收益：
- 能够在人工智能支持下加速从任务要求到概念飞机/航天器尺寸的权衡研究
- 能够通过配置的提示进行需求编写、可追溯性和一致性控制
- 能够通过基于物理的手工计算交叉验证人工智能建议的设计点来消除不合理的输出
飞机或航天器是根据一系列要求而诞生的，而不是在绘图板上。 “以这样的速度、以这样的成本将这么多的负载运到这个范围内”这句话是该设计的种子，该设计将持续数年。概念设计（最早的设计阶段，首先确定车辆的粗略尺寸、重量和配置）是从种子中提取初始形状的过程。这里做出的决定很便宜，但其后果是最昂贵的：一个错误的概念选择可能会浪费数百万美元的详细设计。
在本单元中，我们将使用人工智能（AI）来减轻概念设计的三个负担：将模糊的任务请求转化为可测量的需求，保持需求之间的可追溯性和一致性，以及加速竞争设计选项之间的权衡分析。但让我们从一开始就阐明关键原则：人工智能建议的每个尺寸、每个重量估计都必须通过基于物理的手工计算进行交叉验证。 AI是头脑风暴和会计伙伴；不拥有尺寸决定权。
概念： 要求：工具必须满足的单个可验证的声明。可追溯性：每个需求来自何处以及通过何种设计/测试得到满足的记录链。交易空间：由可变设计变量创建的所有选项的集合。 MTOW：最大起飞重量（Maximum Take-Off Weight），飞行器能够起飞的最高质量。
从任务需要到要求：一步一步
一个好的需求具有三个品质：单一（说一件事）、可测量（包含一个数字和一个单位）和可验证（很明显如何检查它）。 “飞机必须快”不是一个要求； “飞机在海平面必须达到 250 节口径空速 (KCAS)”是一项要求。
第一步是收集利益相关者的请求，并使用人工智能将其提炼为草案要求。第二步是使每个需求可测量：用度量和阈值替换每个模糊的形容词（“轻量级”、“耐用”、“高效”）。第三步是寻找需求之间的矛盾：航程和有效载荷经常相互竞争，人工智能很快就会使这些矛盾浮出水面。第四步是建立可追溯性矩阵：列出哪个顶级任务目标导致哪个子需求。
在概念尺寸方面，人工智能可以回忆已知的工程关系（重量分数、推重比、机翼载荷）并建立初始计算链。例如，对于客机，可以利用宝玑航程方程来估计燃油重量分数，并且可以利用统计关系来估计空重分数。但这条链条的每一个环节都是通过手工计算来确认的。
提示：在编写需求时，明确给 AI 任务“用度量、单位和验证方法替换每个不明确的形容词”。当你说“做出可衡量的”不可验证的陈述（例如“用户友好”）时，该模型的工作更加规范。
配置权衡分析
权衡分析的核心是将几种候选配置与共同标准并置。经典的工具是加权决策矩阵：给标准赋予重要性权重，每个候选者根据每个标准进行评分，然后取加权总和。人工智能快速构建这个矩阵，但要注意两个陷阱：权重是主观的工程判断（不是留给人工智能），分数必须基于物理合理性（不是虚构的）。
标准（重量）
配置。 A：高翼
配置。 B：低翼
配置。 C：鸭翼
范围，公里（0.30）
1200
1350
1250
整备质量，千克（0.25）
640
610
690
生产成本 (0.20)
中等
低
高
稳定性（0.15）
高
中等
中等
易于维护 (0.10)
高
中等
低
你可以让 AI 构建这个表；但范围和权重数字必须来自独立的初步计算，并且诸如“稳定性：高”之类的定性分数也必须合理。人工智能的强大之处在于，它可以在几分钟内将十种不同的配置制成表格，并执行情感分析（如果权重发生变化，排名将如何变化）。
弱提示/强提示
弱提示：
我正在设计一架教练机。告诉我最好的配置。
强力提示：
角色：您是一名概念飞机设计顾问。背景：两座教练机的初步权衡研究（数值具有代表性）：目标航程~1000 km，巡航速度~55 m/s，有效载荷~220 kg，低生产成本优先。任务：1) 建议 3 种候选配置（机翼位置、发动机类型）。2) 建立一个表格，比较每个候选配置：航程、估计空重、生产成本、稳定性。3) 用于您的数值估计，写出关系和假设。约束：说明您在重量估计中使用的统计关系；写入单元；不要做出最终决定，提交候选人。我会自己权衡并做出最终决定。
可复制的提示模板
模板 1 — 将任务需求转化为可衡量的要求：
将以下利益相关者的要求转化为单一的、可衡量的和可验证的要求。对于每个需求：一个指标、一个单位、一个阈值和一个建议的验证方法（分析/测试/演示）。将模糊的形容词（“轻”、“快”）翻译成具体的数字；如果存在不确定性，请询问您需要什么信息。请求：[在此列出]
模板 2 — 可追溯性矩阵和冲突筛选：
获取此需求列表并： (a) 构建一个可追溯表，将每个需求与高级任务目标联系起来； (b) 标记任何相互冲突或具有挑战性的要求（例如射程与有效载荷）； (c) 列出缺失或无法核实的要求。让结果成为一个表格。要求：[在此列出]
模板 3 — 加权决策矩阵设置：
为以下候选配置构建加权决策矩阵框架。制作标准行和候选人列。将重量栏留空（我将输入重量）。在单独的注释中解释您将在每个单元格中输入的分数的物理理由；不要写一个虚构的数字，将你猜的地方标记为“猜”。候选人：[...]标准：[...]
