N6-04 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

课程代码 N6-04 · 板块 N 前沿与新技术 / 智能预测与数字孪生 时长 约 3~3.5 小时（8 讲） 前置 体系外前置（需自备）：对整车热管理的基本构成有概念——电池/电驱/座舱三条热链、冷却回路与制冷回路的分工；不要求会做其中任何一项设计；体系外前置（需自备）：听说过「训练集/测试集」「预测误差/RMSE」这几个词即可；⛔ 本课不要求任何机器学习基础，也不讲算法——本课是体系内 AI 相关课题的入口课，不设体系内硬前置 本讲义定位 讲师授课蓝本 / 学员自学讲义，是 N6-04 大纲的完整展开版

---

引言：把「AI 到底行不行」拆成三次可判的判断

立项评审上争不出结论，多数时候不是意见分歧，而是三次独立的判断被搅成了一问。「AI 到底行不行」这个问法本身无法判真假——支持的人举得出成功案例，反对的人举得出失败案例，谁也驳不倒谁。

本课把它拆成三问，每一问有自己的坐标、自己的资料需求、自己的产出物：该不该上——把需求放进「数据可得性 × 物理可建模性」两个坐标里定位（第 1 讲）；上的是哪一类——回答一句「我这个项目由什么重建什么」（第 2 讲）；拿什么验收、失败了怎么知道——判据要在立项时写进验收计划，而不是上线后再补（第 3、5 讲）。三问的产出是可数的三样：一张七行的立项自查表、一张写着「由什么重建什么」的定位卡、一条写进验收计划的判据句。三样都交得出来，这件事才算判完。

★ 任何一格填不出来，这件事本身就是结论：不是「再研究研究」，是这个需求还没有定义到可以立项的程度。把它当成待办而先立项后补定义、把顺序颠倒成先选算法再回头补需求定义、用「行业都在做」代替第一问——这三个动作是本课要防的第一批。

第二根钉子会在后面几讲反复出现：AI 类应用的失效，没有一类会自己报出来。有的错得自信（输出格式正确、语气笃定，没有异常值可查），有的是件根本没坏（规格也按当时的认知正确实现了，动作却导致了危害），还有一类更极端——模型可能完全正确，而收益本来就不存在。⇒ 发现它靠的是立项时就写好的自查判据，⛔ 不是上线后的诊断报警。

还要先打一个预防针，它是本课最容易被读反的一句：「AI 预测越准，节能收益就越大」。它不是全错，只错了一半——能被提前搬运的热量有一个上界，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。读反了，预算会全压在提高精度这一侧，而从头到尾没算过一次热容账；⚠ 反过来，由一次这样的失败推出「AI 在热管理上没用」，代价一样实在——它会把收益机制与热容上界无关的另外几类应用一起否掉。两侧的代价，第 4 讲会对称地摆出来。

本课不讲算法、不写代码，也不要求任何机器学习基础；方法本体都在别的课，本课只给定位与去向。

第 1 讲　该不该上：两条坐标定位，而「填不出来」本身就是结论

这一讲不讲任何一类 AI 应用怎么做——怎么选模型、怎么训、怎么整定、怎么把物理模型降阶，全部不在本讲，也不在本课。这一讲只做一件事：把「这条 AI 路线值不值得投」这个在评审会上永远争不出结论的问题，换成一串能当场判真假的动作——先把两条坐标各自定义清楚，再据此定位，再按格写出处置结论；定位落到两个坐标都不成立那一格时，结论不是「否掉」而是先去改哪一个坐标；两条坐标都含混不清时，换对照问打破平局（1.5 立的那一问，⛔ 与全课三问里的第三问不是同一问）。最后把这一整套收进一张七行的立项自查表，配三条出口。

之所以要先立这个，是因为立项评审上关于 AI 的争论有一个几乎固定的形态：一方说「行业都在做，不做就落后了」，另一方说「我们数据质量不行，做不出来」。两句都无法判真假，于是结论取决于谁的嗓门大、谁的级别高，或者谁最后一个发言。⇒ 本讲要交的不是立场，是一句能写进评审纪要、并且别人可以当场质疑的结论——它带着定位、带着依据，也带着「如果我错了，错在哪一步」。

