生成式AI質量預測的案例
資料驅動之生成式射出成型多質量預測技術
射出成型制程三大階段依序為充填、保壓與冷卻，利用射出成型技術生產之成品容易發生翹曲與收縮變形情況，造成成品缺陷有許多因素，包含材料特性、加工參數設置、環境與模具等影響，運用工程統計與CAE模擬進行具備策略性的加工制程調整能夠更有效率控制質量。透過感測技術分析壓力曲線所具備之物理意義，用于調整機臺以利取得最佳參數設置，獲得高質量成品[1]。
在射出成型過程中可控制的條件眾多，如：熔膠溫度、射出速度、保壓壓力、保壓時間等機臺參數設置。可利用模具內設置多個壓力感測器取得可應用之壓力數據，并將其進行后續之應用，機器學習的進步造就在質量預測上之效果逐漸提升。
在本研究利用壓力數據信息進行資料前處理，將其分為3種方法。第1種將擷取數據不進行任何處理在此作為全域壓力、第2種則是進行壓力分段處理，分別為充填、保壓與冷卻三階段，兩者均進行多層感知器編碼，第3種則是使用透過領域知識背景之指標化特征提取，并將以上取得特征進行相關系數分析對于質量之相關性，透過集成式機器學習[2]，進行多質量目標之預測，同時比較3種特征之預測準確度，進而提供較具優勢之生成式人工智能模型機器學習訓練方法，如圖1。
圖1：生成式射出成型多質量預測之示意圖
實驗設計與流程
本研究細分為三個主要部分：「射出成型實驗設計」、「資料前處理」，以及「生成式人工智能預測」。
射出成型實驗設計階段
本研究采用田口方法進行模流分析。具體進行兩次的L27田口實驗，共計54個模次。在每個模次中，設置4個感測節點，以擷取壓力數據、塑件尺寸（圖2），以及流道和塑件的總重量。
資料前處理階段
本研究從擷取到的壓力數據中采用了兩種不同的處理方法。首先是對整體壓力數據進行處理，其次是將射出成型過程中的三個主要階段分別進行壓力數據的分段處理。
展開 資料驅動之生成式射出成型多質量預測技術
射出成型制程三大階段依序為充填、保壓與冷卻，利用射出成型技術生產之成品容易發生翹曲與收縮變形情況，造成成品缺陷有許多因素，包含材料特性、加工參數設置、環境與模具等影響，運用工程統計與CAE模擬進行具備策略性的加工制程調整能夠更有效率控制質量。透過感測技術分析壓力曲線所具備之物理意義，用于調整機臺以利取得最佳參數設置，獲得高質量成品[1]。
在射出成型過程中可控制的條件眾多，如：熔膠溫度、射出速度、保壓壓力、保壓時間等機臺參數設置。可利用模具內設置多個壓力感測器取得可應用之壓力數據，并將其進行后續之應用，機器學習的進步造就在質量預測上之效果逐漸提升。
在本研究利用壓力數據信息進行資料前處理，將其分為3種方法。第1種將擷取數據不進行任何處理在此作為全域壓力、第2種則是進行壓力分段處理，分別為充填、保壓與冷卻三階段，兩者均進行多層感知器編碼，第3種則是使用透過領域知識背景之指標化特征提取，并將以上取得特征進行相關系數分析對于質量之相關性，透過集成式機器學習[2]，進行多質量目標之預測，同時比較3種特征之預測準確度，進而提供較具優勢之生成式人工智能模型機器學習訓練方法，如圖1。
圖1：生成式射出成型多質量預測之示意圖
實驗設計與流程
本研究細分為三個主要部分：「射出成型實驗設計」、「資料前處理」，以及「生成式人工智能預測」。
射出成型實驗設計階段
本研究采用田口方法進行模流分析。具體進行兩次的L27田口實驗，共計54個模次。在每個模次中，設置4個感測節點，以擷取壓力數據、塑件尺寸（圖2），以及流道和塑件的總重量。
資料前處理階段
本研究從擷取到的壓力數據中采用了兩種不同的處理方法。首先是對整體壓力數據進行處理，其次是將射出成型過程中的三個主要階段分別進行壓力數據的分段處理。
展開 數據分析與AI丨在企業環境中利用知識圖譜賦能生成式 AI
