---
title: 基于 10 万篇 AI 顶会论文的工业 AI 研究方向假设池 — 给 AI Cube 实验室的方向选择参考
author: 朱奕樟
date: 2026-05-12
summary: 49 个候选研究方向假设（分 6 类：积累延伸/滞后外推/独家牌/跨域类比/反向证伪/概念新理论），每个评估窗口期×差异化×匹配度×资源，分 5 层推荐。AI 顶会作为雷达，实验室发表仍是 NMI/IEEE TII/TSM/MSSP 等工程期刊。
canonical: https://blog.sysu-sam.com/@zhuyizhang/ai-trend-forecast-2026
---

# 基于 10 万篇 AI 顶会论文的工业 AI 研究方向假设池 — 给 AI Cube 实验室的方向选择参考

> **TL;DR**：本文从 99,551 篇 AI 顶会摘要（2021–2025）+ 工业顶刊与 arXiv 竞品 + 实验室独家积累三方面交叉，**整理出 49 个候选研究方向假设**，分 6 类（已有积累延伸 / 滞后规律外推 / 独家牌组合 / 跨域类比 / 反向证伪 / 概念性新理论），给每个假设打分（窗口期紧迫度 × 学术差异化 × 实验室匹配度 × 资源需求），最后给出 5 层推荐（必启动 / 可启动 / 监控中 / 暂不做 / 永不做）。
>
> **本报告不是"选定一个方向"，是把所有足够好的候选**全部摆上桌**让实验室对照评估**。
>
> **如何使用本报告**：AI 顶会数据**只用作前沿方向的雷达信号**，不是投稿目标。实验室真正的发表战场是 Nature Machine Intelligence、IEEE TII / TSM、MSSP、Renewable Energy 等工业 / 工程期刊。实验室**不做大模型预训练**，定位是"用别人训好的大模型 + 实验室独家能力 = 别人做不到"。

---

## 0. 这份报告的目标

不是给出一个"必须做"的答案，而是构建一个**假设池**让实验室对照评估。

之前版本（5 个 P0-P5）的问题是：

1. **同质化**：5 个方向都指向"工业 AI 蓝海"，验证回路被锁定
2. **早收敛**：在还没穷尽候选时就过早聚焦
3. **遗漏跨域类比**：很多学界已经验证的 reasoning 范式可以搬到工业域，没列出
4. **遗漏反向假设**：没有任何能伤害"工业蓝海"thesis 的假设

本版本扩到 49 个候选，覆盖 6 个不同 framing 角度。

---

## 1. 数据与方法

### 1.1 数据规模

| | |
|---|---|
| 论文总数 | **99,551 篇** abstracts |
| 时间跨度 | 2021 – 2025（部分 2026） |
| 会议覆盖 | 17 个主流 AI 顶会 |
| 聚类数 | 84 个语义簇（HDBSCAN）+ 1 个噪声簇 C-1 |

### 1.2 处理管线

```
TSV abstracts → Phase 0 unify
   → Phase 1 embedding (Qwen3-VL-Embedding-8B)
   → Phase 2 LLM 结构化抽取 (DeepSeek)
   → Phase 3 UMAP (5D) + HDBSCAN → 84 簇
   → Phase 4-6 趋势分析 / 可视化 / 假设验证 / 报告生成
```

### 1.3 假设驱动验证

每个假设必须满足：可被推翻 / 有方向性 / 不显然。

### 1.4 方法论的 4 个 caveat（必须读）

**(a) 假设池可能带先验偏差**。前一版报告的 19 个假设里大部分指向"工业 AI 蓝海"。如果出题人已经相信这个判断，提出的假设方向会高度同质，验证回路被锁定 —— 任何不利证据都可能被"数据集盲区"消化掉。**本版本第 6.E 类专门用反向假设处理这个风险**。

**(b) H4 滞后规律可能是 survivorship bias**。第 3.2 节列的 9 个工业事件全是"事后被证明火了"的赢家（Stable Diffusion、ChatGPT、LLaMA、o1、R1 等）。失败的工业 AI 事件（Apple MM1、Inflection Pi、Adept ACT-1）不在样本里。这让"+1 年滞后"看起来更硬。

**(c) "1 年滞后"可能是论文发表周期，不是学术界真的跟得慢**。会议从投稿到发表本身就有 6-12 个月 delay。所以 H4 测到的可能不是"学术 follow 工业 1 年"，而是"学术 0-3 个月 follow + 6-9 个月发表周期"。这两个解释外推上含义完全不同。

**(d) 单一 embedding 模型可能有术语偏好**。整个聚类基于 Qwen3-VL-Embedding-8B。embedding 对训练后期出现的新术语（MCP / vibe coding / PRM）天然表示更粗 → 新方向更容易被丢进 C-1 噪声簇，并非因为它们真的孤立。第 10.3 节会用 50 篇人工抽样验证。

