| 作者：Seth DeLand, MathWorks 產品市場經理

您是否知道，生成式 AI（GenAI）可以幫助工程師在幾秒鐘內診斷汽車故障，甚至在設備出現(xiàn)問題之前預測潛在失效？GenAI 正在通過加速數(shù)據分析和算法開發(fā)，讓這些場景從設想走向現(xiàn)實，使工程師能夠充分發(fā)揮專業(yè)知識，挖掘可執(zhí)行的洞察。

工程團隊每年都會產生數(shù) TB 級的數(shù)據。根據 Gartner 的估算，其中多達 80% 屬于非結構化數(shù)據。服務記錄、研究論文和技術人員記錄中蘊含著關鍵的組織知識，但由于格式不一致，難以有效解析。GenAI 工具能夠幫助工程師整合結構化與非結構化數(shù)據，實現(xiàn)過去難以大規(guī)模開展的分析工作。對工程師而言，這意味著更快速的故障排查、更高效的設計流程以及更快的技術發(fā)現(xiàn)。

工程師在使用 GenAI 時的盲區(qū)

盡管 GenAI 在重塑工程工作方面具有高度靈活性，但其能力與工程師日常使用方式之間仍存在差距。許多工程師仍將 GenAI 主要用于編寫基礎代碼或生成文檔，而不是將其應用于更高級的工程流程。

為更好地了解工程師對 GenAI 的態(tài)度及其實際應用情況，MathWorks 于 2025 年 12 月在社交媒體上進行了一項非正式投票。反饋結果揭示了多項重要洞察，包括：

83% 的工程師至少每月使用一次 GenAI，其中最常見的應用場景是“編寫代碼”和“文檔與報告生成”。

工程師對 GenAI 的最大擔憂是其與現(xiàn)有工作流程的整合（46%）。在擁有六年以上經驗的工程師中，這一比例更是升至 75%。

這些數(shù)據表明，大多數(shù)工程師已經在使用 GenAI，但尚未將其應用于戰(zhàn)略性工程任務。希望提升 GenAI 使用能力的工程師應考慮將其用于準備和分析非結構化數(shù)據。

生成式 AI 幫助工程師處理來自設備日志和服務記錄的非結構化數(shù)據，從而改進預測性維護流程。

利用服務手冊、工程文檔和維修記錄構建面向技術人員的聊天助手

汽車故障排查通常需要在不同品牌和車型中診斷復雜問題。盡管大語言模型（LLM）包含大量公開的汽車知識，但它們缺乏細節(jié)豐富的品牌專屬信息。為彌合這一差距，塔塔汽車的工程師采用了一種名為檢索增強生成（RAG）的 GenAI 技術，將 LLM 的通用知識與內部專有數(shù)據結合，從而生成具有上下文針對性的建議。

工程師利用 RAG 開發(fā)了一個具備上下文感知能力的聊天助手，能夠檢索內部文檔并基于這些內容生成故障排查回復。他們使用 MATLAB 構建了 RAG 工作流程，使其應用（稱為 ServiceSage）可以搜索服務手冊、工程文檔和維修記錄。當技術人員向 ServiceSage 提問時，問題會被轉化為 GenAI 能理解的數(shù)值表示，系統(tǒng)隨后查找最相關的文檔。由于 RAG 執(zhí)行的是語義搜索，問題的具體措辭并不關鍵，它會根據相關概念進行推斷。相關文檔隨后被輸入 AI 模型，模型將其與通用知識結合，生成清晰、可理解的回答。

這種方法具有成本效益且可擴展，無需進行昂貴的模型再訓練，并能處理大量此前未被充分利用的文本數(shù)據。借助該方法，團隊能夠快速識別根本原因，提供上下文相關的指導，并縮短維修周期。通過 GenAI，工程師可以高效分析大量文本數(shù)據，并將其融入故障排查流程中。

利用全球與歷史科研資料推進食品科學發(fā)現(xiàn)

科學研究通常涉及跨越數(shù)十年、來自多個地區(qū)的大量論文，想要系統(tǒng)梳理某一主題的所有研究或找出其中潛在聯(lián)系，若無先進工具幾乎不可能。哥本哈根大學的食品科學研究人員在分析龐大資料尋找主題關聯(lián)時面臨這一挑戰(zhàn)。LLM 雖然能夠總結單篇文獻，但難以在海量數(shù)據中梳理整體關聯(lián)。為解決該問題，研究人員在使用 LLM 前，將 GenAI 與傳統(tǒng)技術相結合——如文本預處理與清洗、信息提取等——為非結構化文本建立結構。

