博士奖学金：Physical AI 中长时程任务执行的高效方法

项目883 · Durham University · Durham University

所在国家或地区: 英国
申请截止日期: 2026-08-15（具体时刻请核对原始公告）
资助信息: 全额资助，覆盖英国本地学费并提供免税津贴；仅面向英国本地学费身份申请者。

申请工作台

保存项目，围绕当前机会准备申请。截止日期和资格请以原始公告为准。

登录后保存项目或使用申请工具

阅读项目调研与申请判断

项目介绍

项目概览

本博士奖学金面向 Physical AI、深度学习、计算机视觉与机器人方向，研究高效的长时程任务执行。

项目由 Durham University 与 Intel 合作开展，包含工业界共同指导，重点指向可部署、可实时运行的机器人智能系统。

奖学金全额资助，覆盖英国本地学费与免税津贴，申请截止时间为 2026 年 8 月 15 日。

项目仅面向英国本地学费身份申请者。

项目详情

项目介绍把 Physical AI 描述为机器人从感知、语言到行动的下一阶段。研究问题不是单次动作识别，而是复杂任务的长时程执行：机器人需要理解指令、分解任务、在动态环境中导航、操控物体、发现失败并重新规划，同时持续跟踪整体目标。公开说明明确指出，这里的核心挑战是让高层推理服务于长时程任务，但又不能牺牲现实部署所需的速度、可靠性和效率。

课题的主要研究方向包括把 reasoning models、vision-language models、world models 和高效控制策略协同编排起来，使机器人行为更稳健。项目尤其关注什么时候应该进行推理、什么时候应该直接反应式执行，也就是在成功率提升足够大时才承担额外的时间、能耗和计算开销。研究方向可涵盖长时程规划与监控恢复、高效混合推理、vision-language 任务分解、用于预测与规划的 world models、反应式-审慎式混合架构、算力感知评估、边缘/云协同，以及真实机器人测试。项目还提到，可以涉及新算法、推理流水线、foundation model 评估、基准、平台集成和部署限制。

公开说明希望申请者关注的是“实用、可靠”的机器人系统，而不是只追求模型规模。Durham 提供的环境支撑这一方向：Bede HPC 拥有 128 GPU，另有 90+ GPU 的集群，以及 LiDAR、RADAR、无人机、相机、嵌入式设备和多类机器人平台，包括 Unitree G1 humanoid、四足机器人、UGV 和空中平台。与 Intel 的合作则提供边缘 AI 和可部署 Physical AI 的产业视角。这意味着博士生不仅能够做算法，也能够在具备真实硬件和计算资源的环境里检验方案。

导师团队包括 Durham 的 Dr Amir Atapour-Abarghouei、Prof Toby Breckon，以及 Intel 的 Dr Samet Akcay。公开说明强调，团队在 CVPR、ICCV、ECCV、ICML 等会议上有发表，学生会获得常规指导、研究训练、发表支持、硬件和算力访问，以及与 Intel 互动的机会。对申请者来说，这是一个把长时程机器人学习、边缘部署和工程可行性放到一起考察的项目。项目还允许研究者把机器人测试、仿真环境和真实场景评估结合起来，从而比较不同训练策略在感知、执行和恢复能力上的差异。这样的组合意味着，课题不只是单纯追求模型分数，而是要把能力、能耗、实时性和硬件约束一起纳入评价。

从研究组织方式看，这个课题更接近系统性搭建与反复验证，而不是一次性训练出固定答案。申请者需要把推理模块、视觉语言理解、世界模型和控制策略放在同一条实验链路里，逐步检查它们在任务分解、失败检测、恢复执行和整体规划中的作用。项目强调的 compute-aware evaluation、edge/cloud orchestration 和 practical deployment limits 也说明，评估时不能只看离线指标，还要看模型在真实运行条件下是否仍然稳定、快速并且可持续。对于希望在 embodied AI、机器人学习或高效推理方向继续深入的人来说，这类工作会同时考验算法判断、实现能力和实验设计能力。