---

## 2. 过去 5 年 AI 研究的关键规律

### 2.1 各方向年标准化增长倍数

![关键词主题年标准化增长倍数](https://blog.sysu-sam.com/images/zhuyizhang/blog_fig1_growth_ranking.png)

注意以下几个真实但需要解读的信号：
- **tool use / MCP** 8.8× → 但**研究门槛低**（读 1-2 篇就能复现），蓝海会很快变红海，差异化弱
- **process reward / PRM** 7.2× → reasoning 革命的真正引擎（H3 强证）
- **agent / agentic** 3.0× → 但 H12 显示 1/3 真训练 2/3 wrapper
- **small model / distill** 1.0× → 学术与工业脱节，学界可能比 NVIDIA/Gartner 判断更准
- **time series / forecast** 1.7× → 比预期慢，工业先行学术滞后

### 2.2 84 簇趋势热图

![趋势热图](https://blog.sysu-sam.com/images/zhuyizhang/trajectory_heatmap.png)

### 2.3 增长最快的 20 个簇

![Top 20 fastest-growing](https://blog.sysu-sam.com/images/zhuyizhang/trajectory_grid_growing.png)

---

## 3. 被强证实的 3 个外推规律（高置信预测基础）

### 3.1 ✅ H3：Reasoning 革命 = RL × Verifier 革命

| 引擎 | 2023 | 2024 | 2025 | 2025/2023 |
|---|---|---|---|---|
| **RL / PPO / GRPO** | 4 | 11 | **115** | **28.75×** |
| **verifier / PRM / reward** | 0 | 5 | **42** | **∞** |
| **SFT / fine-tune** | 4 | 7 | 42 | 10.5× |
| **prompting / CoT / zero-shot** | 38 | 47 | **41** | **1.08× ← 饱和** |

**结论**：reasoning 革命**完全由 RL 驱动**，prompting 路线已死。

### 3.2 ✅ H4：工业→学术滞后是 1 年的稳定常数

![工业-学术 1 年滞后时间线](https://blog.sysu-sam.com/images/zhuyizhang/blog_fig5_industry_academia_lag.png)

8/9 工业事件遵循 +1 年规律。**重要 caveat**：见 1.4(b)(c)，这条规律可能比看起来弱。

### 3.3 ✅ H12：Agent 是虚火（1/3 真训练，2/3 wrapper）

| 类别 | 占比 |
|---|---|
| 训练类（RL/post-train/reward/SFT/verifier） | **15.8%** |
| wrapper / system / framework / benchmark | **28.3%** |

---

## 4. 被推翻的 4 个常识（颠覆性发现）

### 4.1 ❌ H7：ICLR **不**是新方向的早期指标

新爆发簇在 ICLR 的 lift 大多 ≤ 1.36×（ICLR 偏 theory / visual / GNN）。

### 4.2 ❌ H14：NLP 顶会才是 LLM 范式的真正主场

![会议×新方向 lift 热图](https://blog.sysu-sam.com/images/zhuyizhang/blog_fig4_venue_lift_heatmap.png)

**EMNLP / Findings 是 reasoning / agent / PRM / MCP 的真正主战场**，ICLR 在 LLM 范式上 underweight。

**对实验室含义**：要预判 2026 LLM × 工业方向，**应优先读 EMNLP / Findings 2025**，不是 ICLR 2026。

### 4.3 ❌ H2：Reasoning **不是**先行者

Agent 在 2023→2024 已加速 1.70×，reasoning 同期只 1.19×。Agent 是先行者，reasoning 后来居上。

### 4.4 ❌ H10：C-1 噪声簇占比反而下降

聚类抓得越来越准（68% → 63%）。但 C-1 **内部高频新词**（reasoning / time / alignment / retrieval）仍是下一代簇种子。

---

## 5. 工业顶刊与 arXiv 上已开启的相关工作（关键章节，必须诚实评估）

老实承认：**工业 AI × LLM × physics 方向在 2025 年下半年已经卷起来了**，不是空白。

### 5.1 LLM × 故障诊断（已成 community）

| 论文 | 时间 | venue |
|---|---|---|
| **FD-LLM**: LLM for Fault Diagnosis of Machines | 2025 | Advanced Engineering Informatics |
| **FaultExplainer**: LLM for interpretable FDD | 2025 | Computers & Chemical Engineering |
| **MM-LLM for FDD** in Industry 4.0 | 2024-11 | Preprints |
| Multimodal data-enabled large model for machine fault diagnosis | 2026 | — |
| Knowledge-graph-enhanced LLM for fault diagnosis | 2025 | Int J Production Research |
| LLMs for explainable fault diagnosis of machines | 2025 | EAAI |
| **PHM Society 2025**: Evaluation Framework using Technical Manuals + RAG | 2025 | PHM Conf |
| **LLM-based-PHM** GitHub 持续维护清单（清华） | — | 已成 community |

