N6-03 · 前沿与新技术 / 智能预测与数字孪生
待认领listed
→
众筹中recruiting
→
已开课open · Course 售卖
一课题可并存多讲师版本
课程大纲
学完能做什么
- 能区分大模型（LLM）与 J7-05 代理模型在热管理研发中的能力边界和适用场景
- 能设计一个基于检索增强生成（RAG）的企业热管理知识库接入方案
- 能列出研发流程中大模型可辅助的具体环节，并给出对应的人工复核把关点
- 能识别大模型幻觉/数据泄露的风险场景，设计对应的治理规则
- 能判断某个大模型应用场景是否达到可脱离人工复核独立使用的成熟度（通常答案是否）
内容大纲
- 大模型能力边界与热管理研发场景匹配
- LLM 强在语言理解/知识整合/代码生成，弱在精确数值计算与物理仿真——那是 J7-02/J7-05 的地盘
- 与专用小模型（代理模型）的分工：大模型管“知识与流程”，小模型管“数值预测”，两者可在同一工具链里配合
- 热管理研发链路里哪些环节是语言/知识密集型任务，天然适合大模型介入
- 哪些任务大模型看起来能做、实际不该独立信任（如直接给出精确的换热系数）
- 检索增强生成（RAG）与企业知识接入
- 通用大模型不懂你的车型/标准/历史失效案例：知识截止时间与领域盲区
- RAG 基本架构：企业文档/标准/历史 DFMEA/试验报告向量化检索 + 大模型生成
- 知识库建设的现实工作量：清洗、切分、更新机制，不是接个 API 就完事
- 领域微调 vs RAG：多数工程场景 RAG 性价比更高，微调门槛与长期维护成本更高
- 研发流程中的落地场景与对应的人工复核把关点
- 需求/DFMEA 草拟辅助：大模型生成初稿，工程师复核修正——不能反过来
- 标定报告/试验数据的自然语言解读与异常摘要辅助
- 控制逻辑/MBD 相关代码与文档生成辅助（链 K4-02），生成后仍须走正常代码评审
- 专利与文献检索、竞品技术路线情报整理辅助（链 M5-02）
- 多模态、agent 等前沿方向与当前的成熟度现实
- 多模态大模型读 CAE 云图/试验曲线图辅助初步判读的可能性与现阶段局限
- 大模型作为“工程助手 agent”编排调用仿真/标定工具链的探索方向，尚在早期
- 与数字孪生（N6-02）、预测性热管理（N6-01）结合的知识层可能性，如自然语言查询车队状态
- 行业当前的成熟度现实：多数落地还在“辅助”阶段，而非“自主决策”阶段
- 幻觉与数据安全两条红线：可验证性要求与组织制度治理
- 幻觉风险：大模型会自信地编造不存在的标准编号/参数，工程决策绝不能直接采信
- 数据安全：企业专有数据/未公开车型信息接入第三方大模型 API 的边界与合规
- 可验证性要求：凡是喂给下游工程决策的输出，必须有可追溯、可复核的路径
- 组织制度：哪些场景允许用、怎么审核、出了错谁负责，要靠制度而不是靠自觉
- AI 件的安全论证不在本课范围：大模型辅助件若其输出进入工程决策链（而不只是给人参考的草稿），其性能局限识别、危害分析与人工复核门槛应按 ISO/PAS 8800 一类 AI 安全框架论证，落法见 K2-05；本课只覆盖幻觉治理与数据安全边界
关键公式
sim(q,d) = cos(v_q, v_d)
RAG 检索环节判断知识库文档与查询相关性的常见度量（向量余弦相似度），检索质量直接决定生成内容能不能对得上企业实际场景
N_ctx = N_query + N_retrieved + N_history ≤ L_max
RAG 系统的上下文窗口预算：检索片段、历史对话与查询本身的 token 总量不能超过模型上限，这决定了知识库切分粒度与检索条数的工程取舍
grounded ⟺ 输出内容 ⊆ 检索片段可支撑范围
生成内容是否“有据可查”的基本判据：凡超出检索片段支撑范围的内容都应视为高幻觉风险，需要额外验证才能采信
关键概念
大模型 LLM检索增强生成 RAG向量检索领域微调幻觉 hallucination上下文窗口多模态大模型工程助手 agent数据安全边界可追溯性人工复核门槛
推荐工具与标准
企业级大模型部署平台（私有化部署/API 网关，具体产品因企业而异） 向量数据库（用于 RAG 检索，具体选型多样） RAG 开发框架（检索-生成编排工具链，行业选型多样） MBD 代码生成辅助工具（链 K4-02）
ISO/IEC 22989（人工智能概念与术语） ISO/PAS 8800（道路车辆 AI 安全） 企业数据安全与 IP 保护相关内部规范（尚无统一强制性国标，行业规范仍在形成中）
工程案例
某热管理团队把历年 DFMEA、标定报告与失效案例接入 RAG 系统，工程师自然语言查询“某类阀件历史失效模式”，大模型基于检索片段生成摘要并标注来源；具体参数结论仍要求核对原始文档，禁止直接引用模型输出作为报告依据。
动手做
交付物 · 选一个研发场景（如 DFMEA 草拟或标定报告摘要）：①设计 RAG 知识库接入方案（数据源、切分粒度、检索策略）；②列出该场景下大模型输出必须经过的人工复核检查点；③给出一条防幻觉治理规则（如禁止直接引用未核实的编号/参数）。
常见误区
- 把大模型输出的标准编号/参数数值当真，没有核实来源，用了一个编造的“看似真实”的引用
- RAG 知识库没有持续更新维护，几个月后新的失效案例/标准变更没进库，检索结果系统性过时
- 把企业未公开的车型/工艺细节直接喂给外部公有大模型 API 做分析，触碰数据安全红线
- 大模型生成的控制逻辑代码不经正常代码评审流程直接合入，绕开了本该有的 MIL/SIL 验证台阶
- 高估当前多模态能力，让大模型直接下判读结论（如 CAE 云图诊断）而不做工程师复核，出错了没人发现
相关课题