生成式AI仿真的案例
生成式 AI 重塑自動駕駛仿真：4D 場景生成技術(shù)的突破與實踐
近年來，伴隨自動駕駛技術(shù)的快速發(fā)展，行業(yè)對于仿真測試平臺的精度、覆蓋率和可擴展性提出了更高要求。尤其在數(shù)據(jù)閉環(huán)迭代、長尾場景驗證及安全冗余驗證等關(guān)鍵環(huán)節(jié)中，高保真、高復(fù)雜度的場景生成能力正在成為測試體系的核心支撐。
傳統(tǒng)場景生成方式面臨效率低、人工成本高、行為多樣性不足等問題，難以滿足當前智能駕駛系統(tǒng)對大規(guī)模、多模態(tài)、真實物理驅(qū)動場景的需求。為應(yīng)對這一挑戰(zhàn)，基于生成式AI的4D場景生成技術(shù)迅速興起，構(gòu)建了從環(huán)境建模、行為重建到視覺渲染的完整鏈條，正在重塑自動駕駛仿真驗證的技術(shù)基礎(chǔ)。
本文將從技術(shù)背景、系統(tǒng)能力、核心技術(shù)和實際應(yīng)用四個方面，系統(tǒng)梳理AI驅(qū)動的4D場景生成體系及其在自動駕駛仿真中的實踐價值。
一、測試覆蓋率瓶頸與生成式AI切入點
自動駕駛測試需要應(yīng)對極其復(fù)雜的交通場景，包括非結(jié)構(gòu)化路口、弱交通規(guī)則區(qū)域、極端天氣、低照度場景，以及多主體交互引發(fā)的不確定性行為等。當前基于真實數(shù)據(jù)采集或手工建模的方式存在如下限制：
（1）采集成本高：依賴實車、實景、多模態(tài)同步設(shè)備，周期長、數(shù)據(jù)稀疏；
（2）稀有場景不足：事故場景、異常行為等真實比例極低，難以高質(zhì)量復(fù)現(xiàn)；
（3）組合爆炸問題：參數(shù)空間（如天氣、時間、交通密度）指數(shù)級增長，難以人工覆蓋；
（4）場景可控性弱：缺乏可調(diào)控的語義接口，測試粒度不足。
生成式AI具備從數(shù)據(jù)中學習潛在分布、生成新組合樣本的能力。其引入使得場景構(gòu)建從“手工定義”轉(zhuǎn)向“自動生成”，具備如下優(yōu)勢：
（1）能構(gòu)造真實但未見過的長尾組合；
（2）能對目標測試策略進行定向增強（如遮擋率、交通密度等指標）；
（3）可支持大規(guī)模仿真測試平臺的持續(xù)供場；
（4）支持動態(tài)交互與時間演進建模，構(gòu)建完整4D語義閉環(huán)。
展開 康謀分享 | aiSim5基于生成式AI擴大仿真測試范圍（終）
2、添加動態(tài)對象
在NeRF和3DGS生成靜態(tài)場景后，aiSim5將基于外部渲染API進一步增加動態(tài)元素，不僅可以重建原始場景，也可以根據(jù)測試需求構(gòu)建不同的交通狀態(tài)。
編輯
aiSim5中基于NeRF/3DGS場景細節(jié)。
圖13：網(wǎng)格投射陰影
編輯
圖14：車下環(huán)境遮蔽
3、效果展示
在aiSim5中完成動態(tài)對象的添加后，可以自由的在地圖場景中更改交通狀態(tài)，用于感知/規(guī)控等系統(tǒng)的SiL/HiL測試。
圖15：aiSim5運行NeRF城市場景1
圖16：aiSim5運行NeRF城市場景2
作者介紹
崔工
康謀科技仿真測試業(yè)務(wù)技術(shù)主管，擁有超過5年的汽車仿真測試及自動駕駛技術(shù)研發(fā)經(jīng)驗，熟練掌握仿真測試工具和平臺，如aiSim、HEEX等，能有效評估和優(yōu)化自動駕駛系統(tǒng)的性能和安全性。擁有出色的跨文化溝通能力，成功帶領(lǐng)團隊完成多項海外技術(shù)合作項目，加速了公司在自動駕駛技術(shù)上的國際化進程。作為技術(shù)團隊的核心，領(lǐng)導并實施過大規(guī)模的自動駕駛仿真測試項目，對于車輛行為建模、環(huán)境模擬以及故障診斷具有獨到見解。擅長運用大數(shù)據(jù)分析和人工智能技術(shù)，優(yōu)化仿真測試流程，提高測試效率和結(jié)果的準確性。