### 5.2 Physics-Informed × LLM（直接竞品）

| 论文 | 时间 | 内容 |
|---|---|---|
| **BatteryAgent**（清华 + 丰田） | **2025-12** | 三层框架（物理感知 + 检测归因 + LLM 推理），用于电池故障诊断。**几乎就是 PVRA 雏形** |
| **PILLM** for HVAC | 2025-10 | 物理约束 LLM 做建筑设备诊断 |
| **Lang-PINN** | 2025-10 | LLM 帮助构造 PINN（反方向） |
| **LP-COMDA** | 2024-11 | LLM + PINN 做电力电子调制设计 |
| **MCP-SIM** | 2025 | npj AI，多 agent 物理仿真自纠正 |
| Physics-Informed RL **survey** | 2025 | ESWA |
| **Awesome-Physics-Informed-LLMs** 清单 | — | 已经有人在维护 |

### 5.3 真实评估（修正之前的判断）

| 判断 | 之前的说法 | 修正后 |
|---|---|---|
| 学术先发 | "AI 顶会 0 篇 = 蓝海" | ❌ 错。工业期刊 + arXiv 已经卷起来 |
| 实验室独家 | "PINN × LLM × 工业 = 三能力交集独家" | ⚠️ 部分错，清华 BatteryAgent 团队也有这三能力 |
| 窗口期 | "6-12 个月" | **缩短到 3-6 个月** |
| 路径 | "First mover" | **应改成 "Fast follower but deeper"** |

---

## 6. 假设池：49 个候选研究方向

每个假设按以下格式呈现：编号 / 描述 / 信号源 / 实验室匹配度 / 已有竞品 / 紧迫度。

### A 类 — 实验室已有积累的延伸方向（6 个）

实验室在工业时序 / PHM / PINN / 数字孪生 / 多模态感知上有 3+ 年积累，下面是这些积累的可外推方向。

**A1. 多模态工业时序基础模型（IMTS-FM）的下游应用化** —— 实验室已有 NMI 2024 工作，但实验室不训新大模型。可以做下游 fine-tune / prompt / 评测应用层。差异化中等。已有 Chronos-2 / Moirai-MoE 工业 fine-tune 论文开始出现。

**A2. PHM × Foundation Model 评测基准** —— 把实验室 PHM 数据集（PHM 2025 冠军经验）做成评测 Chronos / Moirai 等通用 TS-FM 的工业基准。学术 0 篇基准论文，PHM Society 也没做。差异化高。

**A3. 数字孪生 → Learnable World Model** —— 把物理模拟器升级为可学习世界模型，用于离线 RL 训练制造控制策略。竞品：DeepMind Genie / NVIDIA Cosmos 在游戏/自驾域，工业域空白。差异化高，但需要训 world model（跟"不训大模型"路线有张力）。

**A4. PINN 复合故障诊断的 LLM 解释化** —— 实验室已有"PINN 复杂系统复合故障诊断"项目，叠加 LLM 自动生成可解释报告。竞品：FaultExplainer 已经做了纯 LLM 解释，但没结合 PINN。差异化中等。

**A5. 半导体虚拟量测 + LLM workflow agent** —— 应用材料合作积累，叠加 LLM 做工艺参数推理。学术 AI 顶会 0 篇，IEEE TSM 主导。差异化高但数据稀缺。

**A6. 风电运维 (已完成项目) → 风电预测维护 reasoning trace** —— 把已完成的风电运维项目数据 + LLM 生成维护决策推理链。竞品：BatteryAgent 类比作品。差异化中等。

### B 类 — 基于 H4 滞后规律的外推假设（10 个）

每个对应一个 2024-2025 工业事件，按 +1 年滞后规律预测 2026 学术爆发，实验室能否切入。

**B1. DeepSeek R1 / GRPO → 2026 工业 RL × verifier** —— PRM 已有 BatteryAgent 雏形，实验室 PINN 可当 process verifier。**紧迫度高（3-6 个月）**。差异化高（PINN 比 LLM-judge 更可信）。