申请要点

申请时间：2026 年 8 月 15 日截止。
资助信息：全额资助，覆盖英国本地学费并提供免税津贴；仅面向英国本地学费身份申请者。
申请者背景：相关本科或硕士学位可来自 computer science、AI、engineering、mathematics、physics 或相关领域。
技能要求：需要强编程能力；对机器学习、计算机视觉、机器人、embodied AI 或 autonomous systems 有兴趣；能够把理论、实现和评估结合起来。
语言要求：需要满足 Durham 的英语语言要求。
合作信息：项目与 Intel 联合开展，并包含工业共同指导。
研究环境：可使用 Bede HPC、GPU 集群及多类机器人和传感平台。

需要进一步确认

项目说明未给出明确入学日期。
未写明奖学金年限、津贴具体金额和是否允许非英国本地学费身份申请者以其他资助方式加入。
申请材料清单与是否需要研究提案摘要，页面未单独展开。

核对原始项目信息

收录来源可能是学校或招聘平台；正式申请入口及最新要求请核对公告与下方报告中的官方来源。

项目深度调研报告

报告生成记录：2026-07-31。生成日期不代表招聘方确认项目仍开放。

资料更新记录：2026-07-31。申请前请再次核对原始公告。

PhD 项目深度调研报告：Physical AI 中长时程任务执行的高效方法

执行结论

推荐标签：有吸引力，但存在实质性不确定性。 这个项目的学术信号较强：Durham Computer Science 的研究环境可信，两位 Durham 导师近年持续发表机器人与感知方向成果，而 Intel 的共同指导也与项目强调 edge Physical AI 的定位相符。真正需要谨慎对待的是资助资格。项目说明明确写明，该 studentship 覆盖 Home tuition fees 和免税津贴，且仅面向 Home fee-status 申请者。对于通常会被认定为 overseas fee status 的中国/国际申请者，在 Durham 以书面形式确认存在替代资助路径之前，应视为不具备已落实资助资格。

公开截止日期为 2026 年 8 月 15 日，当前仍属未来日期，因此不应按“已过期项目”处理；但对于需要国际学费资助的申请者，应明确标记为高风险机会。

学校、项目与地域信号

Durham 在这一方向上属于信号较强的英国研究型大学。Durham 官方材料显示，该校在 2026 周期 QS 排名中继续位列世界前 100，并在 employability 与 sustainability 指标上表现突出（Durham QS 2026）。QS 档案也显示，Durham 作为英国公立大学，具有较高的国际可见度和较大规模的国际学生群体（QS profile）。REF 2021 中，Computer Science and Informatics 的研究画像同样较强：100% eligible staff 提交，整体以 4-star 和 3-star 产出及影响为主（REF 2021）。

这里的重要性不只在于学校名气，而在于院系环境与项目主题的匹配度。Durham Computer Science 的研究组包括 VIViD、AIHS、NESTiD 和 SciComp（research groups）。其中，VIViD 覆盖 computer vision、image processing、robotic sensing 和 deep machine learning（VIViD）；AIHS 与 NESTiD 则提供 applied AI、edge、IoT 和 networked systems 相关研究环境（AIHS；NESTiD）。

导师与实验室评估

导师研究方向

拟定的 Durham 导师组合在 computer vision、robotic sensing 和高效 embodied perception 方面具备较强可信度。VIViD 页面显示，Toby Breckon 长期从事 computer vision、image processing 和 robotic sensing 研究，Amir Atapour-Abarghouei 也处于同一视觉与成像研究环境中（VIViD people）。Amir 的研究简介强调 dependable computer vision、lab 之外的 machine learning、distribution shift 下的鲁棒性、label-efficient learning、anomaly detection，以及面向机器人场景的应用（Adaptive Intelligence profile）。Toby Breckon 的个人主页与发表记录则显示，他在 visual AI、robotic sensing、autonomous-driving perception 和 anomaly detection 上持续有产出（Breckon profile；Breckon publications）。

