生成式AI工程應用的案例
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
</strong></p><p><br></p><p>目前，知識圖譜<strong>主要通過以下方式賦能 GenAI 解決方案：</strong></p><p><br></p><p><strong>? 提供豐富上下文：</strong></p><p><br></p><p>知識圖譜將數據源整合到多維模型中，提供比傳統數據庫更深入的信息，<strong>有助于 AI 理解復雜的現實世界和特定領域主題，</strong>提升 AI 模型準確性和輸出相關性。</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。
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 數據分析和AI丨拒絕AI技術焦慮，工程領域AI應用的八大技巧
受我們在 AI for Engineers 上遇到的專業人士的啟發，我們分享了選擇正確 AI 案例的八個簡單技巧。</p><p><br></p><p><strong>選擇正確 AI 應用的八大技巧</strong></p><p><br></p><p><strong>技巧 1：專注于優化，而不是改革</strong></p><p><br></p><p>AI for Engineers 的研討會成員之一是一家跨國重型設備制造商的結構和仿真總工程師。他強調了不要試圖過度使用AI的重要性。<strong>從優化設計屬性以滿足客戶需求的角度考慮，而不是從徹底改變產品或直接實現組織轉型的角度考慮。</strong></p><p><br></p><p>重要的是，AI 解決方案可以幫助工程師擺脫耗時、專業知識密集且容易產生偏差的手動設計和評估周期。</p><p><br></p><p>研討會成員還展示了公司使用AI技術進行工程改進的巨大成果。比如說，他的團隊正從降階建模（ROM）中受益。他們通過高保真模擬，為神經網絡（本質上是一種模式識別算法）生成訓練數據，而這個神經網絡又反過來創建了一個具備人工智能的動態模型。<strong>使有限元 （FE） 模型實現了 16 秒內即可求解，而不是以前的 9 小時。</strong></p><p><br></p><p><strong>技巧 2：確定你想要預測的結果</strong></p><p><br></p><p>AI 是一個模糊的術語。現在，當我們談論工程中的 AI 時，我們通常指的是機器學習。生成式 AI （genAI） 和其他風格的 AI 開始嶄露頭角，這些技術的差異也逐漸明顯。</p><p><br></p><p>機器學習使用算法根據樣本數據（通常稱為訓練數據）創建模型，以做出決策或預測。機器學習系統從這些數據中學習，而無需編程。
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
該項認可意味著，兩家公司躋身全球在人工智能領域具有領先實踐的創新組織之列——這些組織不僅在技術上實現突破，更以落地應用產生了可衡量的實際成效。
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。
展開 
數據分析和AI丨應對AI實施挑戰，工程領域AI應用的五大方法
__biz=MjM5NDgzOTk4Mw==&mid=2651274387&idx=2&sn=6b9e81fac2f7d6d0686ad811ccc344d6&scene=21#wechat_redirect" rel="noopener noreferrer" target="_blank"><strong>《拒絕AI技術焦慮，工程領域AI應用的八大技巧》</strong></a>中，我們分享了在工程領域確認第一個AI案例的八大實用技巧，本次，我們將研究在 AI 之旅中可能遇到的另外五大挑戰： </p><p><br></p><p><strong><em>AI挑戰</em></strong></p><p><strong><em>01、</em>獲得企業領導的支持</strong></p><p><br></p><p>工程領域的 AI 并非新事物，然而，正如最近的一份 Forrester 報告所強調的那樣，生成式 AI （GenAI） 的出現（特別是 2022 年底公開推出的 ChatGPT 3.5）重塑了企業領導者對 AI 的看法。</p><p><br></p><p>對于許多高管而言，AI 已經從一個小眾的 IT 項目變成了必不可少的企業資產。<strong>AI 戰略以及隨之而來的 AI 治理實踐已成為企業必備要素。</strong></p><p><br></p><p>這種轉變對于希望為新 AI 項目獲得支持的工程師來說具有重大意義。最重要的是，項目負責人不僅需要展示創新 AI 解決方案的用途，<strong>還需要展示它對收入、利潤和成本等方面產生的影響。</strong></p><p><br></p><p>剛開始做AI項目，最明智的做法是先從那些“接地氣”、容易出成果的小項目入手，而不是一上來就追求宏大的、理想化的目標。
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
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 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
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 