1.1 本讲落的是三问里的第一问，而「填不出来」是结论、⛔ 不是待办

是什么。「要不要投这条 AI 路线」这一问，本课把它拆成三次各有各的坐标的独立判断：

• 第一问　该不该上——把需求放进「数据可得性 × 物理可建模性」两个坐标里定位，四格各有各的处置结论（本讲）；
• 第二问　上的是哪一类——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（第 2 讲）；
• 第三问　拿什么验收、失败了怎么知道——判据要在立项时写进验收计划，而不是上线之后再补（第 3 讲给「怎么发现它正在失效」，第 5 讲给累积型目标该拿什么当验收判据）。

为什么要拆成三问。立项评审上争不出结论，多数不是意见分歧，而是三问被搅成了一问。「AI 到底行不行」这个问法本身就无法判真假——它没有主语（哪一类应用）、没有宾语（重建什么），也没有判据（凭什么算行）。而拆开之后每一问都有明确的判据与明确的资料需求：第一问要的是两条坐标各自的取值来源，第二问要的是一句话，第三问要的是一条可执行的判据句。⇒ 三问都是能当场问、当场答不出来就立刻知道自己卡在哪一步的。

工程量级。三问的产出是可数的三样东西：一张七行的立项自查表（本讲）、一张写着「由什么重建什么」的定位卡（第 2 讲）、一条写进验收计划的判据句（第 3 讲与第 5 讲）。三样都在，才算判完。★ 任何一样交不出来，结论就是「这个需求还没定义到可以立项的程度」，⛔ 不是「再研究研究」。这句话在本课里会反复出现，它是本课最省钱的一条读法：把空白当成结论，而不是当成一个可以带着往下走的待办。

易错点三条。① 把「填不出来」当待办——于是先立项、再补定义，而缺的那一格通常要到上线之后才以另一种形式还回来（最常见的一种是「没人说得清拿什么验收」）；② 把三问的顺序颠倒——先选算法、先选平台，再回头补需求定义，那样两条坐标就变成了为已选方案背书的材料，而不是判据；③ 用「行业都在做」代替第一问——别人做得成，是因为他们那个项目的两条坐标成立，⛔ 那不是你项目的坐标。

⚠ 顺带把本课的一条做法写死：本课不列任何 AI 框架、建模平台或数据平台类工具，一件也不列。理由不是清高，是列了会诱导读者跳过判断直接进选型——而选型是第一问答完、第二问定完类之后才轮得到的事。各门方法课里各有一份自己的工具清单，那才是它该出现的地方。

1.2 两条坐标轴各是一个连词，缺一半就退化成口号

是什么。两个坐标各是一个「A 与 B 同时成立」的合取，⛔ 不是单条件：

• 物理可建模性＝「写得出可解的守恒/本构关系」并且「其中的关键参数在本项目条件下辨识得出来」。缺后一件仍算难建模——方程写得出，而包内真实接触热阻在本项目条件下辨识不出来，那就是难建模。
• 数据可得性＝「目标量的标签（也就是它的真值）能不能在足够的工况覆盖上取得」，⛔ 不是「车上有没有一堆信号」。

为什么这两个连词一个都不能省。把坐标简化成单条件，四象限当场退化成口号：几乎所有热管理问题都「写得出方程」，也几乎所有车都「有一堆数据」——于是所有需求都落进同一格，判据失效。一个把所有输入都映射到同一个输出的判据，等于没有判据。两条连词的后半截，正是把这两句正确的废话挡在门外的那一半。

判定动作，两问，而且都要落到具体的取值来源上。

• 物理侧：关键参数是从哪次试验、哪份数据表取的？本项目条件下取得到吗？
• 数据侧：目标量在哪些工况上有真值？这些工况覆盖了我要用它的范围吗？

回答不出来即判「难」。⚠ 判「难」不是判死刑——1.4 与 1.5 会给出移格动作，坐标本身是可以改的。

易错点三条。① 把「有信号」当成「有标签」——车上信号成百上千，而目标量恰好没有测点，仍属数据难得；② 把「文献里有这个模型」当成物理好建模——文献里的参数往往是别的材料、别的封装、别的平台标定出来的，门限与系数⛔ 不得照抄，能借鉴的是形式，不是取值；③ 把「数据量大」当成「覆盖全」。⚠ 第三条在第 6 讲会以另一副面孔再出现一次（车队数据能不能替代定尺寸台架），机制完全相同：样本量放大不改变分布的形状，稀疏的地方还是稀疏。

