而是“设计并评估一个由 AI 与人共同产生结果的决策系统”。因此，更有用的工具箱包括优化、机制设计、因果推断、信息经济学、行为建模、实验设计和清晰的理论写作。

领域进展

这个项目位于增长很快的交叉领域：AI 系统正在进入高风险或长期决策场景，而组织仍需要更好的方法来评估这些系统究竟如何改变人的行为和实际结果。NIST 的 AI Risk Management Framework 强调，AI 风险管理应把可信性因素纳入 AI 的设计、开发、使用和评估过程（来源）。这个政策背景支持该博士主题的重要性。

ETH 官方岗位页提到，可能场景包括临床、法律、学习和教育等决策，但研究场景保持宽泛，且项目主要偏理论（来源）。这给原创研究留下空间，同时也带来选题范围过宽的风险。比较稳妥的第一年计划需要尽早缩小人类角色、决策目标、模型假设、结果指标和经验验证路径。

职业与市场前景

职业前景信号较好，但需要按宽口径理解。World Economic Forum 的 Future of Jobs Report 2025 将 AI and big data、technological literacy 和 analytical thinking 列为到 2030 年需求较高的技能方向（来源）。美国 Bureau of Labor Statistics 在 AI 和信息技术就业背景下，报告了 operations research analysts、actuaries、information security analysts、computer and information research scientists 等职业在 2024-2034 年的较强增长预期（来源）。

如果走学术路线，自然发表场域包括 operations management、management science、information systems、economics of AI、causal inference 和 AI governance。如果走产业路线，该背景可以对应平台实验、AI evaluation、AI assurance、decision science、applied economics、marketplace analytics 和政策导向数据科学。限制是，这个 ETH 新组公开可查的毕业去向数据还不足。

学校、学科与培养

ETH Zurich 的学校品牌和科研环境都很强。D-MTEC 对博士培养的说明是，博士阶段结合研究、学习和教学，博士生通常同时具有学生和员工身份，完成周期一般约四年（来源）。学院定位在管理、技术和经济交叉处，拥有约 20 个 chair、center 和 lab，包括 KOF Swiss Economic Institute，整体约 400 名员工（来源）。

D-MTEC 研究页面列出 24 个专门研究组，覆盖经济与公共政策、战略与创新、可持续发展、运营、供应链与信息系统等方向（来源）。这对判断项目定位很重要：它不是狭义的计算机科学 AI 博士，更像是管理、运营和决策科学环境中的人机协同决策研究。

排名信号也很强。D-MTEC 说明 ETH Zurich 经常位列世界顶尖大学，也是欧洲大陆领先大学之一（来源）。Times Higher Education 的 ETH Zurich 页面显示，ETH Zurich 在 2026 年世界大学排名中位列第 11（来源）。QS 的 ETH Zurich 页面将其列为苏黎世的顶尖公立大学，并在 2027 年世界大学排名页面中列为 #=8（来源）。排名不能单独决定一个博士项目是否值得申请，但它能明显支持学校声誉、雇主认可度和未来学术流动性。

导师与研究环境评估

导师研究方向

Prof. Tu Ni 与该岗位的匹配度较高。ETH D-MTEC 的介绍称，他在 2026 年 7 月初加入 ETH，担任 Decision Sciences and Analytics 助理教授，此前在 Harvard Business School 做博士后研究，研究关注运营管理中的实验方法，以及人类与 AI 的交叉问题（来源）。ETH 的任命新闻也说明，他的研究是在数据科学和 AI 交叉处发展运营管理实验方法，并关注 AI 辅助决策中的信任和社会影响（来源）。

他的个人学术主页和 CV 显示，他拥有 NUS Operations Research and Analytics 博士学位，曾任 Harvard Business School AI Institute 博士后，研究主题包括 experimentation、AI、switchback experiments 和 decision analytics（Tu Ni 个人主页；Tu Ni CV）。这些个人来源适合与 ETH 官方页面和论文记录一起使用，不能单独替代正式项目信息。

