收益：
- 能够根据风险级别区分人工智能在冶金和材料工作流程中哪些地方可以实时节省时间，以及哪些安全关键责任应由工程师承担
- 能够实施三层验证规则，根据标准、独立计算和实验室实验测试每个人工智能输出
- 能够匿名化上下文并确保工具选择安全，以保护机密合金配方、工艺参数和客户数据
当飞机发动机的涡轮叶片在 1400 °C 的温度下每秒旋转数百次时，您是决定叶片将采用哪种超级合金（一种在高温下保持强度的特殊合金）、将进行何种热处理以及将持续多少小时的人：冶金或材料工程师。您在这个行业中所做的每一个决定都决定了建筑物的生存或损坏。人工智能（简称AI：处理文本、数字和图像并产生建议的软件系统）可以加快这些决策的速度；但他永远无法对你负责。本单元教您在冶金和材料工作中何处安全地使用人工智能、何处存在危险，以及为什么必须通过实验室、标准和实验来验证每个人工智能输出。
您将在本模块中使用的中心原则是：人工智能是助手，而不是决策者。材料特性、极限值、标准项或热处理配方不会仅仅因为“人工智能这么说”就成为事实；在通过测量、参考和工程判断来验证之前，这只是一个假设。你会在模块的每个单元中再次看到这句话，因为在冶金中，错误的数字通常意味着零件损坏。
什么是LLM，它在冶金领域有什么作用？
LLM（大型语言模型）是一种从大量文本中学习模式并根据概率预测“下一个单词”的软件。这是ChatGPT、Claude、Gemini等工具的引擎。重点是：LLM是“语言估计器”，而不是“知识库”。能流利地说冶金术语，但不会测量数字；产生看起来最有可能的数字。因此，他可能会给出有关屈服强度、熔化温度或标准项目编号的自信但不正确的答案。这称为幻觉（虚构）。幻觉并非故障，而是该技术的固有特征；因此，验证不是“额外的步骤”，而是工作的一个组成部分。
冶金领域AI强项任务：
- 概念讲解与教学：什么是马氏体相变，为什么又硬又脆；共晶和共析物有什么区别？
- 生成假设列表：创建一个系统列表，说明铸件中可能出现孔隙（气体或收缩引起的空隙）的原因。
- 文本制作：损伤分析报告草稿、WPS（焊接工艺规范）草稿、演示文稿、电子邮件。
- 编码：数据清理、图形、简单计算脚本（Python）。
- 数据汇总和表格组织：将杂乱的测试结果变成有组织的表格。
- 头脑风暴：候选元素、合金设计的实验矩阵想法。
人工智能的弱点和风险：
- 给出准确的数值（性质、极限值、化学成分）。
- 当前/特定标准条款和版本信息。
- 无需您设施的实际测量数据即可进行诊断。
- 安全关键决策：零件的适航性/适用性。
基于风险的分类：使用AI之前的过滤器
并非每项任务都处于相同的风险级别。在使用人工智能之前，按风险级别对任务进行分类。下表提供了您将在本模块中使用的决策框架。
风险等级
样本任务
人工智能角色
强制验证
低
概念解释、文本草稿、代码骨架
免费使用
评论就够了
中等
计算设置、假设列表、文献摘要
草稿/共同作者
手动控制+来源确认
高
材料选择、热处理配方、极限值
想法生成器
标准+实验室测试
批评的
适用性/适航性、损坏的根本原因、认证
仅草稿
认可测试+授权工程师认可
提示：如果您将任务标记为“关键”，则 AI 的输出永远不是最终文档。最多可以是一个初步草案或清单；授权工程师签字并承担责任。
端到端流程：将人工智能嵌入到您的工作流程中
冶金行业典型的问题解决周期是这样的，人工智能进入每个步骤，但不会单独完成任何一个步骤：
- 定义问题：什么出了问题，目标功能是什么，有什么限制？ （AI：有助于澄清问题。）
- 收集数据：成分分析、机械测试、微观结构、现场数据。 （AI：列出需要进行哪些测试。）
- 生成假设：可能的原因/解决方案。 （人工智能：强大——生成系统列表。）
- 分析：计算、模型、图像处理。 （AI：生成代码和计算虚构。）
- 验证：标准、实验室、重新测试。 （人工智能：在这里处于边缘地位；人类和设备决定。）
- 报告并决定：工程师承担责任。 （AI：起草者。）
牢记这六个步骤；本模块的其余部分向您展示如何在每个步骤中将人工智能用于具体任务。
三个迷你箱子
情况 1 — 拟合屈服强度。实习生向AI询问200℃调质的AISI 4140钢的屈服强度； AI说“大约1500兆帕”。实习生将其直接放入主轴设计计算中。然而，实际值大致在 900-1600 MPa 之间变化，具体取决于热处理参数和截面厚度；在薄样品中取得的值在厚部分中并不成立。结果：安全系数低于预期。正确的态度是从材料数据表（工厂证书）中获取值，如有必要，根据 ISO 6892 从拉伸测试中获取值。
情况 2 — 不存在的标准条款。一位工程师向AI询问不锈钢的夹杂物限量。 AI 表示“根据 ASTM E45 第 7.3 节，最大为 2.5”。工程师相应地撰写报告。客户检查时发现货号是假的，而且标准中没有这样的条款。正确的态度是从官方来源打开当前版本的标准并确认文章。即使 AI 正确知道标准名称，它也可能会产生幻觉项目编号。
