热管理 × AI 全景图：什么时候该上、什么时候不该，以及各类应用各自会怎么失效

课程大纲

• 能用「数据可得性 × 物理可建模性」两个坐标把一个待立项的 AI 需求定位到四象限中的一格，写出该格的处置结论（上代理模型/上数据驱动/继续用物理模型/不要上），并说明落在「物理难建模 × 数据难得」那一格时正确动作是先去改哪一个坐标
• 能把手上任一个热管理 AI 应用归到五类重建（状态/负荷/物理/策略/知识）中的一类或分段归到两类，说清它「由什么重建什么」，并指出该类的方法本体归本体系哪一门课
• 能对给定的 AI 应用说出其特征失效形态，写出一句可当场执行的自查判据，并说明为什么这类失效通常不置故障码、不能靠诊断报警发现
• 能在不查任何行业数据的前提下用 Q_shift ≤ C_eff·ΔT_margin 判出一个预测类方向的收益天花板量级，据此判断该投精度还是该去改热容，并当场指出「热是可交易的预算、AI 帮你择时买卖」这个类比错在哪
• 能判定一个目标是累积型还是瞬时型并给出理由，为累积型目标写出「把模型输出代进寿命模型、积出损伤、与真值比偏差与偏差方向」的验收判据，并说明为什么逐点误差在这里会给出偏乐观的结论
• 能判定一项数据需求该由车队数据满足还是必须由台架试验满足，说清车队数据替代标定台架而不替代定尺寸台架的理由，并识别「数据攒够了极限工况试验就能少做」这句话错在哪一步
• 能把一份 AI 技术路线图的每一条按近景/中景/远景三档标注并写出各档判据，指出其中哪几条被包装成了「即将落地」

1. 「该不该上 AI」的四象限：数据可得性 × 物理可建模性
   • 两条坐标轴要先各自定义清楚，否则四象限退化成口号：**物理可建模性**问的是「能不能写出可解的守恒/本构关系，且其中的关键参数在本项目条件下辨识得出来」——方程写得出但关键参数拿不到（如包内真实接触热阻）仍算「难建模」；**数据可得性**问的是「目标量的**标签**能不能以足够的工况覆盖取得」，⛔ 不是「有没有一堆数据」——车上信号很多而目标量恰好没有测点，属「数据难得」
   • **物理好建模 + 数据易得** ⇒ 上代理模型 / ROM。这是四格里唯一「真需求、收益明确、验收清楚」的一格，因为物理模型既能生成训练样本、又能当独立验证的参照，「准不准」有得比。方法本体见 J7-05（ML 代理模型）与 J7-02（物理降阶），本讲不讲怎么训
   • **物理难建模 + 数据易得** ⇒ 上软测量 / 数据驱动。真需求，但**验收难**——没有可信的物理参照，好不好只能靠留出的独立样本自证，判据要到第 3、5 讲去取。方法本体见 K3-10（观测器整定与置信度分级）与 K7-03（自学习控制），本讲不讲怎么整定
   • **物理好建模 + 数据难得** ⇒ 继续用物理模型，⛔ 不必上 AI。这一格最常见的错误动作是「先攒数据再说」；正确动作是把物理模型用足，只有当算力或实时性挡了路时才需要把它降阶（J7-02），那也不叫「上 AI」
   • **物理难建模 + 数据难得**（图上的右下格）⇒ ⛔ 不要上。这是**最常见的失败起点**，恰恰因为它看起来最需要 AI。判据是两个坐标都不成立；正确动作是先花力气**改变其中一个坐标**——补测点/补试验拿到标签，或先把机理模型立起来——⛔ 不是先立一个 AI 项目，指望模型把两件事一起解决
   • 「大模型替代系统工程师做方案判断」正落在右下格，是**伪需求**：系统方案判断既写不出可优化的目标函数（物理难建模），也没有带标签的历史决策样本（数据难得）。大模型真正能做的是第 2 讲第⑤类（知识重建），落法见 N6-03（企业级）与 Q3-03（个人日常）
   • 本讲交付物是一张**立项自查表**，一行一问：目标量是什么、标签从哪来、覆盖哪些工况、现在的物理模型能做到什么、AI 相对它多解决了什么、验收拿什么判、失败了怎么知道。表里任何一格填不出来，**这件事本身就是结论**——说明需求还没定义到可以立项的程度