展開 數(shù)據(jù)分析與AI丨在企業(yè)環(huán)境中利用知識圖譜賦能生成式 AI
<p><br></p><p>如今，各行各業(yè)對生成式人工智能（GenAI）的參與度遠超以往。GenAI 發(fā)展迅猛，不斷帶來新的機遇與價值。然而，對企業(yè)而言，實施 GenAI 常面臨諸多挑戰(zhàn)，或覺其難以駕馭，或擔憂風險過高。</p><p><br></p><p>盡管存在一定局限，但<strong>技術(shù)的進步以及知識圖譜等工具的出現(xiàn)，正不斷強化 GenAI 的數(shù)據(jù)分析能力。</strong>在用戶 AI 環(huán)境中引入知識圖譜，能夠讓模型輸出更<strong>精準、一致，且具備可追溯性</strong>，同時保障<strong>數(shù)據(jù)安全與隱私。</strong></p><p><br></p><p>Gartner 分析師指出，<strong>知識圖譜是企業(yè)構(gòu)建更先進 GenAI 解決方案的關(guān)鍵基礎(chǔ)設(shè)施。</strong>知識圖譜包含語義層，即ontology（本體論），它能賦予企業(yè)特有數(shù)據(jù)在專業(yè)領(lǐng)域的清晰、全面業(yè)務(wù)含義。這一本體可作為基礎(chǔ)上下文，為分析處理及數(shù)據(jù)建立終端用戶問題與數(shù)據(jù)之間的映射關(guān)系。此外，大語言模型（LLM）與知識圖譜技術(shù)相結(jié)合，可以<strong>使用概念模型作為上下文提供可信、經(jīng)過驗證的輸出</strong>。</p><p><br></p><p><img src="https://mmecoa.qpic.cn/mmecoa_jpg/x0yLiaf5fF6x0FHMa9san31EB22wZygdIAz4nymZQNnoRbf4g0oYcSm58SjeDIwORhYchMCaIMDwUFPnVQWrPsg/640?
展開 識別生成式AI解決方案的商業(yè)價值
識別生成式AI解決方案的商業(yè)價值 課程時長：1小時 課程大小：140.0MB 發(fā)布年份：2026 課程內(nèi)容：許多機構(gòu)在引入生成式AI時，缺乏評估其價值與展示實際回報的清晰框架。本課程將幫助你掌握評估生成式AI應(yīng)用場景的能力，使其與實際業(yè)務(wù)成果相匹配。你將學習生成式AI基礎(chǔ)理念、成
新思科技攜手AMD榮登世界經(jīng)濟論壇MINDS榜單，生成式與自主式AI推動芯片設(shè)計進入全新階段
MINDS 獎項與項目隸屬于世界經(jīng)濟論壇的 AI Global Alliance（全球人工智能聯(lián)盟）計劃，旨在甄選能夠在高復(fù)雜度、高風險挑戰(zhàn)中引領(lǐng)人工智能應(yīng)用落地的組織。新思科技與 AMD 是基于雙方在半導體芯片設(shè)計領(lǐng)域?qū)娀瘜W習、生成式 AI 以及代理式（Agentic）AI 應(yīng)用于工程流程方面的突出貢獻而受到表彰——這是一個對創(chuàng)新速度與精度要求極高的技術(shù)領(lǐng)域。
在芯片設(shè)計中引入人工智能，已不再是可選項。架構(gòu)復(fù)雜性快速攀升、性能目標日益激進以及人才缺口持續(xù)擴大，使傳統(tǒng)的工程工作流面臨極限壓力。
AI 驅(qū)動的設(shè)計流程緩解了這些壓力——它們并非取代工程師，而是提升專家知識的效能與決策質(zhì)量。代理式（Agentic）與基于學習的系統(tǒng)能夠幫助開發(fā)者更快速地探索龐大的設(shè)計空間，更有效地權(quán)衡取舍，并在問題成本最低時提前發(fā)現(xiàn)潛在隱患，從而實現(xiàn)更短的開發(fā)周期、更高質(zhì)量的芯片以及更具韌性的創(chuàng)新鏈路。隨著上市時間壓力加劇以及高端芯片需求持續(xù)增長，這類流程正成為半導體行業(yè)未來發(fā)展的關(guān)鍵路徑。