案例3——正确使用。损坏分析小组检查断裂的 M20 螺栓断裂表面的照片。他们要求人工智能“列出疲劳裂纹和脆性断裂断裂表面的典型差异，并告诉我应该在扫描电子显微镜 (SEM) 中针对每种情况寻找什么。”人工智能系统地解释了海滩痕迹、条纹（疲劳线）和凹痕/乳沟的区别。该团队使用 SEM 寻找这些痕迹，找到条纹并利用设备图像进行诊断。这里人工智能的使用是正确的：组织信息，实验室做出决定。
可复制的提示模板
您可以根据自己的业务调整以下模板来使用它们。在每一个中，都有一个有意识的指令“给出准确的数字，表明来源，解释不确定性”。
角色与边界模板“角色：你是一名经验丰富的冶金工程师助理。任务：【写主题】。规则：给出具体数值时，注明出处；如果不确定，则说‘必须验证’。如果给出标准项，则连同版本一起给出，但提醒应从官方来源确认。答案最后，逐项写出‘需要实验验证的内容’。”
假设生成模板“系统地列出以下问题的可能根本原因：[描述问题；材料、过程、观察]。对于每个假设：(1) 有哪些证据支持它，(2) 应进行哪些测试来确认/反驳它。不要做出明确的诊断；只需制定研究路线图。”
验证清单模板“在下面的输出/报告草稿中列出每个数值和每个标准参考。对于每个值，请指出应验证的来源（工厂证书、标准文本、测试报告）。将来源不确定的收集在单独的“验证之前不可用”标题下。文本：[粘贴]。”
匿名化预检查模板“在向人工智能工具提供以下文本之前，标记包含商业秘密或个人数据的部分：合金配方比例、客户名称、过程温度/时间机密参数、人员姓名。建议我如何对这些进行匿名化。文本：[粘贴]。”
弱提示/强提示
用两种方式问同一个问题会产生截然不同的结果。
弱提示：“告诉我 4140 钢的特性。”
强烈提示：“角色：您是一名助理热处理工程师。请解释一下，对 AISI 4140 钢进行淬火+回火时，什么会影响屈服强度（回火温度、截面厚度/淬透性、奥氏体化温度）。不要给出一个确切的数字；相反，该值可以在什么范围内变化，以及我应该根据哪个标准（例如 ISO 6892 拉伸测试）进行哪些测试才能获得正确的值。请清楚说明您在哪里不确定。”
糟糕的提示通常会返回一个无用的、肤浅的列表，并且可能返回一些编造的数字。强大的提示功能；它分配一个角色，设定限制（“给出一个确切的数字”），需要一种验证手段，并暴露不确定性。在本模块中，您将看到应用于每个单元的“强提示”模式。
道德、隐私和责任
冶金数据通常是保密的：客户合金配方、专利工艺参数、损伤分析结果、国防工业规范。将它们粘贴到公共人工智能服务中可能会构成商业秘密和违约；数据还存在干扰模型训练的风险。
- 未经批准，不得将公司/客户的成分、配方和图纸输入外部服务。
- 对包含个人数据（运营商名称、注册号）的记录进行匿名处理。
- 遵守公司政策以及任何本地或签约的企业 AI 工具。
- 在报告中透明地说明您正在使用人工智能；明确表示最终决定基于您的工程判断。
- 授权工程师始终签字并承担责任； AI输出并不是理由。
注意：“人工智能就是这么说的”并不是工程上的理由。在损坏报告、材料选择或合格决定中，您的依据应该是标准、测试和计算； AI最多就是组织这些的工具。对于安全关键型工作，人工智能输出并不能替代合格工程师的批准。
常见错误
- 使用AI给出的数值（特征、极限、成分），无需实验和参考。
- 将标准项目编号写入报告中而不进行确认。
- 将机密的客户/公司数据输入公共人工智能。
- 在不提供设施数据的情况下询问人工智能“故障是什么”，并将一般答案误认为是诊断。
- 使用人工智能输出作为关键决策的最终文件，绕过工程师批准。
- 忽视不确定性：将人工智能的自信语气误认为是准确性。
综上所述
人工智能是冶金和材料工程领域的强大加速器：它解释概念、生成假设、起草和编写代码。但数值在标准问题和安全关键决策中存在产生幻觉的风险。按风险级别对任务进行分类，验证标准实验室帐户三角中的每个输出，保持机密性并始终对授权工程师负责。本模块的其余部分将这一原则应用于每个具体任务。
应用任务
从您自己的工作（或示例项目）中选择五个典型任务：例如“材料选择”、“损伤报告编写”、“标准查询”、“微观结构解释”、“计算脚本”。根据上面的风险表将每个风险分类为低/中/高/严重，并用一句话写出您将如何验证每个风险的 AI 输出（哪个标准、哪个测试、谁的批准）。然后尝试调整“角色和边界”模板以适应这些任务之一。
清单
- [ ] 我已按风险级别（低/中/高/严重）对任务进行了分类。
- [ ]我给了AI角色、约束和“给出确切数字/指定来源”指令。
- [ ] 我已从独立来源验证了每个数值和标准项目。
- [ ] 我尚未将机密/个人数据输入外部服务或对其进行匿名处理。
- [ ] 我最终的决定是基于衡量和标准，而不是用人工智能作为理由。
- [ ] 我将责任和签名留给了授权工程师。