   • 本讲只判「该不该上」，⛔ 不判「上了怎么做」：四格里每一格的方法本体都在别的课，本讲的输出是一句能写进立项评审纪要的结论加一张自查表
2. 五类重建：AI 在热管理里到底在做什么
   • 先给统一视角：五类应用做的是同一件事——**由拿得到的量重建拿不到的量**。分类维度是「重建的是什么」，⛔ 不是「用了哪种算法」——同一个神经网络可以出现在五类中的任意一类里，按算法分类会把判断力问题伪装成技术选型问题
   • ① **状态重建**：由可测量重建**当前**的不可测状态——稀疏 NTC 布点重建包内 T_max、由电流与转速重建电机绕组热点、由壳温重建结温；热失控早期预警的特征提取也是这一类的一个具体落点。方法本体见 K3-10（估计器选型、整定、置信度分级与退出状态机），预警侧的特征与阈值见 K5-04，本讲不讲
   • ② **负荷重建**：由当前信息重建**未来**的边界条件——导航路径与坡度重建路段热负荷、驾驶意图重建下一分钟的功率需求。方法本体见 K7-01（数据源延迟与可信度、ETA 反推、置信度只调制前馈），车云链路与数据生态见 N6-01
   • ③ **物理重建**：由几何与工况重建**场量或性能量**——代理模型、ROM、虚拟标定。方法本体见 J7-05 与 J7-02；把它放进车队闭环做在线寻优见 N6-02
   • ④ **策略重建**：由状态重建**动作**——MPC 的滚动优化、自学习能量管理。方法本体见 K3-06（代价函数、时域、求解器与算力预算）与 K7-03（护栏与上车论证）
   • ⑤ **知识重建**：由文档与历史案例重建**答案**——LLM、RAG、失效案例检索。方法本体见 N6-03（企业级 RAG 与治理）与 Q3-03（个人日常用法与核验习惯）
   • ⚠ **provenance 必须写在讲义正文里**：这套「五类重建」是**本课归纳**（n=1、未经外部验证），它只是一张让读者定位自己在哪一类的地图；⛔ 不得写成公认分类、⛔ 不得引用任何标准或文献为其背书。它决定整门课的结构，因此也是全课最该被优先复核的一条
   • 读者要做的动作是一句自问：「我这个项目**由什么重建什么**？」——答不出来，说明需求还没定义清楚，这本身就是不该立项的信号（回到第 1 讲的自查表）；答得出来，就按第 3 讲去取它的特征失效
   • 一个应用可以横跨两类，⛔ 但不许含糊成一件事：预测性热管理是②→④（先重建未来负荷、再重建动作），两段各有各的失效与各自的验收；合成一个「预测性热管理准不准」的问题，就没法定位问题出在哪一段
3. 五类各自的特征失效：怎么发现它正在失效
   • 本讲只答一个问题——**怎么发现它在失效**；⛔ 不答「怎么修」，修法在各门方法课。这条边界要在讲义开头就写死，否则本讲必然膨胀成方法课的摘要
   • ① 状态重建 → **外推失效**：输入落到训练/整定分布之外，模型照样给出一个自信的值。自查判据一句话：「现在这组输入，建模时见过吗——逐维范围、局部样本密度、模型自身的预测方差，此刻各是多少」。三件套的算法与阈值整定见 J7-05，车端的置信度分级与退出状态机见 K3-10
   • ② 负荷重建 → **上限失效**：预测本身可能完全正确，但系统根本没有那么多热容去用它，「再准也没用」。自查动作是先算 C_eff·ΔT_margin（第 4 讲），⛔ 不是先看预测误差分布——误差分布再漂亮也不改变天花板
   • ③ 物理重建 → **边界失效**：训练样本来自设计探索空间，而**定尺寸关心的极限工况在样本上恒稀疏**，于是模型在最需要它可信的那一块最不可信。自查判据：「这次要问的那个点，在训练集里的最近邻有多远」；成因的数据侧对应见第 5 讲(b)
   • ④ 策略重建 → **安全失效**：件没坏、规格也按当时认知正确实现了，动作却不合理并导致危害——这类危害**不置故障码**，按失效行为组织的那条链接不住它。它需要一个安全壳（可信域声明、运行期监控作为安全措施、退回基线的触发条件），构造方法整套见 K2-05，护栏实现见 K7-03；本讲只负责让读者认出「这是那一类」
