华南理工大学人工智能方向博士申请考核制复试主要包含专业笔试、面试及综合能力评估三个环节。专业笔试重点考察对机器学习、深度学习、自然语言处理等核心领域的理论掌握程度，近年真题涉及卷积神经网络在医学影像分析中的改进策略、Transformer模型在长文本生成中的局限性分析、以及联邦学习框架下的数据隐私保护方案设计等。面试环节采用半结构化模式，常见问题包括：请阐述你过往科研项目中遇到的算法优化难点及解决方案；如何设计面向工业场景的轻量化模型部署方案；针对多模态学习中的模态对齐问题，你会选择哪些评估指标？面试官常通过追问技术细节考察候选人的工程实践能力，例如要求解释对比学习框架中的负采样策略实现原理，或对YOLOv7目标检测模型中的Neck结构进行改进的可行性分析。

综合能力评估模块注重学术潜力和研究规划能力，2023年考核中约35%的面试官要求候选人提交研究计划书初稿并进行15分钟路演。研究计划书需体现明确的创新点，例如某考生提出基于知识蒸馏的领域自适应框架，通过构建动态知识图谱实现小样本场景下的模型迁移，该方案被评委评价为"有效解决了医疗影像跨机构标注不一致的痛点"。在跨学科合作方面，2022-2024年真题中涉及AI+材料科学、AI+能源系统的复合型问题占比提升至42%，要求候选人展示多领域知识融合的案例，如利用图神经网络建模电池材料微观结构演变规律。

备考建议应聚焦三个维度：第一，构建"理论-算法-应用"三维知识体系，重点突破Transformer架构变体、自监督学习范式、强化学习在机器人控制中的落地场景等高频考点；第二，强化工程实践能力，建议通过Kaggle竞赛或开源项目积累模型调参、分布式训练、ONNX格式转换等实操经验，近三年面试中涉及PyTorch框架的工程问题出现频率达67%；第三，研究计划撰写需遵循"问题定义-方法创新-实验验证"逻辑链，推荐参考NeurIPS、CVPR近三年顶会论文方法论，同时关注华为昇腾、商汤科技等企业的技术白皮书以捕捉产业需求。模拟面试应采用"双盲评审"模式，邀请领域内副教授及以上职称的学者进行交叉提问，重点训练对技术路线可行性的辩证分析能力，例如当被问及模型压缩率与精度平衡方案时，需展示量化感知训练、知识蒸馏、量化感知剪枝等方法的组合应用。