Intel 共同导师的加入，主要增强了 edge deployment 这一侧的可信度。公开的 Intel/OpenVINO 材料把 Anomalib 与边缘 IoT 缺陷检测、本地分析和低时延部署联系起来（Intel OpenVINO tutorial）。开源 Anomalib 仓库也说明，这是一个与 OpenVINO 和 edge inference 直接相关、仍在活跃维护的 anomaly detection 库（Anomalib）。

近期重要论文

近期共同署名成果为项目的实践导向提供了较强支撑：

TOMD / DurTOMD, 2025. Atapour-Abarghouei 与 Breckon 共同发表多模态越野机器人导航数据集论文，包含 LiDAR、stereo imagery、GNSS、IMU 和 illumination 数据（TOMD）。其价值在于为复杂环境下的 traversability 提供真实世界多模态数据与融合基线。
EEG-driven rover intention decoding, 2026. 两位导师共同发表机器人论文，在 4WD Rover Pro 平台上比较用于指令预测的深度模型（EEG rover）。其价值在于展示 embodied sensing、多时程预测与可复现实验评估。
Mind2Drive, 2026. 同一导师组合共同发表真实道路驾驶意图预测研究，使用同步多传感器数据（Mind2Drive）。其价值在于展示噪声较大的 embodied 环境中的动作前时序预测能力。
KD360-VoxelBEV, 2026. 两位导师共同发表高效 BEV segmentation 论文，采用 LiDAR-to-camera distillation 和实时 student network（KD360-VoxelBEV）。其价值在于体现可部署感知方案、较低传感成本与实时约束之间的平衡。

实验室、资源与合作环境

项目说明列出的资源包括 Bede HPC、GPU cluster、LiDAR、RADAR、无人机、相机、嵌入式设备，以及 humanoid、quadruped、UGV 和 aerial systems 等机器人平台。独立证据表明，Bede 是部署在 Durham、面向机器学习和成像任务优化的 N8/EPSRC GPU 型 HPC 系统（Bede documentation）。Durham 还报道过由 Amir Atapour-Abarghouei 牵头的 Horizon Europe FARMAR 项目，金额为 1.79m euro，聚焦 AI-powered tools 与 lightweight farming robots，这进一步增强了项目的工业与应用机器人背景信号（Durham FARMAR news）。

目前真正未核实清楚的是资源分配，而不是资源是否存在。公开材料无法确认，这项 studentship 具体能保证哪些机器人平台、传感器或 GPU 配额。

研究方向与领域前景

领域动向

这个题目与当前机器人研究前沿是对齐的。领域正在从相对孤立的感知模块和低层控制，转向把 vision-language models、action policies、world models、planning 和 recovery 集成在一起的系统。RT-2 代表的是 vision-language-action 路线，即同时利用 web data 和 robot data 进行学习，并在大规模机器人试验中评估（RT-2）。OpenVLA 则体现了开源方向的推进：一个 7B VLA 模型，基于 970k robot episodes 训练，并面向新机器人场景 fine-tuning（OpenVLA）。SayCan 仍然重要，因为它既说明了将语言规划 grounded 到机器人 affordances 中的价值，也暴露了失败后弱反馈机制的局限（SayCan）。

潜在研究切口

较有价值的切口包括 compute-aware planner invocation、reactive-deliberative switching、failure detection and recovery、world-model-based lookahead、long-horizon task benchmarks、edge/cloud orchestration，以及真实机器人压力测试。一项扎实的博士课题通常需要把核心权衡定义清楚，例如 success rate 与 latency、energy、compute budget、recovery time 和 model size 之间的关系。这样的 framing 与导师近年在高效感知和真实场景传感方面的工作是吻合的。

职业与市场前景

从就业市场看，这一方向的外部环境总体有利，但竞争会集中在能否产出真正可验证的系统成果。World Economic Forum 2025 年报告将 AI/information processing 与 robotics/automation 视为关键变革趋势，并把 AI 和 big data 列为到 2030 年增长最快的技能之一（WEF Future of Jobs）。英国政府 2026 年对 AI action plan 的更新，也继续强调 AI skills、compute infrastructure 和人才培养（UK AI update）。对申请者而言，这类博士项目的职业回报，通常最依赖是否能做出可展示的系统工作，例如机器人部署、benchmark、efficient inference code，以及 robotics/computer-vision 方向的论文。