1.3 四格一格一结论，差别不在难度，在验收拿什么当参照

定位	处置结论	验收时拿什么当参照	方法本体归
物理好建模 × 数据易得	上代理模型 / ROM	物理模型本身——它既能生成训练样本，又能当独立验证的参照	J7-05 机器学习/AI 代理模型在热管理中的应用 / J7-02 模型降阶（ROM）与控制导向建模
物理难建模 × 数据易得	上软测量 / 数据驱动	⚠ 没有可信的物理参照，只能靠留出的独立样本自证	K3-10 热管理在线状态与负荷估计：观测器整定、软测量置信度与退出条件 / K7-03 数据驱动的能效自学习控制
物理好建模 × 数据难得	继续用物理模型，⛔ 不必上 AI	物理模型自己就是答案，不存在「谁参照谁」的问题	需要降阶时 J7-02 模型降阶（ROM）与控制导向建模
物理难建模 × 数据难得	⛔ 不要上	——（此时该做的是改坐标，见 1.4）	——（先移格）

为什么这四格要按「验收拿什么当参照」来读，而不是按难度。立项评审上真正决定成败的往往不是模型选型，而是「上线之后拿什么证明它是对的」——⚠ 而这一问在四格里的答案完全不同，所以必须在定完格之后立刻问。「物理好建模 × 数据易得」那一格之所以是四格里唯一「真需求、收益明确、验收清楚」的一格，不是因为它简单，而是因为它有一个独立于被验证对象的参照：物理模型既能生成训练样本，又能在验证时当参照，「准不准」有得比。「物理难建模 × 数据易得」那一格是真需求，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 讲与第 5 讲去取。

「物理好建模 × 数据难得」那一格要单说一句。它的处置结论是继续用物理模型，⛔ 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（去向 J7-02 模型降阶（ROM）与控制导向建模）。⚠ 而降阶⛔ 不叫「上 AI」——这不是措辞洁癖：把降阶当成 AI 项目立项，验收标准（该比的是与全阶模型的一致性，不是与实测的相关性）、人员配置与评审路径会整套走错。

本讲的产出是一句能写进立项评审纪要的结论，⛔ 不是技术方案。四格里每一格的方法本体都在别的课（1.8 给完整去向表），本讲不讲怎么训、不讲怎么整定。

易错点三条。① 把四格当难度排序——那样读会得出「靠某一侧比另一侧难，所以要更多预算」这种与处置完全无关的结论；它是处置分类，四格之间⛔ 没有序关系；② 在「物理难建模 × 数据易得」格里沿用另一格的验收习惯——找一个物理模型来比对，⚠ 而那个模型本身就不可信（如果它可信，这个需求根本不会落在这一格）；③ 把降阶当成上 AI 来立项。

1.4 两个坐标都不成立那一格：正确动作是先改一个坐标，⛔ 不是换一个更大的模型

是什么。「物理难建模 × 数据难得」的判据是两个坐标都不成立；它的处置结论不是「不做」，而是现在还不能立这个项，先去改坐标。★ 三类移格动作（本课归纳，⛔ 不是既有分类）：

• （a）往「数据易得」移——补测点、补试验、补标注，把标签真正拿到手；代价是硬件与台时；
• （b）往「物理好建模」移——先把机理模型立起来、把关键参数辨识出来；代价是人与周期；
• （c）两个坐标都要改时，先改便宜的那个——⛔ 不是同时改，更⛔ 不是先立一个 AI 项目、指望模型把两件事一起解决。

为什么它看起来最需要 AI。正因为两条常规路都堵着：机理走不通，数据也走不通，于是「上个 AI 试试」听起来像唯一剩下的选项。⚠ 而「两条路都堵着」恰好就是「AI 也没有输入」的意思——没有可信的物理约束可以嵌进去，也没有标签可以学。模型不会同时解决「不知道机理」与「没有真值」这两件事；它只会把这两个缺口包装成一条看起来在收敛的训练曲线。⚠ 训练损失下降，说明的是模型正在拟合它手上那点东西，⛔ 不说明这两个缺口被填上了——恰恰因为没有真值，你连「它到底错多少」都量不出来。

工程量级。移格是有价目表的：往「数据易得」移，付的是硬件与台时；往「物理好建模」移，付的是人与周期。两个都要改时先付便宜的那一笔，改完重新走一遍 1.2 的两问、重新定格再判。⚠ ⛔ 不是「补过测点了所以现在算数据易得」——补的测点覆盖了哪些工况、目标量的真值是不是真的拿到了，要按 1.2 的定义重新答一次。