</p><p><br></p><p><strong>? 本體驅動對齊：</strong></p><p><br></p><p>以抽象且人類可讀的語言描述數據，<strong>使 LLM 與文本語言訓練方式一致</strong>，促進更加精確的上下文感知 AI 解決方案，還能輔助生成更準確的圖形查詢。</p><p><br></p><p><strong>? 捕獲復雜關系與推理：</strong></p><p><br></p><p>知識圖譜可捕捉復雜數據關系并進行高級推理，提取關聯信息，為用戶的臨時性問題生成相關且有深度的答案。</p><p><br></p><p><strong>? 具備擴展性與語義精度：</strong></p><p><br></p><p>知識圖譜持續發展，<strong>包含實時分析和聚合計算所需數據</strong>，確保 AI 輸出的時效性和準確性。</p><p><br></p><p><strong>? 助力微調或訓練 LLM：</strong></p><p><br></p><p>訓練對于將內部數據融入解決方案至關重要。讓 LLM 學習本體和參考數據，可提升其輸出質量。</p><p><br></p><p><strong>? 支持 RAG：</strong></p><p><br></p><p>知識圖譜通過創建文本片段并矢量化，<strong>支持 RAG 方法</strong>。LLM 利用向量嵌入檢索相關信息，為響應輸出提供寶貴的上下文內容。
展開 生成式 AI 重塑自動駕駛仿真：4D 場景生成技術的突破與實踐
尤其在數據閉環迭代、長尾場景驗證及安全冗余驗證等關鍵環節中，高保真、高復雜度的場景生成能力正在成為測試體系的核心支撐。
傳統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對大規模、多模態、真實物理驅動場景的需求。為應對這一挑戰，基于生成式AI的4D場景生成技術迅速興起，構建了從環境建模、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基礎。
本文將從技術背景、系統能力、核心技術和實際應用四個方面，系統梳理AI驅動的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對極其復雜的交通場景，包括非結構化路口、弱交通規則區域、極端天氣、低照度場景，以及多主體交互引發的不確定性行為等。當前基于真實數據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、多模態同步設備，周期長、數據稀疏；
（2）稀有場景不足：事故場景、異常行為等真實比例極低，難以高質量復現；
（3）組合爆炸問題：參數空間（如天氣、時間、交通密度）指數級增長，難以人工覆蓋；
（4）場景可控性弱：缺乏可調控的語義接口，測試粒度不足。
生成式AI具備從數據中學習潛在分布、生成新組合樣本的能力。其引入使得場景構建從“手工定義”轉向“自動生成”，具備如下優勢：
（1）能構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）可支持大規模仿真測試平臺的持續供場；
（4）支持動態交互與時間演進建模，構建完整4D語義閉環。
二、4D場景生成的核心能力
所謂4D場景生成，核心在于“空間 + 時間”的聯合建模能力，既要對物理環境建模，也要對場景中各類參與者的行為軌跡進行動態建模與演化。
展開 
識別生成式AI解決方案的商業價值
識別生成式AI解決方案的商業價值 課程時長：1小時 課程大小：140.0MB 發布年份：2026 課程內容：許多機構在引入生成式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應用場景的能力，使其與實際業務成果相匹配。你將學習生成式AI基礎理念、成
新思科技攜手AMD榮登世界經濟論壇MINDS榜單，生成式與自主式AI推動芯片設計進入全新階段
MINDS 獎項與項目隸屬于世界經濟論壇的 AI Global Alliance（全球人工智能聯盟）計劃，旨在甄選能夠在高復雜度、高風險挑戰中引領人工智能應用落地的組織。新思科技與 AMD 是基于雙方在半導體芯片設計領域將強化學習、生成式 AI 以及代理式（Agentic）AI 應用于工程流程方面的突出貢獻而受到表彰——這是一個對創新速度與精度要求極高的技術領域。
在芯片設計中引入人工智能，已不再是可選項。架構復雜性快速攀升、性能目標日益激進以及人才缺口持續擴大，使傳統的工程工作流面臨極限壓力。
AI 驅動的設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量。代理式（Agentic）與基于學習的系統能夠幫助開發者更快速地探索龐大的設計空間，更有效地權衡取舍，并在問題成本最低時提前發現潛在隱患，從而實現更短的開發周期、更高質量的芯片以及更具韌性的創新鏈路。隨著上市時間壓力加劇以及高端芯片需求持續增長，這類流程正成為半導體行業未來發展的關鍵路徑。