哥本哈根大學團隊在整個流程中多次使用 GenAI，包括：

清理并標準化了數(shù)千份格式不一致的 PDF 文件。

在元數(shù)據缺失時自動生成關鍵字。

將文本轉換為詞元（tokens），并標記異常長的詞語，以識別隱藏在文中的化學物質名稱。

將論文拆分為段落和關鍵字后構建知識圖譜。圖譜中的每個節(jié)點代表一個段落或化學名稱，節(jié)點之間的連接則體現(xiàn)主題之間的關聯(lián)。

隨后，團隊使用 MATLAB 對該數(shù)據集應用圖論方法，識別各概念之間的關聯(lián)路徑。接著，他們將這些結構化的文本子集輸入 LLM，由模型生成摘要并解釋不同主題之間的關系——這些關系若由人工分析，可能需要數(shù)周時間。最終，他們構建了一套能夠將分散研究轉化為可執(zhí)行洞察的流程，大幅加速了食品科學研究的推進。

盡管 GenAI 帶來了顯著價值——研究人員通過該流程節(jié)省了數(shù)天的人工處理時間——但成功仍高度依賴人工判斷與手動工作。團隊在將數(shù)據輸入 GenAI 之前投入了數(shù)百小時進行實驗與數(shù)據準備。通過反復試驗，他們才確定將文本按段落進行切分最為有效，因為 GenAI 無法自動作出這種判斷。GenAI 的強大之處只有在具備高質量數(shù)據和嚴謹工程方法的前提下才能充分發(fā)揮。

將維護數(shù)據轉化為前瞻性洞察

傳統(tǒng)的預測性維護（PdM）主要依賴傳感器的數(shù)值數(shù)據，用來跟蹤溫度、振動、壓力等變化，以捕捉設備故障前的異常模式。許多組織還會收集維護日志和技術人員記錄等文本信息，這些內容能夠提供傳感器無法捕捉的關鍵背景，例如故障癥狀、維修過程以及可能的根因判斷。

文本信息并不能取代傳感器數(shù)據；工程師可以利用 GenAI 將其標準化，使其能夠與傳統(tǒng)信號協(xié)同使用。例如，GenAI 可以總結維護記錄、統(tǒng)一不一致的術語，或標注關鍵事件（如組件故障或重復出現(xiàn)的故障類型）。這些標注數(shù)據隨后可與時間序列傳感器數(shù)據對齊，為 PdM 模型的開發(fā)提供更清晰的目標與上下文。

生成式 AI 幫助技術人員將服務記錄與傳感器數(shù)據結合，以更快速、更準確地完成汽車故障診斷。

GenAI 還可以支持工程流程的其他環(huán)節(jié)。工程師可以使用它起草和優(yōu)化用于數(shù)據清洗、特征工程或探索性分析的代碼，也可以用它評估不同的建模方法。然而，領域知識在整個過程依然至關重要。只有經驗豐富的工程師才能判斷特征是否具有物理意義、模型行為是否符合系統(tǒng)動力學，以及輸出結果是否反映真實的故障模式或只是數(shù)據噪聲。

與所有 PdM 方法一樣，基于 GenAI 的工作流程在部署前需要經過嚴格驗證。一個在原型或小規(guī)模測試集中表現(xiàn)良好的模型，未必能夠應對真實環(huán)境中的多變條件。工程師應使用具有代表性的數(shù)據集進行驗證，對模型進行多工況壓力測試，并加入確定性檢查以確保其健壯性。這些最佳實踐適用于所有 PdM 方法，無論是否包含 GenAI，再次強調成功的 PdM 不僅依賴先進工具，更依賴扎實的工程判斷。

工程師們仍只觸及 GenAI 的表層

與任何工具一樣，GenAI 應在方法論指導下使用，而非被泛化應用于所有問題。當任務涉及大量非結構化數(shù)據，或需要處理語言驅動的輸入時，GenAI 的價值最為突出。工程師需要戰(zhàn)略性地整合 GenAI，拓展領域專業(yè)知識，并思考如何在自身的設計方法中切實應用這一工具。

|本文作者

Seth DeLand

Seth DeLand 是 MathWorks 生成式 AI 產品市場經理，專注于用生成式 AI 增強工程和科學工作流程。他還曾擔任 MathWorks 機器學習與數(shù)值優(yōu)化產品的產品市場經理，以及技術支持職位。在加入 MathWorks 之前，Seth 獲得了密歇根理工大學機械工程學士和碩士學位。他的研究方向是柴油車選擇性催化還原(SCR)的數(shù)學建模技術，以減少氮氧化物(NOx)排放。