生成式仿真的案例
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
近年來，伴隨自動駕駛技術的快速發展，行業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。
展開 康謀分享 | aiSim5基于生成式AI擴大仿真測試范圍（終）
2、添加動態對象
在NeRF和3DGS生成靜態場景后，aiSim5將基于外部渲染API進一步增加動態元素，不僅可以重建原始場景，也可以根據測試需求構建不同的交通狀態。
編輯
aiSim5中基于NeRF/3DGS場景細節。
圖13：網格投射陰影
編輯
圖14：車下環境遮蔽
3、效果展示
在aiSim5中完成動態對象的添加后，可以自由的在地圖場景中更改交通狀態，用于感知/規控等系統的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務技術主管，擁有超過5年的汽車仿真測試及自動駕駛技術研發經驗，熟練掌握仿真測試工具和平臺，如aiSim、HEEX等，能有效評估和優化自動駕駛系統的性能和安全性。擁有出色的跨文化溝通能力，成功帶領團隊完成多項海外技術合作項目，加速了公司在自動駕駛技術上的國際化進程。作為技術團隊的核心，領導并實施過大規模的自動駕駛仿真測試項目，對于車輛行為建模、環境模擬以及故障診斷具有獨到見解。擅長運用大數據分析和人工智能技術，優化仿真測試流程，提高測試效率和結果的準確性。
展開 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
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。
Shankar Krishnamoorthy
首席產品開發官
新思科技
從強化學習到 Copilot 輔助功能，新思科技的 AI 能力正在助力 AMD 持續縮短芯片設計周期并提升開發者的生產力。
展開 生成式對抗網絡 （GAN） |簡介
第 2 階段
雜色：生成維度為 batch_size x 的隨機法線值
random_normal_dimensions Use real_batch_size。
Generator_labels：設置為 1。將假圖像標記為真實
生成器將生成標記為真實圖像的假圖像，并試圖欺騙判別器。
將判別器設置為 NOT be trainable。
在噪聲和生成器標簽上訓練 GAN。
?
開放式文本生成(Open-Ended Text Generation)
【最近的研究表明，脆性斷裂和階梯式破壞是自然高山和工程巖坡的重要考慮因素。】
生成的文本如下：
The following table summarizes the results of a series of studies on the effects of fracture and step-path failure on rock slopes. Table 1. Effects of fracture and step-path failure on rock slopes (in inches) 【下表總結了一系列關于斷裂和階梯式破壞對巖坡影響的研究結果。表1. 斷裂和階梯式破壞對巖坡的影響（單位：英寸)】
3 結束語
開放式文本生成提供了一種自動續寫句子的方法。不過，生成的句子盡管在語法上滿足了要求，但在語義上和邏輯上仍然顯得文理不通，就像上面實例所示的一樣。
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
自回歸式語言XLNet模型的文本生成試驗
1 引言
自回歸式語言生成基于假設：一個詞序列的概率分布可以分解為鄰接的下一個詞條件概率分布的乘積。使用不同的解碼策略，目前產生出許多用于自回歸語言生成的模型，最流行的模型有GPT2, XLNet, OpenAi-GPT, CTRL, TransfoXL, XLM, Bart和T5，對GPT2模型我們已經作了很多探索性的工作：
GeotechSet數據集在GPT2上的訓練過程
GPT2-Large模型解碼方法比較
GPT2-Large模型解碼方法---Top-K and Top-p