资助、申请与生活成本

资助是这个项目最关键的决策变量。项目说明和导师公开帖文都写明，资助资格仅限 Home fee-status。Durham 官方说明指出，学校会在申请过程中评定 fee status，并在 offer letter 中写明最终身份（Durham PGR fees and funding）。UKCISA 也说明，England 的 Home-fee 类别并不只有一种，申请者必须完整满足其中某一类别的要求（UKCISA）。

从费用规模看，Durham 2025/26 年 PGR Band 2/laboratory fees 为 Home/Islands GBP 5,006，Overseas 为 GBP 30,750，后续 cohort 还可能按年度上调（Durham tuition fees）。UKRI 公布的 2026/27 最低博士生活津贴为 GBP 21,805，对应 fee level 为 GBP 5,238（UKRI stipend）。Durham 的生活成本页面指出，住宿通常是最大支出，且英格兰北部整体生活成本一般低于南部（Durham living costs）。Durham 2026/27 住宿收费表显示，常见周租折算大致从约 GBP 185 的 self-catered 到超过 GBP 300 的 catered 不等，取决于房型和合同类型（residence charges）。

基于这些数字，较稳妥的解读是：如果申请者属于 Home fee-status，UKRI 水平的津贴在 Durham 具备可行性，前提是住宿选择相对谨慎；但对于 overseas fee status 申请者，这笔津贴本身不足以覆盖整体成本。除非校方以书面形式确认存在额外学费减免或替代资助，否则不应将其视为“全额资助机会”。

申请者适配与准备

最适合的人选

这个项目更适合具有 Home fee-status、且来自 computer science、AI、robotics、engineering、applied mathematics 或 physics 背景的申请者，同时需要能够证明较强的编程与实证 ML 能力。更有说服力的准备通常包括 PyTorch 或 JAX 项目经验、computer vision、robot simulation 或 real-robot experimentation、reinforcement learning、planning、VLM/VLA familiarity、benchmarking、model compression、quantization、edge inference，以及规范的实验记录。

哪些情况需要谨慎

如果申请者需要 overseas-fee funding、只有较泛化的软件开发经历，或者更希望做纯理论 ML 课题，就需要格外谨慎。这个项目明显偏向部署与系统实现，实际工作很可能包括硬件调试、仿真、传感器数据处理、时延分析以及 failure modes 排查。

需要补强的技能与证据

较合理的准备方式包括：围绕 efficient long-horizon embodied autonomy 准备一段简短 research statement，整理代码作品集，并明确 paper-to-project mapping。更能增强竞争力的证据包括机器人 benchmark 复现、小规模 VLA/VLM fine-tuning 实验、planner-and-controller integration demo，或基于 quantization/pruning/runtime profiling 的 edge inference 对比实验。

风险与待核实问题

高优先级问题

这项奖学金是否严格限定为 UK Home fee-status 申请者，还是 overseas fee 申请者可通过其他资助方式参与？
津贴的准确金额、年度上涨规则和资助期限分别是什么？
2026 年 8 月 15 日是否为硬截止日期，预计入学时间是什么时候？
在给导师发送邮件之后，正式申请路径与材料要求具体是什么？
项目能保证哪些机器人平台、传感器、GPU 资源和实验室访问权限？

中优先级问题

Intel 共同导师与学生的会面频率如何？
与 Intel 合作是否附带论文审阅、知识产权或实习相关要求？
团队希望第一年优先采用什么 benchmark 或 baseline model？
学生第一阶段更应优先投入真实机器人、仿真，还是 edge-device deployment？
Durham 是否存在可覆盖非 Home 申请者 overseas fee gap 的内部奖学金？

证据与来源

核心机构与项目环境