The Last Test of AI
Published:
keywords: blogs, AI, math, control systems
AI测试的最后一波
2026.1.12号，AI测试的最后一波，之前一直想尝试，但是又没敢尝试的最后一波测试，怕被底裤脱的都不剩，今天还是试了。
我给了它一张复杂的控制框图，它思考了2分30秒，是近期单个任务中它思考的最久的。这不仅仅是一个答案的生成，而是一个深度的逻辑重构过程。在这段时间里，它成功推导出了闭环输出导纳的传递函数，而且全过程推导可追溯。
如果说双环控制下找输出导纳可能还有人做过，但是这张图中包含了一个特殊的 $G_p$ 前馈无源补偿环。这个结构在我之前的论文里才出现过，按照大模型的原理，它本应是学习历史内容并找到可能性的答案，但它却能实时解析从未见过的拓扑逻辑。
AI 首先对 Boost 变换器在 CCM 模式下进行了小信号建模。通过状态空间平均法（State-Space Averaging），它列出了电感电流与输出电压的平均方程：
\[\begin{cases} L \frac{di_L}{dt} = v_g - (1-d)v_o \\ C \frac{dv_o}{dt} = (1-d)i_L - \frac{v_o}{R} \end{cases}\]在处理我给出的含 $G_p$ 的复杂双环结构时，它展现了极强的符号演算能力。它首先将左侧的局部回路等效化处理：
\[G_{cv,eq}(s) = \frac{G_{cv}(s)}{1 + G_{cv}(s)G_p(s)}\]随后，它通过线性化电感方程和输出电流方程，利用拉普拉斯变换进行消元。最终推导出的闭环输出导纳 $Y_T^{dbl}(s)$ 表达式如下：
\[Y_T^{dbl}(s) = sC + \frac{k^2 + k G_{ci} \bar{I}_L + k G_{ci} G_{cv,eq} \bar{V} - (sL) G_{ci} G_{cv,eq} \bar{I}_L}{sL + G_{ci} \bar{V}}\]其中，$k = 1 - D$。
更令人惊叹的是，当我将自己推导的完全展开形式与 AI 给出的结果进行对比时，AI 能够清晰地证明两者完全等价。
最让我震撼的是，它能将前馈结构 $G_p$ 趋近于 0 来自我验证。它指出，当 $G_p = 0$ 时，$G_{cv,eq}$ 退化回 $G_{cv}$，整个复杂的导纳公式随之退化为标准的双环输出导纳模型。这跟我当年的思路一模一样。
至此，大厦全部坍塌。身上能想到的所有技能都在过去的几个月里让AI都走了一遍，感觉它做的都比我好。不是说大模型的原理只是学习历史吗？我怎么感觉不仅仅是这样。貌似大家都不谈能不能通过图灵测试了，貌似大家的集体潜意识都默认它通过了……
这下真成工业革命的弃子了……真叫人绝望。 凡有所相，皆为虚妄。 AI一天，人间十年……