   • ⑤ 知识重建 → **幻觉失效**：输出在语言上完全成立、在事实上是编的，最典型是编出一个不存在的标准编号或一个精确到小数点的参数。自查判据是「这句话的**出处**能不能被独立打开、是不是现行版本、是否真的支持这个结论」；治理与红线见 N6-03 与 Q3-03
   • 五类里至少三类（外推、边界、幻觉）的共同形态是**错得自信**——没有报警、没有 DTC、没有异常值。所以「发现它」靠的是**事先写好的自查判据**，⛔ 不是等诊断报出来；这是本课与所有方法课共享的前提
   • 每一类的自查判据都要落成**立项时就写进验收计划**的一行，而不是上线后的排查手册：写不出判据的那一类，说明这个应用现在还验收不了。判据触发之后的工程动作（灰度放量的门限、回滚、参数锁定）不在本课，见 K7-02
4. 预测类应用的收益上限由系统热容决定，不由预测精度决定
   • 判据可算，且只需两个量：给定有效热容 C_eff 与可用温差裕度 ΔT_margin，能被提前搬运的热量上界 **Q_shift ≤ C_eff·ΔT_margin**；预测精度**只决定能否用满这个上界**，用满之后再准也没有额外收益
   • 立项顺序因此是**先算上限账、再谈精度**：上界够大，才轮到讨论加传感器、上更大的模型、买更精细的导航与气象数据；上界本来就小 ⇒ ⛔ 不该投这个方向，该去**改热容本身**（改质量、改工质、改回路容积、改允许温度窗）
   • ⛔ 显式收回一个流行的错类比：「热是可交易的预算，AI 帮你择时买卖」。**冷量是 use-it-or-lose-it 的**——这一刻不预冷，它不会存到下一刻；能存东西的是热容，冷量只是把热容里的状态挪了个位置。把冷量当预算，必然推出「预测越准收益越大」这个错结论
   • 精度的边际收益随上限收缩而塌陷：收益 ≈ 上界 × 用满比例，精度只抬后一项而后一项有天花板 1。热容小的系统，把精度从「够用」提到「很好」，边际收益趋近于 0——这正是不少预测性热管理项目「钱花完收益没出来」的机制性原因，不是执行不力
   • 两侧对称的代价都要在评审上摆出来：往「投精度」一侧走 ⇒ 钱花完收益没出来，且结论会被归因成「AI 没用」，连本该做的第③类（物理重建）也被一起否掉；往「AI 都没用」一侧走 ⇒ 把一条在热容充足系统上**真实成立**的收益路径整个放弃
   • ⚠ **本讲不给方法**：有效热容该把哪些质量算进来、温差裕度按哪个限值算、在真实系统里怎么取，全部归 B1-01（热源清单、蓄热项 m·c_p 与时间常数、全工况负荷谱）与 B4-01（能量流口径与控制体怎么切）；本讲只给**判据与量纲关系**，给方法就越界了
   • ⛔ **本讲不给任何数值**：不给 C_eff 与 ΔT_margin 的行业区间、不给「某平台省了 X%」，图、图注与 alt 同样不给（含刻度值与门槛竖线位置）。理由是本课是判断力课——给了区间，读者会把它当可取用值直接代进自己的项目
   • 本式的适用边界要一并交代清楚：它只封顶「靠提前蓄/放热换取后续裕度」这一类收益；预测用来**改变运行点从而改变效率**的那类收益（例如按坡度提前调工作点）**不由热容封顶**，⛔ 不要用本式去否掉它——用错方向会把一条独立成立的路径误杀
5. 累积失效类应用推翻标准 ML 验证范式，以及车队数据能替代什么
   • (a) 热管理里大量目标是**累积**的——绝缘老化、电池日历/循环衰减、焊点热疲劳；它们按 Arrhenius / Coffin-Manson 类规律走，共同特征是**尾部主导**：少数高温或大摆幅时段贡献了大部分损伤，而它们在时长直方图上只占很窄一条
   • (a) 于是有一个反直觉但可推的结论：一个 **RMSE 很好、但系统性低估高温尾部**的模型，逐点误差漂亮而**累积损伤算错**，且错在**偏乐观**一侧（低估损伤 ⇒ 判定寿命够 ⇒ 放行）。偏乐观的错误是漏判，代价与偏保守不对称，验收门限必须**分侧**设