模板 4 — 概念尺寸交叉检查：
独立检查以下预尺寸结果：最大起飞重量、机翼面积、推力。 (a) 计算机翼载荷 (W/S) 并将其与给定飞机类别的典型范围进行比较。 (b) 计算推重比（T/W）并与典型范围进行比较。 (c) 如果值超出典型范围，则发出警告并指示可能的错误。明确写出所有单位。输入：[MTOW、S、T 值]
迷你箱
案例 1 — 及早发现冲突需求。在无人机项目中，利益相关者希望“至少 8 小时的飞行时间”和“最大 12 公斤总质量”。通过量化这两项要求并粗略计算出能量预算，AI显示，在典型电池能量密度（约200 Wh/kg）的情况下，一次8小时的飞行仅需要6-7公斤的电池；这不符合 12 公斤的预算以及有效负载和结构。在详细设计开始之前就讨论了这一矛盾。教训：将需求转化为数字会尽早揭示隐藏的矛盾。
案例 2 — 敏感性分析改变了决定。一个团队比较了三种机翼配置；配置初始权重。 B 获胜（加权分数 0.82 对 0.79）。 AI 被问“如果我将成本权重从 0.20 降低到 0.10 会发生什么”；在这种情况下，range 和 Config 就脱颖而出了。 A 领先（0.84 对 0.80）。团队了解决策对成本优先级的敏感程度，并与利益相关者明确权重。教训：重要的不是单一的分数，而是排名的稳定性。
情况 3 — 重量估计中的阶次错误。 AI 根据关系给出轻型飞机的空重为 95 千克。工程师回忆说，类似级别的两座飞机的空重通常在 350-500 公斤之间； 95公斤在身体上是不可能的。检查后发现，AI 错误地应用了关系中的系数，现已更正。教训：每个权重估计值都与班级的已知范围按数量级进行比较。
常见错误
- 接受模糊的要求。不包含指标和单位的需求无法验证； “应该轻”是一个愿望，而不是一个要求。
- 让人工智能选择权重。决策矩阵中的标准权重是主观工程和利益相关者判断；如果让人工智能来决定，这个决定仍然是被遗弃的。
- 无理接受积分。如果像“稳定性：高”这样的定性分数没有物理基础，那么矩阵就会变成一个花哨的猜测列表。
- 未确认重量/尺寸估计。统计相关性是粗略估计；在没有与等级范围进行比较的情况下，不进行详细设计。
- 将可追溯性留给以后。如果没有记录需求的来源，没有人会知道变更将来会影响哪些决策。
综上所述
概念设计是做出最便宜但最有效的决策的阶段。人工智能是一个强大的加速器，可以将模糊的请求转化为可衡量的需求，扫描可追溯性和冲突，以及跨权衡表比较多种配置。然而，标准权重是人类的判断，数值预测是通过基于物理的手工计算和类间隔来验证的，最终的配置决定仍然由工程师决定。人工智能产生候选人；不决定。
应用任务
为您选择的飞机或航天器写下三个高级任务目标。使用人工智能，将这些转化为至少六个可衡量的要求，并建立一个可追溯表。然后为三个候选配置创建一个加权决策矩阵；自己确定权重。最后，通过独立的手工计算和类别范围确认人工智能给出的重量/尺寸估计。报告至少一对您发现冲突的要求。
清单
- [ ] 我使每个需求都是单一的、可测量的和可验证的。
- [ ] 我用度量、单位和阈值替换了不明确的形容词。
- [ ] 我建立了一个可追溯性表并标记了冲突的要求。
- [ ] 我自己确定了决策矩阵权重（不是人工智能）。
- [ ] 我将矩阵分数归因于物理合理性。
- [ ] 我通过班级间距和手工计算验证了重量/尺寸估计。