近年重要论文

1. Toward Causal Field Evaluations of AI Systems。这篇 2026 年 Harvard Data Science Review 文章由 David Arbour、Iavor Bojinov、Avi Feller 和 Tu Ni 合作完成，核心观点是很多 AI 部署问题本质上是因果问题：系统是否有效、对谁有效、在什么条件下有效。它与该博士方向直接相关，因为文章把 AI 评估放在真实世界结果和使用情境中讨论，而不是只看 benchmark 分数（来源）。HDSR 的专栏页面还列出了这篇文章，并列出 Tu Ni 在 2026 年关于复杂环境下实验设计与分析的讨论文章（来源）。

2. Reliable Switchback Experiments with Rerandomization for Auction Environments at Procter & Gamble。这篇 2025 年 working paper 由 Ni、Eleni Kalfountzou 和 Iavor Bojinov 合作完成，研究在存在 carryover 和运营扰动的拍卖环境中，如何用 rerandomization 提高 switchback experiments 的可靠性，并包含 P&G 场景（来源）。这显示导师的研究风格偏向“严谨实验设计 + 真实部署系统”，而不是只做抽象模型。

3. Decision Analytics of Switchback Experiments: A Robust Optimization Approach。这是 Tu Ni 2025 年的 solo working paper，把 switchback experiment 的证据与 treatment adoption 决策联系起来，在未观测反事实结果和最坏情况 regret 下做鲁棒优化分析（来源）。如果该博士项目要发展“什么时候部署、调整或暂缓 AI 系统”的理论规则，这篇论文尤其相关。

4. Design of Panel Experiments with Spatial and Temporal Interference。这篇 HBS working paper 由 Ni、Bojinov 和 Jinglong Zhao 合作完成，提出在个体相互影响、过去处理影响当前结果的面板实验中如何设计实验（来源）。在人类与 AI 系统里，人的行为、机构流程和处理溢出效应经常会破坏“用户彼此独立”的简单假设，因此这类方法与项目主题有明显连接。

实验室、资源与合作环境

积极信号是，D-MTEC 提供跨学科环境，ETH 官方岗位页也提到如果需要，项目可能与外部组织合作（来源）。需要谨慎看待的是，Tu Ni 是新任 ETH 助理教授；目前公开材料中没有看到一个已经成熟的独立 Decision Sciences and Analytics lab 页面，也没有看到稳定博士生队列、具名合作机构或 ETH 内部专属实验基础设施。ETH 规则显示助理教授可以指导博士论文，因此导师资格本身不是问题（来源）。真正需要核实的是指导结构、是否有共同指导，以及是否能获得真实组织或实验场景。

资助、申请与生活成本

ETH 官方岗位页说明，该职位是 100%、苏黎世线下、固定期限岗位。合同最初为 18 个月；如果进展令人满意，有望延长到覆盖四到五年博士周期；gross salary 按 ETH Zurich 规定执行（来源）。

ETH 薪酬页面确认，博士生和 scientific assistants I 采用固定薪酬，并在第一年和第二年后自动上调；页面还说明，如果博士由奖学金支持，学校也要求补足到最低标准薪酬（来源）。不过，该岗位没有写明适用哪一个薪酬档位，因此这是申请前需要核实的关键问题。

ETH 博士财务页面列出博士阶段费用，包括整个博士阶段 CHF 1,500 的固定博士学费，以及每学期 CHF 42 的强制 semester fees（来源）。ETH 一般财务页面提醒苏黎世生活成本较高，并建议平均学生每年准备 CHF 20,000 到 26,000 的生活和学习费用（来源）。对单身博士生而言，完整 ETH 博士薪酬通常可以覆盖苏黎世生活，但实际宽裕程度取决于房租、保险、税、养老金扣款和具体薪酬档位。

对中国申请者来说，岗位没有显示国籍限制。ETH 博士录取要求包括大学硕士学位，以及 ETH 教授提供博士职位（来源）。中国公民属于 non-EU/EFTA 申请者，因此 ETH Staffnet 关于入境和工作的说明很重要：non-EU/EFTA 雇员通常需要就业签证，并且不应在签证或居留许可获批前进入瑞士（来源）。博士阶段同时受 ETH 博士法规约束；如果岗位与雇佣关系挂钩，也会涉及 scientific employee 相关规则（来源）。