新探索---EleutherAI的GPT Neo/GPT-3模型
GeotechSet模型的擴展和優化---集成了aitextgen
開放式文本生成(Open-Ended Text Generation)
同時也對T5模型作了探索性的工作:
生成摘要(Summarization)的新方法
Transformers的Text2TextGeneration管道測試
這個筆記探索另一個模型XLNet。
2 XLNet模型
XLNet來自Google公司Yang等人(2019)的論文《XLNet: Generalized Autoregressive Pretraining for Language Understanding(XLNet: 用于語言理解的廣義自回歸預訓練)》，XLNet是一種無監督的語言表征學習方法，它基于一種新的廣義包絡語言建模目標。XLnet是Transformer-XL模型的一個擴展，使用自回歸方法進行預訓練，在涉及長上下文的語言任務中表現出優異的性能。XLNet在各種下游語言任務上取得了最先進的(SOTA)結果，包括問題回答、自然語言推理、情感分析和文檔排名。
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 新一代生成式設計工業軟件-OptFuture入駐啦！
[圖片]
資料驅動之生成式射出成型多質量預測技術
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。這兩種方法均運用自動編碼器進行特征編碼。塑件變形量（長度與寬度）和總重量的數據則作為預測目標。
生成式人工智能預測階段
將資料集分為訓練集(80%)和測試集(20%)。使用全域壓力數據和分段壓力數據的編碼特征以及經過標準化處理的數據指標來預測塑件變形量和總重量。透過計算均方根誤差(Root-Mean-Square Error, RMSE)來評估自動編碼器生成的特征與原始數據之間的差異，從而優化多層感知器的輸入層，以提高預測的準確度。最終，將人工智能預測結果與實際觀測值進行比較，以衡量兩者之間的差異性。
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>在圖像生成方面，即便能生成部分細節正確的圖片，但需要微調的細節也很難達到理想效果。</p><p><br></p><p><strong>? 易產生幻覺：</strong></p><p><br></p><p>LLM 看似知識淵博，實則不然。其知識源于訓練數據、字母組合概率等，<strong>響應是基于訓練學習路徑和相似概念生成</strong>，并非來自結構化知識庫或數據庫。</p><p><br></p><p>而且，<strong>在沒有使用新數據訓練時，LLM 也無法提供最新信息</strong>，信息局限于訓練截止日期。這使得 LLM 容易產生看似可信但實際錯誤的 “幻覺” 信息，誤導對相關領域了解不足的用戶。</p><p><br></p><p><strong>? 存在偏見：</strong></p><p><br></p><p>LLM 依據數據模式生成響應，缺乏真正的理解，這導致其訓練數據易受偏見和限制影響，進而使輸出響應也帶有同樣的問題，而不會考慮用戶感受。</p><p><br></p><p>不過，也有應對這些局限的方法。例如，當在提示中包含上下文基礎時，GenAI 的表現會有所提升。將 <strong>LLM 生成的響應限制在給定上下文信息內，若上下文準確，響應也可能更準確，這種技術被稱為檢索增強生成（RAG）技術。</strong></p><p><br></p><p>很多主流搜索引擎已開始將 RAG 技術與現有搜索索引結合，以有效生成對搜索問題的答案，通常還會提供用于為LLM提供上下文的網頁參考URL。<strong>知識圖譜作為 RAG 的重要新形式，為生成或利用上下文基礎的技術提供支持。
展開 
資料驅動之生成式射出成型多質量預測技術
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。這兩種方法均運用自動編碼器進行特征編碼。塑件變形量（長度與寬度）和總重量的數據則作為預測目標。
生成式人工智能預測階段