易错点三条。① 把「先攒数据再说」当成移格——攒的是信号不是标签，格一点都没有动；② 把「先立项、边做边定义」当成推进；③ 把一次失败归因成「模型不够大」并据此申请更大的算力——这条特别难反驳，因为更大的模型确实会让训练指标更好看，⚠ 而那个指标与本格缺的两样东西（机理、真值）没有任何关系。

1.5 ★ 本课补：四象限是可移动的坐标，两轴都在中间带时判据会退化

★ 两条补充，都是本课归纳，⛔ 不是既有分类，也⛔ 不是任何标准或权威文件里的既有用法：

① 四象限的用法是「定位 → 判处置 → 若处置是不要上，则判该往哪个方向移格」，⛔ 不是给需求贴一个永久标签。两条坐标都是可以被主动改变的（1.4 的三类动作）。 ② 现实里大量需求两个坐标都是「中等」——机理写得出但关键参数半信半疑、标签在部分工况上有而在真正要用它的工况上没有——此时四格判据给不出唯一答案，必须换判据。

为什么这两条必须补。把四象限当静态归类，「两个坐标都不成立」那一格的需求就只剩「否掉」一个结局——⚠ 而它们里面有真需求，只是顺序错了（先该改坐标，不该先立项）。至于中间带，若硬判进某一格，判出来的结论取决于谁来判：同一份需求，乐观的人判进「数据易得」、谨慎的人判进「数据难得」，两人都说得通，评审就退化成投票。⇒ 判据退化的时候要换判据，⛔ 不是把它硬判到底。

⚠ 先把这一问的名字钉住：本课把这个用来打破平局的问题称作对照问——⛔ 它与 1.1 那个全课三问里的第三问（「拿什么验收、失败了怎么知道」）不是同一问，全课三问的编号也⛔ 不因本条而改。图 2 中间带上标的「用对照问打破平局」指的就是它。

对照问怎么问。形式是一句可核对的比较，两半都要落到纸上：

• 先写：现有物理模型在哪些工况上、以什么精度、用多长时间，能给出答案？
• 再写：AI 方案相对它，多解决了什么？

多出来的那部分若说不出来，或者说出来的是「更快」而实时性并不是这个项目的瓶颈，就不立项。

易错点三条。① 把对照问答成「AI 更先进」——那是形容词，不是比较；② 把「多解决了什么」答成「省了建模的工作量」——⚠ 那是团队成本不是工程能力，而且它会在验收阶段以「没有参照可比」的形式原样还回来：被省掉的那个物理模型，恰恰是 1.3 里唯一验收清楚的那一格所依赖的独立参照；③ 忘了标明这两条是本课归纳而不是既有分类——本课凡是自建的判据都要标出来，读者才知道该以什么强度采信它。

本讲用到的完整判定空间。⚠ 沿「四个象限」这条线索去数，会整整漏掉两类——它们不在「格」这条线索上，却同属「该不该上」这个判定空间。完整的空间是 4 个格 + 3 类移格动作 + 1 类边界情形，共八项，一项都不许省：

• 四格：好建模 × 易得 ⇒ 上代理模型/ROM（去向 J7-05 机器学习/AI 代理模型在热管理中的应用 / J7-02 模型降阶（ROM）与控制导向建模）；难建模 × 易得 ⇒ 上软测量/数据驱动（去向 K3-10 热管理在线状态与负荷估计：观测器整定、软测量置信度与退出条件 / K7-03 数据驱动的能效自学习控制）；好建模 × 难得 ⇒ 继续用物理模型（需要降阶时去向 J7-02 模型降阶（ROM）与控制导向建模）；难建模 × 难得 ⇒ ⛔ 不要上；
• 三类移格动作（★ 本课补）：往「数据易得」移 / 往「物理好建模」移 / 两个都要改时先改便宜的那个；
• 一类边界情形（★ 本课补）：两轴都落在中间带 ⇒ 四格判据退化 ⇒ 用对照问打破平局。

⚠ 判定时若某一项在你的项目上不适用，也要显式写成一行「本项目不适用，理由是……」，⛔ 不许默认它不存在——没被写下来的那一项，不会有人替你去查它。下面这张图把四格、三类移格动作与中间带放在同一个平面上，⚠ 注意两条轴上没有刻度也没有数值，它只用来定位与判方向。