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壓力下，AI 創新在半導體行業中的戰略重要性。通過對這兩家公司的認可和表彰，世界經濟論壇強調：基于代理式（Agentic）和強化學習驅動的 AI 正從實驗階段邁向可規模化、可投入生產的工作流程。它們在增強人類開發者專業能力的同時，為工程團隊及更廣泛的科技生態體系帶來實質性價值。
作為全球最具創新力企業的重要研發合作伙伴，新思科技始終致力于推動行業前行。此次入選世界經濟論壇 MINDS 項目，并因 AI 在芯片設計這一極其復雜的工程領域中的突破性應用而獲得認可，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“生成式預訓練模型”（Generative Pretrained Transformer），是一個能“理解”數據之間關系的復雜數學模型。在使用您可能熟悉的ChatGPT這類工具時，該模型通過語言數據進行了訓練，創建了一個模型來描述語言中的詞匯如何相互關聯。通過研究書籍、文檔、博文、錄音轉寫等中的數十億個詞匯，該模型能夠理解一個詞匯如何根據不同的上下文與另一個詞匯相關聯。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。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已經經歷了四次重大迭代，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據間的關系。這意味著我們可以與它討論某段代碼，并要求它進行分析，或是通過往復對話來幫助我們自己更好地理解代碼。
API審查的現狀
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，它必須根據提示語來生成輸出。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：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 康謀分享 | aiSim5基于生成式AI擴大仿真測試范圍（終）
在前面的幾章節中探討了aiSim仿真合成數據的置信度，此外在場景重建和測試流程閉環的過程中，難免會面臨3D場景制作重建耗時長、成本高、擴展性低以及交通狀況復雜程度難以滿意等問題，當前的主要挑戰在于如何自動化生成3D靜態場景并添加動態實例編輯，從而有效縮短測試流程，擴大仿真測試范圍。
編輯
圖1：實際圖像
圖2：NeRF重建場景
對于3D重建，目前主要的兩種解決方案為NeRF和3DGS。
一、NeRF
1、神經輻射場（Neural Radiance Fields）
NeRF是將三維空間中的每個點的顏色和密度信息編碼為一個連續的函數并由MLP參數化。給定一個視角和三維空間中的點，NeRF可以預測該點的顏色和沿視線方向的密度分布。通過對這些信息進行體積渲染，NeRF能夠合成出新視角下的圖像。
2、優勢
高保真輸出。
基于NerFStudio提供了較為友好地代碼庫。
相對較快的訓練時間。
對于待重建區域具有可擴展性。
3、不足及主要挑戰
渲染速度緩慢。NeRF需要沿著從相機到場景的每條光線進行大量的采樣和計算，以準確估計場景的體積密度和顏色。這個過程計算密集，在NVIDIA A100上進行了測試，全HD分辨率下，渲染一張圖像大約需要10s。
場景深度估計效果不理想。NeRF通過體積渲染隱式地學習了場景的深度信息，但這種深度信息通常是與場景的顏色和密度信息耦合在一起的。這意味著，如果場景中存在遮擋或非朗伯（non-Lambertian）反射等復雜情況，NeRF可能難以準確估計每個像素的深度。
近距離物體重建質量可能較低。
展開 高級RAG：構建與部署生產級生成式AI應用 發布于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：構建與部署生產級生成式AI應用 發布于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