   • (a) ⇒ **验收判据必须换成累积损伤量的偏差**，⛔ 不是逐点误差。自查一句话：「把模型输出代进寿命模型，积出来的损伤与真值差多少、差在哪一侧」——这句话要写进验收计划，而不是留到复盘会上问
   • (a) ⚠ **不许推广**：本条只对累积型目标成立。对瞬时型目标（当前 T_max 是否越限、此刻要不要触发保护），逐点误差**仍然是正确的判据**；⛔ 不得由本讲推出「RMSE 一律没用」，那会把一个对的判据也一起扔掉。判定动作很简单：问「这个目标是由一段历史积出来的，还是由此刻的值定的」
   • (a) 边界写死：寿命模型本体不在本课——Arrhenius 的适用温区、活化能取值与外推边界（电池侧）见 D1-04；Coffin-Manson / LESIT 双因子的形式、系数与封装体系绑定的搬用纪律、任务剖面下的分级 Miner（功率模块侧）见 E2-07；雨流计数与线性累积损伤的通用方法见 I6-01。本课**只把它们当验收判据用**，⛔ 不讲怎么定寿、⛔ 不给任何系数与活化能数值
   • (b) 车队数据的分布**就是用户实际使用分布**：在常用工况点密集，而**定尺寸看的是极限工况**，那里样本**恒稀疏**——这不是数据量不够，是分布本身决定的，再攒十倍车也不会变密
   • (b) ⇒ 车队数据**替代标定台架**（常用工况的策略调优、个体差异与老化补偿本来就该在真实分布上做，标定侧本体见 K6-04），⛔ **不替代定尺寸台架**（极限工况的能力验证，台架与采集本体见 L7-02）。⛔ 最容易犯的读法是「数据攒够了极限工况试验就能少做」——它把「样本多」当成了「覆盖全」；车端采什么、按什么触发采、覆盖分箱怎么声明见 K7-04
   • (b) 这一条的 provenance 在全课里最强（已落地 K7-04 并有配套自查句），讲义里应把它与第 2 讲的五类分类（本课归纳、未验证）**并排标出证据强度差别**——这门课本身就在教读者按证据强度分档，正文不能自己不分档
   • (c) **软测量与预测是同一个数学问题的两个方向**：前者重建当前、后者重建未来，都是「由可得量重建不可得量」；因此它们的失效模式**同构**——都是外推失效、都错得自信、都需要同一套「逐维范围 + 局部样本密度 + 预测方差」的在线判据
   • (c) ⇒ ⛔ 不该分两个团队、两套验证流程：给软测量做的外推检测**原样适用于**预测，可信域声明、退出条件与降级触发也可以共用同一份格式（格式本体见 K2-05，车端实现分别见 K3-10 与 K7-01）。⚠ 本条是本课归纳、结论较弱，讲义按「可先按此组织，若两侧证据出现分歧再拆」的口径写，⛔ 不写成定论
6. 三档时间纵深与对工程师个人的含义
   • ⚠ **三档必须在讲义正文里显式标注、一条都不许漏**：**近景**＝已经在量产车上跑（能举出已上线并承担交付责任的功能形态）；**中景**＝在试点、影子模式或小范围灰度中，收益与失效边界尚在积累；**远景**＝尚无定论（技术路线、验收方法、商业成立性三者至少有一项未解）
   • ⛔ **远景推演不得包装成「即将落地」**：混档最直接的后果是立项排期建立在一个不存在的时间表上，而排期一旦写进项目计划就会反过来倒逼团队去证明它。判据只有一条——「能不能举出一个已经承担交付责任的落点」，举不出就是远景
   • 三档的分界会随时间移动，所以讲义要写**判据**而不是写清单：清单一两年即过期，判据不会。⛔ 本讲不给任何「X 年内会怎样」的时间预测
   • 落点是一条判断：**被替代的是重复性建模、文书、查表、常规标定**——这类工作的共同特征是输入输出都已结构化、判据已经写死、只是量大，正好落在第 2 讲第③类与第⑤类的能力射程里
   • **增值的是「物理直觉 × 数据判断力」的复合能力**，三项可核对：知道 AI 结果**何时不可信**（第 3 讲五类自查判据）、知道该**问什么问题**（第 1 讲四象限与立项自查表）、能对**安全与合规**负责（安全侧指向 K2-05，数据侧指向 K7-04 与 N6-01）