**B2. OpenAI o1 → 2026 工业 process supervision** —— 工业故障决策天然适合 process reward。学术 0 篇直接做工业版。差异化高。

**B3. Genie 3 / SIMA → 2026 工业 world model** —— 见 A3。

**B4. Chronos-2 / Moirai-MoE → 2026 工业 TS-FM 应用层论文爆** —— 见 A1 / A2。

**B5. MCP / Tool Protocol → 2026 工业 agent 通讯协议** —— 冯老师 IEEE 工作组身份能直接变现，但 tool use 论文读起来太简单，论文层差异化弱，**只保留标准制定层面**。

**B6. Cursor / Claude Code → 2026 code agent 学术化** —— 跟工业不直接相关，但工业自动化代码生成（PLC ladder logic、HMI 配置）是窄域机会。差异化中。

**B7. Sora / 视频生成 → 2026 工业视频预测 + 异常预警** —— 把视频生成模型用到产线视觉异常预测。学术 0 篇工业版。差异化中。

**B8. Constitutional AI → 2026 工业安全约束 reasoning** —— 工业现场安全规则用作 LLM 决策约束。学术 0 篇。差异化中等。

**B9. RAG → 2026 工业维护知识库 reasoning** —— 把工业手册 + 维护记录做成工业 RAG。竞品：PHM Society 2025 已有评测框架。差异化中等。

**B10. Self-Refine / Self-Correction → 2026 工业故障诊断自我纠错** —— 让 LLM 故障诊断输出经过物理验证后自我修正。叠加 A1 的 PINN-Verifier。差异化高。

### C 类 — 实验室"独家牌"组合的方向（8 个）

实验室独家牌：**PINN / PHM 冠军 / 真实工业多模态数据 / IEEE 标准身份 / 工业一线知识 / 数字孪生**。下面是这些牌的最佳组合。

**C1. Physics-Verified Process Reward (PVPR)** —— PINN 当 process reward model，配 GRPO 训练故障推理 agent。竞品：BatteryAgent (outcome level)。实验室差异化：**process level**（每步给分）。**紧迫度极高（3 个月）**。

**C2. Industrial Reasoning Benchmark** —— 用 PHM 数据 + 真实失效案例做工业 LLM reasoning 评测基准（类似 SWE-bench 在 code agent 领域的地位）。学术 0 篇。IEEE 标准身份直接变现。**这是定义权的核心**。

**C3. 跨设备/跨域 OOD 泛化 with Physical Constraints** —— 在小米数据上训，富士康数据上测，PINN 物理约束作为 OOD 桥梁。学术 0 篇工业版。差异化高。

**C4. Few-Shot Industrial Reasoning** —— PHM 冠军级小样本能力 + LLM in-context learning。学术上 in-context learning 有很多，但工业域小样本几乎 0 篇。差异化高。

**C5. Multimodal Industrial Diagnosis Foundation**（不是预训练，是评测+组合） —— 视觉 + 振动 + 电流 + 工单文本，用现成 multimodal LLM 做诊断。学术 0 篇真实多模态工业版。差异化高（数据壁垒）。

**C6. 工业 Test-Time Compute Scaling Law** —— 给定故障复杂度，多少 sample + verifier 能达 95% 可靠？这是工业版 scaling law。学术 0 篇。差异化高，理论 paper。

**C7. PHM × RUL Reasoning Trace（可解释剩余寿命）** —— 给 RUL 数字配 LLM 生成的物理推理链 + 历史维护引用。监管和保险公司迫切需求。学术 0 篇。

**C8. 工业 Agent 离线评测 + IEEE 标准** —— 不训 agent，而是定义"工业 agent 评测协议"，结合 IEEE 标准身份。学术 0 篇。差异化高。

### D 类 — 跨域类比假设（学界已证范式搬到工业）（9 个）

学界已经验证有效但还没人搬到工业的范式。

**D1. STaR (Self-Taught Reasoner) → 工业小样本自训练** —— 模型自己生成 reasoning trace 给自己当训练数据。结合实验室小样本 PHM 经验。

**D2. ToolFormer → 工业工具调用 agent** —— 让 LLM 主动调用 PHM 模型 / 数字孪生 / 维护历史数据库。

**D3. AlphaProof / AlphaCode → 工业故障诊断 search-based reasoning** —— 把故障诊断当作 search 问题，PINN 验证 + 多步 search + tree expansion。