1.6 当场判一个反复被提出的需求：「大模型替代系统工程师做方案判断」

是什么。把这个需求放进两条坐标里，当场判：

• 物理可建模性：系统方案好不好，写不出可优化的目标函数——多目标、约束互相冲突、权重还随项目阶段变（概念阶段与 SOP 前，同一张权重表根本不是一张表）⇒ 物理难建模；
• 数据可得性：历史决策没有带标签的样本——做过的方案没有反事实对照，无从知道当初选另一个会怎样 ⇒ 数据难得。

两个坐标都不成立 ⇒ ⛔ 不要上。它是伪需求：不是「暂时做不了」，而是这个需求的形式本身就不满足立项条件。

为什么它特别有市场。因为它看起来正是「大模型最擅长的自然语言任务」——方案讨论是用文字进行的，而大模型处理文字。⚠ 而四象限问的不是这个问题用什么语言描述，是目标量与标签拿不拿得到。语言只是问题的外衣，判据在里面。

⇒ 大模型在这件事上真正能做的，是第 2 讲第⑤类（知识重建）——把资料、案例、条款找齐并整理成初稿。落法归 N6-03 AI 大模型在热管理开发中的应用（企业级）与 Q3-03 AI 辅助热管理工程工作实务（个人日常）；本课对这一类只给一条判据（出处三问，第 3 讲），⛔ 不讲知识库怎么治理、⛔ 不给任何检索或上下文相关的数值。

判定动作两问，评审现场就问得出来。① 这个方案好不好，能写成一个可计算的目标函数吗？② 过去的决策里，哪些被记录成了「输入 → 决策 → 结果」的带标签样本？两问都答不出来，即判伪需求。

易错点三条。① 把「它能条理清楚地讨论方案」当成能做判断——条理是语言能力，判断要的是目标函数与样本；② 把「它整理得比人快」当成替代——整理是第 2 讲第⑤类，判断不是，两者⛔ 不可互相推导；③ 因为它给出的理由听起来完整就不再核对——⚠ 理由完整恰恰是幻觉失效的典型外观（第 3 讲第⑤类），越是完整、越是笃定，越要把出处一条条打开看。

⚠ 反过来的一侧同样要守住：判它是伪需求，⛔ 不等于判「大模型在热管理上没用」，更不等于判「AI 在热管理上没用」。它落在这一格，是因为这一个需求的两条坐标不成立；第 2 讲另外四类各有各的坐标，要各判各的。⚠ 这条「一次失败不能推出一整类结论」的不对称，在第 4 讲会以贵得多的形式再出现一次。

1.7 立项自查表：七问，三条出口

是什么。一行一问的表，七问：

1. 目标量是什么
2. 标签从哪来
3. 覆盖哪些工况
4. 现在的物理模型能做到什么
5. AI 相对它多解决了什么
6. 验收拿什么判
7. 失败了怎么知道

★ 配三条出口（三条出口这样组织，是本课归纳）：

• 出口一：七格全填得出 ⇒ 进入四象限定位，并写出一句处置结论。
• 出口二：有一格填不出 ⇒ 结论就是「需求还没定义到可以立项的程度」；表上标出缺的是哪一格、由谁在什么时候补。⛔ 不许留空、⛔ 不许用「据行业惯例」把没有的数值填出来、⛔ 不许用「后续细化」占位交表。
• 出口三：定位落到「物理难建模 × 数据难得」那一格 ⇒ 结论是先改坐标，并写明改哪一个、怎么改（1.4 的三类动作）。

为什么它值得单独做成一张表。把自查表当填空作业时，它只是形式；把它当带出口的判据时，它是本课最省钱的一道闸——立项前的一小时对话，替代的是上线一轮之后才发现「原来没人说得清拿什么验收」。★ 差别只在有没有出口：一张没有出口的表，填不出来的那一格会被写成「待细化」，然后翻页过去；一张有出口的表，那一格会把流程直接送到「这就是结论」。

工程量级。七问里最常填不出的是第 2 问与第 7 问，⚠ 而它们暴露的是两个不同的问题：

• 第 2 问「标签从哪来」填不出 ⇒ 暴露的是数据可得性其实不成立，要回到 1.2 的定义重新定格；
• 第 7 问「失败了怎么知道」填不出 ⇒ 暴露的是这个应用现在还验收不了。★ 这一条要格外认真对待：第 3 讲会说明，AI 类应用的失效没有一类会自己报出来——第 7 问填不出来，意味着上线之后没有任何东西会主动告诉你它错了。