將資料集分為訓練集(80%)和測試集(20%)。使用全域壓力數據和分段壓力數據的編碼特征以及經過標準化處理的數據指標來預測塑件變形量和總重量。透過計算均方根誤差(Root-Mean-Square Error, RMSE)來評估自動編碼器生成的特征與原始數據之間的差異，從而優化多層感知器的輸入層，以提高預測的準確度。最終，將人工智能預測結果與實際觀測值進行比較，以衡量兩者之間的差異性。
展開 基于ABAQUS的直接式霍普金森拉桿SHTB仿真（附.cae.inp） ￥15
本案例將介紹韌性材料的直接式霍普金森拉桿原理及其Abaqus仿真方法。
2.1 SHTB原理
直接式霍普金森拉桿SHTB（仿真）結構
直接式霍普金森拉桿（SHTB）一種結構形式如上圖所示。相比于常規壓縮試驗裝置結構，SHTB裝置入射桿的加載端通過螺栓連接傳遞法蘭，撞擊桿設計為套筒結構，套裝在入射桿上，套筒撞擊桿以一定速度撞擊傳遞法蘭，在入射桿加載端形成一個拉伸載荷脈沖。試樣與入射桿、透射桿通過連接結構固定，連接方式有螺紋連接、粘膠連接以及卡具連接等。
實際SHTB裝置是套筒撞擊桿以一定速度撞擊傳遞法蘭，在入射桿加載端形成一個拉伸載荷脈沖。仿真時可采用兩種載荷加載方法：撞擊桿法是模擬試驗基于撞擊桿撞擊產生加載載荷，等效載荷法，顧名思義是直接對入射桿加載端面施加等效加載載荷。
以下給出撞擊桿尺寸、速度與等效載荷脈寬、峰值換算關系：
（1）撞擊桿長度 Lst 與載荷脈寬τi：
（2）撞擊桿速度V0與載荷峰值σi：
其中， Lst 為撞擊桿長度， Cb 為桿件波速， ρb桿件密度。
2.2 仿真模型
直接式霍普金森拉桿SHTB仿真模型
根據試樣形狀及連接方式、加載方式設置6個作業模型：
仿真模型各部尺寸和參數如下：
三種試樣尺寸
三種試樣尺寸如圖，片狀試樣厚度2mm。
展開 基于ABAQUS的反射式霍普金森拉桿SHTB仿真（附.cae.inp） ￥15
1 問題介紹
反射式霍普金森拉桿（SHTB）是在常規霍普金森壓桿（SHPB）基礎上改進而來，相比于直接式SHTB，反射式SHTB結構簡單、易于改造，但需要對結果進行必要的數據修正。
本案例將介紹韌性材料的反射式霍普金森拉桿原理及其Abaqus仿真方法。
1.1.SHTB原理
反射式霍普金森拉桿SHTB（仿真）結構
反射式SHTB結構基于SHPB改造而來，除具備常規SHPB結構的撞擊桿、入射桿，還需要在拉伸試樣外圍加上與入射桿、透射桿相配合的承壓環。并且反射式SHTB的入射桿、透射桿與常規SHPB位置相反。開始撞擊桿以一定速度撞擊透射桿，在透射桿形成一個傳播的壓縮載荷脈沖，壓縮波從透射桿主要通經過承壓環傳遞到入射桿，并在入射桿自由端反射形成拉伸波，此拉伸波為試樣的拉伸加載脈沖。拉伸加載脈沖對試樣進行拉伸加載，承壓環不承受拉力，拉伸脈沖一部分進入透射桿形成透射波，一部分反射回入射桿形成反射波。試樣與入射桿、透射桿通過連接結構固定，連接方式有螺紋連接以及卡具連接等方式。
由于承壓環受到壓縮變形，部分壓縮波會進入試樣引起試樣的壓縮變形。因此需要對承壓環進行設計，使其承受壓縮波的主要部分，使試樣幾乎不變形或者只發生彈性變形。
展開 ADAMS剛柔耦合仿真前置—ANSYS WB轉換生成柔性體（.mnf文件） ￥10
image_process=/format,webp/resize,w_438" data-initial-src="https://img.jishulink.com/202502/attachment/386f22f586ab4758bcef2ee42c1f8562.png">
</figure>
</div><p class="ql-align-center"><br></p><p>選擇相關面/線/點作為參考物進行設置；</p><p>以下是關鍵注意點：</p><ol><li>設置SPC點（遠程點）的目的：由于在ADAMS中導入的柔性體與剛體零件無法使用固定副或轉動副連接，不存在可供選擇的標記點，因此需要在生成柔性體時人工設置連接副的標記點。</li><li>在ADAMS中導入柔性體后，若轉換為柔性體之前該零件與其他零件存在連接或接觸關鍵，則需要重新設置與其他零件的連接和接觸關系。</li><li>網格數量和柔性體個數會嚴重影響ADAMS的計算速度，注意保證計算效率。</li></ol><p><br></p>
展開 