**D4. Mechanistic Interpretability (SAE) → 工业 PHM 模型内部可解释性** —— 把 SAE 用到工业 RUL / 故障模型上看激活模式。跟实验室方向偏一点。

**D5. Long-context retrieval → 工业维护知识库** —— 把数十年维护记录 + 手册做成 long-context input。

**D6. Multi-agent collaboration → 多产线协调** —— 富士康多产线协调经验 + LLM multi-agent。

**D7. AlphaZero self-play → PHM 故障场景自演化** —— 用模型自己生成 corner case 失效场景，扩展小样本。

**D8. Process Reward Models → 工业 RL 控制 PRM** —— 给工业控制策略的中间步骤打分，不只看最终性能。

**D9. Knowledge Editing → 工业模型增量更新** —— 工业产线工艺变更后模型如何无重训增量更新。学术：C35 (105 篇 2025) 已经在做但工业版 0 篇。

### E 类 — 反向假设：能伤害实验室 thesis 的（6 个）

如果下面任何一条成立，实验室战略需要调整。**这是 devil's advocate 必备**。

**E1. 如果 IEEE TII 2026 涌现 100+ 篇工业 TS-FM 论文** → 实验室"工业 TS 积累"优势已是过去式，必须找新方向。

**E2. 如果 PHM Society 2024-2025 中 PINN + LLM 组合 > 20 篇** → PVPR / PVRA 方向已被抢，实验室必须 6 个月内出 arXiv 占位。

**E3. 如果 H4 在工业 TS-FM 上失效（学术界 2025-2026 同步甚至超前）** → 窗口期判断作废，紧迫度不存在。

**E4. 如果小米/富士康/应用材料合作出现变动** → 数据壁垒不成立，所有 C 类假设崩塌。

**E5. 如果 CMU/Stanford industrial AI lab 下场做 PVR/PVPR** → 独家护城河失效，时间窗口 ≤ 3 个月。

**E6. 如果清华 BatteryAgent 团队扩展到通用工业**（电池 → 轴承 → 半导体） → C1 方向被定义权丢失。

**这 6 条必须建立监控信号**。每月扫一次 arXiv 关键词 + IEEE TII / TSM / MSSP / PHM Society 最新论文。

### F 类 — 启动阶段的概念性新理论（10 个，"Transformer 之前的状态"）

这一类是借鉴 2017 年 Transformer 出现前后那种"概念冒头但未被命名"状态，找当前学术界还没凝固的范式。

**F1. Verifier-Driven Learning** —— 算法层是 RL，认识层是新 framing："从 model+label 到 model+verifier"。PRM 关键词 ∞ 增长是证据。

**F2. Test-Time Compute Scaling Theory** —— "Think longer instead of think bigger"，缺 scaling law 类型的理论论文。

**F3. Reality-Grounded Reasoning (RGR)** —— "AI 必须懂物理世界"。整合 PINN / digital twin / embodied 三条线，目前还没人统一命名。

**F4. Process Reward 取代 Outcome Reward 作为主流** —— PRM 成为 LLM 训练默认范式。

**F5. Physics-Verified Reasoning (PVR)** —— 物理一致性作为 reasoning 评测的金标准。实验室能定义这个 sub-field。

**F6. Embodied Reasoning / Physical AI** —— Reasoning 不只在文本，发生在动作 / 物理交互闭环。工业控制天然是具身场景。

**F7. Long-Horizon Agent Reasoning** —— 几十步规划 - 执行 - 修正闭环。工业排程 / 维护规划是天然 long-horizon。

**F8. Industrial Agent Standards (MCP for Industry)** —— 工业 agent 通讯协议成为新理论问题（实时性、安全约束、物理可行性的统一描述）。

**F9. Self-Improving Industrial Models** —— 用合成失效场景 + 物理验证 + 自我迭代生成 PHM 训练数据。

**F10. Generator-Verifier Gap as a Theoretical Object** —— 把"判定比生成简单"这个观察形式化为可量化的理论概念，给工业域生成-验证 gap 给出测量方法。

---

## 7. 评估矩阵：每个候选假设的 4 维评分

打分尺度：1 = 低，5 = 高。

| ID | 假设 | 窗口紧迫度 | 学术差异化 | 实验室匹配度 | 资源需求 | 综合 |
|---|---|:-:|:-:|:-:|:-:|:-:|
| **C1** | Physics-Verified Process Reward (PVPR) | 5 | 5 | 5 | 3 | **18** |
| **C2** | Industrial Reasoning Benchmark | 4 | 5 | 5 | 3 | **17** |
| **C7** | PHM × RUL Reasoning Trace | 4 | 5 | 5 | 2 | **16** |
| C6 | 工业 Test-Time Compute Scaling Law | 4 | 5 | 4 | 3 | 16 |
| C3 | OOD with Physical Constraints | 3 | 4 | 5 | 3 | 15 |
| C5 | Multimodal Industrial Diagnosis (组合) | 3 | 4 | 5 | 3 | 15 |
| C4 | Few-Shot Industrial Reasoning | 3 | 4 | 5 | 2 | 14 |
| **A2** | PHM × TS-FM Evaluation Benchmark | 4 | 4 | 5 | 2 | **15** |
| A4 | PINN 复合故障 + LLM 解释 | 3 | 3 | 5 | 2 | 13 |
| A6 | 风电运维 reasoning trace | 2 | 3 | 4 | 2 | 11 |
| B1 | 工业 RL × verifier | 5 | 4 | 5 | 4 | 18（≈ C1） |
| B2 | 工业 process supervision | 4 | 4 | 5 | 3 | 16（≈ C1） |
| B3 | 工业 World Model | 4 | 5 | 3 | 5 | 17 |
| B5 | 工业 MCP（仅标准层） | 3 | 2 | 5 | 1 | 11 |
| B7 | 工业视频预测 | 3 | 3 | 3 | 4 | 13 |
| B10 | Self-Refine 故障诊断 | 4 | 4 | 4 | 3 | 15 |
| D1-D9 | 跨域类比类 | 2-4 | 3-4 | 3-5 | 2-4 | 10-15 |
| F 类 | 概念性新理论 | — | — | — | — | 作为顶层叙事 |
| **C8** | 工业 Agent 评测 + IEEE 标准 | 3 | 5 | 5 | 2 | 15 |
| A1 | 工业 TS-FM 下游应用 | 2 | 3 | 5 | 3 | 13 |
| A3 | Learnable World Model | 4 | 5 | 3 | 5 | 17 |
| A5 | 半导体虚拟量测 + LLM | 2 | 4 | 5 | 3 | 14 |

