大型语言模型

于 1799 年发现的罗塞塔石碑被视为破译埃及文字的里程碑。它记载了公元前 196 年由古希腊-马其顿-托勒密王朝颁布的祭司法令，内容以三种语言记录而成。通过比较这些文字和符号，石碑为破解 19 世纪之前难以破译的埃及象形文字提供了重要的“突破口”。自此，“罗塞塔石碑”一词便成为了解码任务中关键线索的代名词。
如今，基于人工智能的大型语言模型 (LLM) 被视为未来的“罗塞塔石碑”。“大型语言模型以神经网络为基础，能够在语境中解读自然语言的含义，并实现自动化处理。大语言模型不仅可以理解、处理和翻译语言，还能生成全新的文本。”保时捷工程集团人工智能和大数据部门主管约阿希姆·舍珀博士 (Dr. Joachim Schaper) 解释说。

保时捷工程集团通过应用大语言模型，进一步提升了开发流程的效率。公司使用了一些市售的大语言模型工具，例如 OpenAI 的 ChatGPT 和 Meta 的LLaMa。“这些模型已通过海量互联网数据进行了预训练，能够很好地完成标准主题的文本生成等任务。但应用在开发工作中时，我们需要一个能够同时融入我们工程专业知识的大语言模型。”舍珀解释说。为此，保时捷工程集团专门将自己通过已完成的开发项目所积累的专业知识，以专属数据集的形式输入大语言模型内，通过此举实现对人工智能的“量体裁衣”，使其更契合工程设计的具体需求。

大型语言模型 (LLM) 的一个重要应用领域是修订客户的产品需求文档。根据项目特点、客户需求以及开发团队的不同，这些文档的内容和编写形式可谓千差万别。如果需要在进一步开发过程中对现有系统进行技术更新，保时捷工程集团通常会从客户提供的现有产品需求文档中确定需求，并明确相关的变更范围。在实际开发任务正式启动之前，开发人员需要对客户的规格说明进行全面解读，并将其中的信息转化为具体的技术规格说明，从而避免因表述不清或歧义导致开发失误。近期，保时捷工程集团在修订产品需求文档时，开始采用预定义的句式模板。这一方法源于工程设计要求的基本原则，旨在通过标准化和规范化的方式提高所制定规格要求的质量和一致性，确保开发过程有章可循、行之有效。

通过这种方法，信息能够以清晰、连贯、可核查、准确且易于理解的方式呈现。“目前，我们的工程师仍需手工修订产品需求文档。”保时捷工程集团高压系统开发部门主管沃尔克·雷伯 (Volker Reber) 表示，“这不仅占用了宝贵的开发资源，对员工而言，也是一项枯燥乏味的任务。”

使用人工智能进行文档翻译

在将客户需求自动转换为符合 ASPICE 标准的文档时，保时捷工程集团以 Meta 的大型语言模型 LLaMA (Large Language Model Meta AI) 为基础。为了使其能够适应高压系统领域汽车开发的特殊要求，对 LLaMA 进行了专业领域内容的训练。约 1,500 条客户需求及相应的 ASPICE合规文档被用作训练数据。在这一领域，大语言模型通常通过 Excel 表格接收输入和所需输出，表格便于列出需求。
经过训练，大语言模型能够独立并高质量地将文件转换为符合 ASPICE 标准的格式。为确保质量，保时捷工程集团的专家们会对每份文件进行人工审核，确保在早期开发阶段避免错误。通过使用 LLM，节省的时间是显而易见的——因为与人工翻译相比，校对所需的时间要少得多。目前，使用大语言模型可以将工作量减少高达 50%；我们的目标是将这一比例进一步提升至 85%。这样，人类专家就能将更多精力投入到系统规范的制定中。

由于传统算法的局限性，这项工作很难实现自动化。这是因为产品需求文档中的措辞常常模棱两可，需要根据上下文揣摩信息的真正含义。传统的软件程序无法完成这一复杂的逻辑推理，而人工智能却能胜任此任务。因此，大型语言模型 (LLM) 将成为未来修订产品需求文档的重要助手。“作为一个试点项目，我们对一种车辆部件的需求目录进行了修订。”雷伯介绍道。
通过包含数百条信息的数据集，大语言模型就能够为这一新任务做好充分准备。在训练过程中，模型学会了如何处理原始文本中的多种语义形式，并掌握了输出文本的标准化模式。“完成这一步骤后，由数千条单独信息组成的产品需求文档得以显著提速转化为标准格式，效率远高于人工处理。”雷伯补充说。
作为该项目的延伸，经过训练的大型语言模型 (LLM) 被广泛应用于产品需求文档修改的更多任务中，尤其是用来检查不同车辆系统需求的完整性和一致性。工程师们“只需”对大语言模型的输出结果进行审查，且随着时间推移，所需投入将大大减少。“随着通过结果反馈不断优化人工智能，大语言模型的质量在每一个项目中都得到了稳步提升。”保时捷工程集团人工智能与大数据部门主管舍珀博士表示，“未来，大语言模型不仅能更快速地完成任务，而且能比人类更精准、更高效地达成目标。”

与创建产品需求文档类似，大语言模型工具同样承担一些其他任务，比如将输入数据转化为预设的语义模式，并与现有数据库条目进行比对。保时捷工程集团的一支团队在车辆连接领域的一个项目中，成功证明了这一方法的巨大潜力。“在测试过程中，测试工程师一旦发现问题，就会立即将问题信息输入系统，人工智能则会实时反馈与之相似的已知故障。”欣德说。此时，测试人员需要决定，是选择与现有条目匹配的已存储模式，还是创建一个新的数据库条目。通过这种方式，就能够在整个公司范围内快速识别故障信息，并跨多个车型和平台进行关联。

在保时捷创新管理部的领导下，保时捷工程集团目前正在实施另一个大语言模型项目，目标是简化并加速日常工作流程。“现在，开发人员还需要手动查询公司数据库中的聚合数据，以寻找相关问题。”负责智能企业创新组合的保时捷创新经理安东·维斯蒂希 (Antoon Versteeg) 说，“在我们的‘灯塔项目’中，我们正在开发一个概念，未来大语言模型将接管这一任务。与其他大语言模型应用不同，这个项目将处理大量复杂的数字数据，并要求对其进行精确的处理与比对。”

因此，软件开发人员采用了多种策略，结合了传统的数值方法与人工智能的技术手段，几秒钟内即可得到快速而准确的结果。“汽车行业在大语言模型的应用上仍处于起步阶段，但得益于我们在项目中的早期适应，我们已经通过集成大语言模型工具，显著提升了开发流程的效率。”舍珀表示。“数据驱动的研发已成为保时捷股份公司未来成功的关键。”保时捷数据驱动开发部负责人布鲁诺·基斯特纳博士 ( Bruno Kistner) 解释道，“通过引入人工智能技术，我们确保了开发过程中的高效性。我们今天已经成功地将其应用，并与保时捷工程集团等合作伙伴不断扩展这一技术。”

非功能性需求示例：

客户输入：在车外温度超过 −10°C 时，续航里程应 ≥ 400 km。
翻译：如果车外温度高于 −10°C，车辆的续航里程必须大于或等于 400 km。

本文首次发表于《保时捷工程杂志》2024年第2期。

图片：Richard Backhaus

版权：本文中发布的所有图片、视频和音频文件均版权保护。未经保时捷工程书面许可，不得部分或全部复制。欲了解更多信息，请联系我们。

您有问题或想了解更多信息吗？请联系我们：info@porsche-engineering.de