人类引导的物理约束 AI 智能体构建土壤塞演化可审计模型

一篇 arXiv 论文提出人类在环、受物理约束的多智能体工作流：由人类专家界定可接受的物理与建模边界，智能体负责检索证据、推导方程、实现求解器并审计从理论到代码的链条。在吸力锚安装中土壤塞演化的案例上，智能体在物理知识与输入准备就绪后，用 2.9 小时生成并审计了 6 种公式。

以往多智能体 AI 多停留在任务自动化，理论到求解器的转换仍依赖人工逐环节检查，错误可能在局部验证通过后继续传播。该工作把人类监督、物理约束与独立审计纳入同一流程，并给出可量化的预测误差下降，说明 AI 智能体的角色开始从执行工具转向可被治理的工程求解器。

机制上，人类专家先限定哪些物理假设与建模边界可被接受，智能体在此约束下并行完成证据检索、方程推导、代码实现与审计，形成可回放的决策链。由于每个环节都留下可追溯记录，审计者能在既定检查项之外发现实现问题，从而抑制误差在理论到代码链路中的累积。

对研发流程而言，这类工作流有望缩短从物理机制到可运行求解器的周期，并让模型选择与误差来源可追溯。企业可将盲审回放和预定义检查清单产品化，用于工程仿真交付前的质量门禁，降低对单一专家经验的依赖。

• 为工程仿真团队提供"理论到代码"审计工具，记录方程、离散化与实现的对应关系并支持回放。
• 围绕人类定义物理边界的交互界面设计工作流产品，让专家以规则约束智能体的推导与实现范围。
• 在吸力锚等岩土工程场景中，基于该流程构建可审计的土壤塞演化预测模块并做误差归因。
• 将盲审回放与预定义检查清单做成内部质量门禁服务，用于仿真交付前的自动复核。

• 该工作流在土壤塞演化之外的工程领域是否具备可迁移性，尚需更多案例验证。
• 2.9 小时生成 6 种公式是否依赖特定物理知识与输入准备，其人工准备成本未被说明。
• 独立审计发现的 5 个实现问题类型及严重程度未在证据中披露。
• 模型在不同场地剖面与过程历史下的泛化能力，证据仅覆盖有限案例数。