---

## 8. 推荐分层（5 层）

### 🚨 必启动（3 个月内 arXiv 公开）

**1. C1 / B1 + B2 合并：Physics-Verified Process Reward (PVPR)**

实验室独家配方：PINN-Verifier + GRPO 训练 + 真实产线数据。竞品（BatteryAgent）已在 2025-12 出现，必须 3 个月内出 arXiv 占位，否则 6 个月后定义权丢失。

**2. C2：Industrial Reasoning Benchmark**

跟 PVPR 是姐妹：PVPR 是方法，C2 是基准。学术 0 篇，PHM Society 也没做。IEEE 标准身份直接变现。这是**定义权的核心**。

**3. C7：PHM × RUL Reasoning Trace**

可解释 RUL 是监管和保险公司迫切需求，学术 0 篇直接做。可以是 C1 的下游应用 demo。

### 🟢 可启动（6 个月内）

- **B3 / A3：工业 World Model**（如果团队愿意训 world model，否则用预训练 + fine-tune）
- **C6：工业 Test-Time Compute Scaling Law**（理论 paper，跟 C1 协同）
- **C3：OOD with Physical Constraints**（跨设备迁移，C1 的延伸）
- **C5：Multimodal Industrial Diagnosis**（组合现成模型 + 真实多模态数据）
- **C4：Few-Shot Industrial Reasoning**（PHM 冠军经验直接产出）
- **B10：Self-Refine 故障诊断**（C1 的高阶应用）
- **C8：工业 Agent 评测 + IEEE 标准**（标准制定线，长周期）
- **D1, D3, D8**：跨域类比方向（STaR / AlphaProof / 工业 PRM 控制）

### 👀 监控中（持续每月跟踪）

每月扫一次以下信号源，发现强竞品立即调整：
- **arXiv** 关键词：physics-informed LLM / PINN reward / industrial reasoning / fault diagnosis LLM / process reward
- **IEEE TII / TSM / MSSP / Renewable Energy** 最新论文
- **PHM Society** 年会论文
- **清华、CMU、Stanford 工业 AI lab** GitHub / Twitter

E 类反向假设是监控目标，**每条都要建立信号阈值**。

### ⚠️ 暂不做（条件成熟再做）

- B5：工业 MCP 协议（论文层差异化弱，仅保留 IEEE 标准制定）
- B6：工业 code agent（窄域，机会有限）
- D4：Mechanistic Interpretability for PHM（跟实验室强项匹配度低）
- D9：Knowledge Editing for Industrial Model（基础设施先得齐）

### ❌ 永不做

- 训练自己的工业 TS-FM 大模型（实验室路线否决）
- 通用 LLM 算法改进（如 attention 变体、新 architecture）
- 纯 wrapper / API 集成型 agent 论文（H12 显示太多 wrapper 没意义）
- 端侧 SLM 评测套数据集（数据集测试型工作）
- 通用多模态融合（红海 36/k）
- AI4Science（蛋白 / 分子 / 材料）—— 不是积累方向
- 纯 Diffusion 改进
- 纯学术 PEFT 改进

