2026-09-13

610

在航空航天领域，精度是二元的，确保安全或设计失败。大语言模型（LLM）能迅速整合复杂的信息，吸引了CTO和平台负责人。然而，LLM在描述纳维-斯托克斯方程与解决这些方程之间，存在着显著的危险差距。将概率模型应用于确定性物理问题，并非实现工程自动化，而是生产可能的错误结果。

为什么我们如此信任LLM进行数学推导，它毕竟只是一个令牌预测器？因为它掌握了一定的物理学“语言”。LLM能够生成形式优美的连续性方程推导，与教科书相似。但细看之下，往往会发现符号错误或系数的错位，这便是所谓的“逻辑幻觉”。与事实幻觉不同，它在结构上保持正确性，却违背了物理法则。在标准的检索增强生成（RAG）流程中，LLM通过寻找相关文献并模仿其风格来生成内容，实际上并未进行真正的数学运算。

在航空湍流建模中，我们也观察到了类似的问题。一组团队试图自动生成CFD求解器的边界条件，LLM依赖于训练数据给出看似合理的参数，最终却违反了质量守恒原则。虽然求解器能够运行，但结果却出现了隐性的数学误差，导致飞机的升力系数偏差达3%。在风洞中表现正当，但在实际飞行中却可能造成严重后果。 龙8头号玩家国际

“自信鸿沟”是这种失败最危险的部分。LLM不会表示“我觉得这可能是答案”，而是会坚定地宣称“解就是X”。在存在根本性符号错误的情况下，模型仍坚持某个数学证明有效，这剥夺了工程师必要的质疑机制。“大体正确”的状态是一种失败，对于高风险物理系统的开发来说，95%的准确率是难以接受的。

如果已经经历过非确定性输出的后果，便会明白进行一次彻底重置的重要性。关于这一点，已在相关文献中有详细探讨。至于基于令牌的模型，是否能真正理解流体力学，答案是不能，因为纳维-斯托克斯方程是概率性AI的终极考验。