易错点三条。① 把第 6 问填成「看效果」——「效果」不是判据，它没有阈值、没有比较对象，也没有取数口径；② 把第 7 问填成「用户会反馈」；③ 把这张表当评审材料的附录，而不是评审的议程——附录没有人读，议程会被逐行问。下面这张图画的正是它的三条出口，⚠ 图上没有任何评分与权重，因为它⛔ 不是打分卡。

1.8 本讲的射程：只判「该不该上」，⛔ 不判「上了怎么做」

把边界在讲的末尾再钉一次。本讲不讲怎么训、不讲怎么整定、不讲怎么降阶，只给定位与处置。已经确定要上某一类的读者，按第 2 讲的五类定位直接去对应的方法课——本课不承担方法。

为什么。判断力课一旦顺手讲方法，会同时坏两件事：读者以为自己已经学到了方法（而那只是一段摘要），以及本课的判据被方法的细节淹没。⇒ 本课对射程外的东西只给类型与去向，⛔ 不给限值、⛔ 不给参数、⛔ 不给条款内容。

去向表（课号级，点得开）。

定位	方法本体归
物理好建模 × 数据易得	J7-05 机器学习/AI 代理模型在热管理中的应用 机器学习/AI 代理模型；J7-02 模型降阶（ROM）与控制导向建模 模型降阶与控制导向建模
物理难建模 × 数据易得	K3-10 热管理在线状态与负荷估计：观测器整定、软测量置信度与退出条件 在线状态与负荷估计（观测器整定、置信度与退出条件）；K7-03 数据驱动的能效自学习控制 数据驱动的能效自学习控制
物理好建模 × 数据难得	需要降阶时 J7-02 模型降阶（ROM）与控制导向建模（⚠ 这⛔ 不叫上 AI）
物理难建模 × 数据难得	无方法本体——先按 1.4 改坐标
知识重建那一类（第 2 讲第⑤类）	N6-03 AI 大模型在热管理开发中的应用 企业级；Q3-03 AI 辅助热管理工程工作实务 个人日常

★ 写法约定，全课统一：一律写「方法本体归 [[X]]」这样的去向句，⛔ 不得写成「[[X]] 已讲透 / 已给出结论 / 已论证」——本课给的是去哪儿找，⛔ 不是对那门课内容的断言。

⚠ 两处最容易越界的边界，写死在这里：

• 预测类应用的运行期触发逻辑、触发门限与退出条件归 K7-01 预测性热管理（导航/云端/驾驶意图协同）。本课第 4 讲只给立项前的判据式与量纲关系（这个方向该不该投），⛔ 不给「这一次到底要不要预处理」的触发方法，⛔ 不给任何触发门限。
• 观测器整定与置信度分级归 K3-10 热管理在线状态与负荷估计：观测器整定、软测量置信度与退出条件。本课第 3 讲只给「看什么」，⛔ 不给怎么整定、⛔ 不给分级门限。

易错点三条。① 在本讲里顺手给一个「推荐的模型结构」——那会让读者跳过第一问；② 把去向写成对那门课内容的断言；③ 把「本课不讲」读成「这件事不重要」——⚠ 恰恰相反，去向里有几门是硬接口，第一问答完之后马上就要用到。

本讲小结：第一问「该不该上」是可判的。判法是：先按两个连词把坐标定义清楚（物理可建模性＝方程可解 且 关键参数可辨识；数据可得性＝目标量标签的工况覆盖，⛔ 不是有没有一堆信号），再定位到四格之一并写出该格的处置结论——⚠ 四格的差别不在难度，在验收拿什么当参照。落到「物理难建模 × 数据难得」那一格时，正确动作是先改一个坐标（补标签，或先立机理模型；两个都要改时先改便宜的那个），⛔ 不是换一个更大的模型；两轴都落在中间带时四格判据退化，改用对照问「现有物理模型能做到什么、AI 相对它多解决了什么」（1.5；⛔ 它与全课三问里的第三问不是同一问）。这一整套收进七问三出口的立项自查表：任何一格填不出来，这件事本身就是结论。★ 三类移格动作、中间带的对照问、以及三条出口的组织方式，都是本课归纳，⛔ 不是既有分类。本讲只判该不该上，⛔ 不判上了怎么做——下一讲把「上的是哪一类」问清楚：由什么重建什么。