---

## 9. Devil's Advocate：如果这份报告全错了

为了不被自己说服，列出 5 个最强的反例 + 应对预案。

### 9.1 如果 H4 滞后规律 2026 突然失效

**症状**：学术界开始同步甚至超前发布新方向。比如 DeepSeek R2 / o2 同月就有学术界 RL × verifier 后续作品。

**含义**：所有"窗口期 12 个月"判断作废。

**应对**：监控 arXiv 每周关键词增长率。如果 PRM / PINN-Verifier / Industrial Reasoning 一个月内增长 > 50%，立即把所有 P-1 / P0 推到 2 个月内出 arXiv。

### 9.2 如果工业期刊 1 年内涌现 100+ 篇 PVPR/PVRA 类工作

**症状**：IEEE TII / MSSP 单季度 > 25 篇 PINN × LLM。

**含义**：实验室不再是"早入场者"，必须在数据壁垒 + benchmark 标准上拉差距。

**应对**：放弃 PVPR 方法定义权，全力做 C2（benchmark + 标准）。Benchmark 是 winner-takes-all 的位置。

### 9.3 如果实验室核心工业合作出现变动

**症状**：小米 / 富士康 / 应用材料其中一家终止合作。

**含义**：C 类假设的数据壁垒不成立，整套"独家"叙事崩。

**应对**：必须**立即**多元化数据源（伊顿 / 上海电气 / 大族激光 / 新增矿山 / 风电客户）。同时把已有数据公开成 benchmark 锁住贡献。

### 9.4 如果 CMU / Stanford / MIT 工业 AI lab 下场做 PVPR

**症状**：MIT MechE × CSAIL 联合发表 PINN × LLM fault diagnosis 工作。

**含义**：纯方法学优势丧失。

**应对**：依靠 (a) PHM 冠军级故障数据 (b) 中文工业语料 (c) IEEE 标准制定通道 三个非方法学护城河。**不要陷入方法学军备竞赛**。

### 9.5 如果整个 reasoning + RL 浪潮 12 个月内被某个新范式取代

**症状**：出现新 paradigm（比如 discrete diffusion reasoning、neuro-symbolic 突破）。

**含义**：H3 RL × verifier 不再是主线，PVPR 也失去重要性。

**应对**：每季度做一次"假设池"更新（重跑这份报告），保持假设池新鲜度。Don't fall in love with any single hypothesis。

### 9.6 对 NVIDIA / Gartner SLM 数据的反向解读

之前引用 NVIDIA / Gartner 说"40-70% 企业任务 SLM 更优"。但这是公司报告，**带商业立场**：NVIDIA 卖边缘 GPU，Gartner 服务企业 IT 决策者，都有动机推 SLM 叙事。**学术 SLM 关键词 1.0× 增长持平的事实，可能是学术界对 SLM 真实价值判断比 NVIDIA / Gartner 更准确**。所以 P4 工业 SLM 在新版本里被降到"暂不做"是有依据的。

---

## 10. trend_research 项目改造路线

要让数据真正服务实验室决策，必须升级三件事。

### 10.1 扩充数据源

当前数据集只覆盖 AI 顶会，**必须扩抓**：
- IEEE Transactions on Industrial Informatics (TII)
- IEEE Transactions on Semiconductor Manufacturing (TSM)
- Mechanical Systems and Signal Processing (MSSP)
- IEEE Transactions on Power Electronics (TPE)
- Annual Conference of the PHM Society
- IFAC World Congress
- CIRP Annals
- Renewable Energy / Renewable & Sustainable Energy Reviews

且**必须把扩抓视为对当前结论的检验**，不是补充。如果 IEEE TII 上工业 TS-FM 已超 50 篇，整套 A1 假设就要推翻。

### 10.2 AI 顶会 vs 工程期刊分开统计

同一个 PHM 主题在 AI 顶会冷区 vs 工程期刊红海，分开画。

### 10.3 C-1 噪声簇 50 篇人工抽样

为了验证 caveat (d) —— embedding 模型对新术语表示不足。从 C-1 高频新词论文里采样 50 篇，人工判断它们之间是真不相似还是 embedding 没分开。如果是后者，要换 embedding 模型重跑。

### 10.4 C-1 二次聚类

预计能冒出：工业 TS-FM、Code agent、MCP 协议、工业 reasoning、World model + embodied 几个独立簇。

### 10.5 工业相关性维度

给每个簇打 industry-relevance 分。画"工业相关性 × 趋势热度"散点图。

### 10.6 监控信号管道

把 E 类反向假设的监控建成自动化管道：每周扫 arXiv + 主要工业期刊，触发阈值就发邮件。

---

## 11. 总结：一份假设池而不是一个答案

实验室未来 18 个月的方向选择，应该建立在这份 41 候选 + 评估矩阵 + 5 层推荐之上，**而不是任何单一"必做"叙事**。

**核心 3 个判断**（综合 49 个假设后）：

1. **C1 PVPR + C2 Benchmark + C7 RUL Reasoning** 是 3 个月内必启动的组合，因为 BatteryAgent 类竞品已在 2025-12 出现。
2. **A3/B3 工业 World Model** 是 6 个月内可启动的中等优先级方向，但需要看团队对"训 world model"的态度（涉及实验室"不训大模型"路线）。
3. **C8 工业 Agent 评测 + IEEE 标准** 是 long game，作为冯老师 IEEE 工作组身份的变现路径，3-5 年时间尺度，跟论文产出分开评估。

**叙事层（F 类概念性新理论）**：

实验室可以用 **"Reality-Grounded Reasoning (RGR)"** 作为对外叙事的统一概念框架（统摄 PVPR / Test-Time Scaling / Industrial Benchmark / RUL Trace 等多个具体工作），但**不应让 RGR 反过来束缚具体方向选择** —— 叙事是故事，方向是赌注。