申请者匹配与准备

更适合的背景

这个项目更适合拥有 applied mathematics、economics、operations research、operations management、industrial engineering、statistics 或相近定量领域硕士背景的申请者。ETH 官方岗位页明确要求分析和建模能力，例如 optimization 和 mechanism design；也要求优秀学术记录、良好沟通能力，以及对高质量、具有政策相关性的研究有强动机（来源）。

如果申请者能展示 formal modelling、causal inference、experimental design、robust optimization、game theory、mechanism design 或 platform analytics 相关的硕士论文、working paper 或研究项目，会更容易被读成匹配。AI 工业部署经验是加分项，但岗位把它描述为 plus，而不是硬性门槛。

需要谨慎的情况

如果申请者主要想做 deep learning systems、foundation model training 或应用原型开发，这个项目需要谨慎评估。岗位语言和导师论文记录都更偏向 theory-first 的运营与决策科学。另一个需要谨慎的情况是，申请者需要一个规模很大、博士生很多、经验数据基础设施已经完全固定的成熟实验室；公开证据显示，这个 ETH 研究组仍处在建设期。

需要强化的材料与能力

最有说服力的申请证据包括：optimization、probability/statistics、economics、operations research、game theory 或 causal inference 的高阶课程；数学要求较高的 thesis 或 paper；能清楚解释 assumptions 和 mechanisms 的写作能力；以及一页以内、能把 human-AI systems 与 Tu Ni 近年研究连接起来的 motivation letter。动机信应避免泛泛表达“喜欢 AI”，更适合提出一个具体的人机决策问题，并说明可能的建模或评估路径。

风险与待核实问题

高优先级问题

1. 该岗位是否仍在接收申请？评审是滚动进行，还是有内部截止日期？
2. 第一年以及延期后的 ETH 博士薪酬档位分别是什么？
3. 初始 18 个月合同之后，延长合同需要达到哪些具体第一年里程碑？
4. 是否会有共同导师，或有 AI、经济学、法律、临床、教育等互补专长的论文委员会成员？
5. 当前最现实的应用场景是哪一类：临床、法律、教育、平台市场，还是其他合作场景？
6. 是否已有外部组织确定提供数据、现场访问或评估环境？

中优先级问题

1. 项目预期中，纯理论、实验室实验和现场实验各占多大比例？
2. 前两年比较现实的发表目标期刊或会议是什么？
3. 在四年博士周期内冲击顶级运营管理期刊，导师组如何管理时间和风险？
4. 教学任务和指导硕士论文的工作量预期是多少？
5. 对 non-EU/EFTA 候选人，应按什么时间线估计签证和居留许可办理？

证据与来源

项目、学院与博士培养

• ETH 官方岗位页：Doctoral Student in Design and Analysis of Human-AI Systems（来源）
• D-MTEC 博士培养页面（来源）
• D-MTEC 学院介绍页面（来源）
• D-MTEC 研究方向页面（来源）
• D-MTEC 排名页面（来源）

排名与学校声誉

• Times Higher Education：ETH Zurich 排名页面（来源）
• QS：ETH Zurich 页面（来源）

导师、任命与论文

• ETH D-MTEC：Tu Ni 加入学院介绍（来源）
• ETH 任命新闻（来源）
• Tu Ni 个人学术主页（来源）
• Tu Ni CV（来源）
• Toward Causal Field Evaluations of AI Systems（来源）
• HDSR Catalytic Causal Conversations 页面（来源）
• Reliable Switchback Experiments with Rerandomization for Auction Environments at Procter & Gamble（来源）
• Decision Analytics of Switchback Experiments: A Robust Optimization Approach（来源）
• Design of Panel Experiments with Spatial and Temporal Interference（来源）
• ETH 博士导师规则页面（来源）

领域背景、职业市场与风险管理

• NIST AI Risk Management Framework（来源）
• World Economic Forum：Future of Jobs Report 2025（来源）
• U.S. Bureau of Labor Statistics：AI、信息技术与就业展望（来源）

薪酬、费用、录取与签证

• ETH 薪酬页面（来源）
• ETH 博士财务页面（来源）
• ETH 学生财务页面（来源）
• ETH 博士录取要求（来源）
• ETH Staffnet 入境和就业说明（来源）
• ETH 博士法律基础页面（来源）