   • 这条判断本身也要按本课的纪律标档：它是**本课的判断**，不是行业共识；给个人的建议一律写成「按什么判据自己核」，⛔ 不写成「应该去学哪个工具」——工具会过时，判据不会
   • 与相邻课的分工在本讲收口：个人日常怎么用 AI 工具见 Q3-03，企业级大模型与知识库怎么建见 N6-03，产业侧的车云生态与商业路径见 N6-01；本讲只讲「这件事对你这个工程师意味着哪些判断变了」

• 以为「AI 预测越准，节能收益越大」，于是立项评审时把预算全投向提高预测精度（加传感器、上更大的模型、买更精细的导航数据）并据此写投入产出表；其实收益的**上限**由热容给（Q_shift ≤ C_eff·ΔT_margin），精度只决定用满上限的**比例**——热容小的系统，精度从「够用」提到「很好」的边际收益趋近于 0
• 以为热可以像预算一样「择时买卖」，AI 负责挑便宜的时候买；其实**冷量是 use-it-or-lose-it 的**——这一刻不预冷，它不会存到下一刻，能存东西的是热容。类比一错，「预测越准收益越大」这个错结论就是从它必然推出来的
• 以为一次失败的预测性项目能推出「AI 在热管理上没用」；其实那次失败只证伪了「在这个热容上界下继续投精度」这一条路径，第①类状态重建与第③类物理重建的收益机制与热容上界完全无关，把它们一起否掉是这条错误最贵的连带损失
• 以为四象限里「物理难建模 + 数据难得」那一格可以靠更强的模型救；其实那是最常见的**失败起点**，正确动作是先花力气改变其中一个坐标（补测点/补试验拿标签，或先把机理模型立起来），⛔ 不是先立一个 AI 项目指望模型把两件事一起解决
• 以为「有一堆数据」就等于数据可得；其实四象限问的是**目标量的标签**能不能以足够工况覆盖取得——车上信号成百上千而目标量恰好没有测点，仍然属「数据难得」
• 以为 RMSE 好就等于模型可用；其实对累积型目标（老化、疲劳、衰减）验收判据是**累积损伤量的偏差**，逐点误差漂亮而累积损伤算错，且错在**偏乐观**一侧（低估损伤 ⇒ 判定寿命够 ⇒ 放行）
• 以为上一条能推广成「RMSE 一律没用」；其实对瞬时型目标（当前 T_max 是否越限、此刻要不要触发保护）逐点误差仍然是正确判据，推广就把一个对的判据也扔了。判定动作是问「这个目标是由一段历史积出来的，还是由此刻的值定的」
• 以为「车队数据攒够了，极限工况试验就能少做」；其实车队数据的分布就是用户实际使用分布，定尺寸看的极限工况在这个分布上样本**恒稀疏**——再攒十倍车也不会变密。它替代的是标定台架，⛔ 不替代定尺寸台架；根子上是把「样本多」当成了「覆盖全」
• 以为软测量和预测是两件事、该由两个团队各建一套验证流程；其实两者是同一个数学问题的两个方向（重建当前 / 重建未来），失效模式同构，给软测量做的外推检测原样适用于预测，可信域声明与退出条件也可共用一份格式
• 以为「大模型能替系统工程师做方案判断」；其实它落在「物理难建模 × 数据难得」那一格，是伪需求——既写不出可优化的目标函数，也没有带标签的历史决策样本。大模型真正能替的是文书、查表、检索这类知识重建任务
• 以为 AI 件失效会像传感器失效那样报出来；其实五类里至少三类（外推失效、边界失效、幻觉失效）是「说得像对的但错了」，没有报警、没有 DTC、没有异常值——发现它靠的是**事先写好的自查判据**，不是等诊断报警
• 以为技术路线图上的远景条目「即将落地」；其实本课要求近景/中景/远景显式标注，远景是「尚无定论」而不是「快了」，判据是能不能举出一个已经承担交付责任的落点——混档会让立项排期建立在不存在的时间表上
• 以为把加速倍数按摄氏温差线性估就够了；其实 Arrhenius 走的是绝对温度的倒数差（AF 随 ΔT/(T₁·T₂) 走），同样的 ΔT 发生在更高温度端时加速倍数反而更小，按 ℃ 差值线性外推会算反尾部的权重

需求区 · 想听众筹

想听/点名均为需求登记，不涉及任何付款（意向金仅登记不收款）。满 5 人点名 → 自动向平台专家发邀约。