新思科技與 AMD 被選為 MINDS 獎項得主，凸顯了在前所未有的行業(yè)壓力下，AI 創(chuàng)新在半導體行業(yè)中的戰(zhàn)略重要性。通過對這兩家公司的認可和表彰，世界經(jīng)濟論壇強調(diào)：基于代理式（Agentic）和強化學習驅(qū)動的 AI 正從實驗階段邁向可規(guī)?；?、可投入生產(chǎn)的工作流程。它們在增強人類開發(fā)者專業(yè)能力的同時，為工程團隊及更廣泛的科技生態(tài)體系帶來實質(zhì)性價值。
作為全球最具創(chuàng)新力企業(yè)的重要研發(fā)合作伙伴，新思科技始終致力于推動行業(yè)前行。此次入選世界經(jīng)濟論壇 MINDS 項目，并因 AI 在芯片設(shè)計這一極其復(fù)雜的工程領(lǐng)域中的突破性應(yīng)用而獲得認可，我們深感榮幸。
展開 借助生成式AI進行更智能的API審查
GPT，即“生成式預(yù)訓練模型”（Generative Pretrained Transformer），是一個能“理解”數(shù)據(jù)之間關(guān)系的復(fù)雜數(shù)學模型。在使用您可能熟悉的ChatGPT這類工具時，該模型通過語言數(shù)據(jù)進行了訓練，創(chuàng)建了一個模型來描述語言中的詞匯如何相互關(guān)聯(lián)。通過研究書籍、文檔、博文、錄音轉(zhuǎn)寫等中的數(shù)十億個詞匯，該模型能夠理解一個詞匯如何根據(jù)不同的上下文與另一個詞匯相關(guān)聯(lián)。通過這種方式，它也能理解新的輸入并逐詞生成輸出，形成類似我們聊天時的回應(yīng)。當它為輸出生成一個新詞時，它會回顧上下文并生成句子中接下來最可能出現(xiàn)的詞。
如今，市面上有很多LLM（Large Language Model，大型語言模型），而OpenAI的GPT-4模型就是其中之一。到目前為止，GPT已經(jīng)經(jīng)歷了四次重大迭代，每一次都在功能、記憶力和理解力方面超越了之前的模型。
盡管GPT通常來說是用于理解人類語言，但它實際上只是一個模型，也可以被訓練用來理解如代碼等其他類型數(shù)據(jù)間的關(guān)系。這意味著我們可以與它討論某段代碼，并要求它進行分析，或是通過往復(fù)對話來幫助我們自己更好地理解代碼。
API審查的現(xiàn)狀
自去年12月中旬以來，我們一直在運行一個概念驗證機器人，監(jiān)控提交到codereview.qt-project.org的更改，并通過GPT-4進行diff（代碼差異）分析。由于生成式AI不會自行作出反應(yīng)，它必須根據(jù)提示語來生成輸出。提示語可以包含指令、請求、上下文信息等。以下是我們用于API審查的提示語，以及提供的一段原始代碼更改差異：
（摘要）“任務(wù)：對公共頭文件中的更改進行分類，判定它們是否對API的行為和使用具有重大影響。
展開 高級RAG：構(gòu)建與部署生產(chǎn)級生成式AI應(yīng)用 發(fā)布于2026年，視頻格式MP4，視頻編碼h264，分辨率1920×1080，音頻編碼AAC，采樣率44.1kHz，雙聲道。課程共114講，時長11小時
高級RAG：構(gòu)建與部署生產(chǎn)級生成式AI應(yīng)用 發(fā)布于2026年，視頻格式MP4，視頻編碼h264，分辨率1920×1080，音頻編碼AAC，采樣率44.1kHz，雙聲道。課程共114講，時長11小時，文件大小10.1GB。 你將學到：使用BM25混合搜索、RRF融合與Qdr