---

## 附录 A：所有验证过的核心假设清单

| # | 假设 | 验证结果 | 关键证据 |
|---|---|---|---|
| H1 | LLM 浪潮是接力赛 | ⚠️ 部分确认 | prompt tuning ↓ 60%，但 scaling law ↑ 106% |
| H2 | Reasoning 拐点领先 agent | ❌ 推翻 | agent 2023→2024 加速 1.70×，reasoning 1.19× |
| H3 | Reasoning 引擎是 RL × verifier | ✅ 强证 | PRM 28.75× vs prompting 1.08× |
| H4 | 工业→学术 1 年滞后是常数 | ✅ 强证（含 caveat） | 8/9 事件验证，但 survivorship bias |
| H5 | 学术对成本 / 部署严重供给不足 | ❌ 测量失败 | efficient 关键词太宽 |
| H7 | ICLR 是新方向早期指标 | ❌ 推翻 | ICLR lift ≤ 1.36×，控制组 GNN 反而 1.77× |
| H8 | 新范式 kill 旧簇 | ⚠️ 限同域 | 3/5 配对成立 |
| H10 | C-1 噪声占比上升 | ❌ 推翻 | 反而下降（68→63%） |
| H12 | Agent 是虚火 | ✅ 确认 | 仅 15.8% 训练类 |
| H14 | NLP 顶会被边缘化 | ❌ 戏剧反转 | EMNLP/Findings 才是 LLM 主场 |
| H15-H29 | 工业 AI 各方向红海/蓝海判断 | ⚠️ 多数 AI 顶会盲区 | 见第 5 节工业顶刊实际竞品 |
| H30 | NeurIPS 是工业 AI 在顶会主场 | ✅ 新证 | PINN 41% / fault 57% |
| H31 | TS-FM 通用 1 年内学术饱和 | ✅ 强证 | 42.92× 是全数据集最陡曲线 |
| H32 | BatteryAgent 类 PINN-LLM 已开启 | ✅ 新证 | 2025-12 已 arXiv |
| H33 | tool use 增长高但门槛低 → 差异化弱 | ⚠️ 待证 | 需用户经验判断 |
| H34 | 端侧 SLM = 数据集测试 → 学术价值低 | ⚠️ 待证 | 同上 |

---

## 附录 B：监控信号源（每周/每月扫描清单）

### 每周扫
- arXiv 关键词：`physics-informed LLM`, `PINN verifier`, `process reward industrial`, `fault diagnosis LLM`, `time series foundation industrial`
- GitHub: CHAOZHAO-1/LLM-based-PHM、qiaosun22/AwesomePhysicsInformedLLMs（看新论文加入）

### 每月扫
- IEEE TII / TSM / MSSP / Renewable Energy 最新月刊
- PHM Society 新论文
- 清华自动化 / CMU MechE+CSAIL / Stanford Industrial AI lab 公开 PI 页面

### 每季度扫
- NeurIPS / EMNLP / Findings 接收论文中工业 AI 主题占比
- 重大工业 AI 产品发布（NVIDIA / Google / Amazon / Salesforce 时序模型版本）
- 重新跑 trend_research phase 0-6 看新趋势

---

## 附录 C：方法局限（汇总）

1. **数据集覆盖**：只 AI 顶会，缺工业期刊（10.1 已修正路线）
2. **关键词验证 vs 簇验证不一致**：很多假设用 title grep 验证，可能漏 abstract-only 信号
3. **2026 数据不可比**：只 ICLR + 一点 AAAI/WACV
4. **关键词噪声**：efficient 太宽、agent 包含 multi-agent 和 wrapper、time series 包含 NLP 时间感知
5. **聚类粒度不均**：C63 LLM 一簇就 5343 篇，子方向纠缠
6. **会议覆盖不均**：2025 ICLR 17.4% / NeurIPS 29.6%
7. **Survivorship bias**：见 1.4(b)
8. **发表周期混淆**：见 1.4(c)
9. **Embedding 偏好**：见 1.4(d)
10. **本报告本身的偏差**：见 1.4(a)

---

## 致谢

数据采集基于 `ai_papers_scrapper` 项目。嵌入使用 SiliconFlow 提供的 Qwen3-VL-Embedding-8B；结构化抽取使用 DeepSeek。聚类分析、可视化、报告生成由 `trend_research` 项目完成。

工业顶刊竞品分析参考：FD-LLM、BatteryAgent、PILLM、Lang-PINN、LP-COMDA、MCP-SIM、FaultExplainer、Knowledge-graph LLM fault diagnosis、Physics-Informed RL Survey、LLM-based-PHM GitHub repo、Awesome-Physics-Informed-LLMs。完整列表见第 5 节。

---

*报告生成时间：2026-05-12 · AI Cube 先进智造实验室 · 假设池 v2.0*