Google工程评测戳破泡沫：单项正确率91%，交付合格率仅41%

在工程设计领域，91% 的正确率，往往与 0% 的交付能力没有本质区别。

一条电缆桥架在机房顶部穿过消防管线，就能让几十页计算完备的报告全盘作废。即便载流量、电压降和设备选型全部合规，一旦进入三维实体空间产生干涉，整套方案就必须推倒重来。

AI 智能体可以迅速解出局部计算题，但真实工程从不按割裂的逻辑运转：牵一发而动全身，新一轮微调往往会导致此前验证过的指标全线失效。

针对这一痛点，Google 与 Mercor 联合发布了面向物理工程的全新评测基准——Physical-Engineering's Last Exam（PLE）。该评测涵盖机械、电气、土木与结构工程等领域的 85 项复合任务，量化了 AI 理论能力与真实工程交付之间的鸿沟。

测试显示，在 56 项隐藏任务中，顶尖配置的 Claude 模型综合得分仅为 48.3%。更具指标意义的是，在人机协同创作场景中，模型虽能平均满足 91% 的单项设计约束，但最终同时满足全部硬性安全与可行性要求的交付物仅有 41.3%。

这剩下的 9% 缺陷，难以通过单纯提升大语言模型参数或算力来弥合。因为工程约束高度耦合，局部优化往往会引发新的系统性冲突。

硬约束门控：工程设计的可行域瓶颈

以往针对 AI 智能体的评测多采用累积分制，完成的任务项越多，得分越高。这种机制适合评估通识理解，却遮蔽了工程设计的致命隐患：方案只要触碰一条核心安全红线，此前积累的所有得分便毫无意义。

PLE 引入了「硬约束门控」（Hard-Constraint Gating）机制。在评分体系中，40% 的权重取决于单项检查通过率，60% 取决于成本或性能优化。但获取优化分的前提极其严苛：必须 100% 通过全部硬性安全与物理可行性检查。如果某套方案大幅压低了建造成本，但违反了一条承重或净距规范，其优化得分将被直接归零。

在工程实践中，所有可行边界交织形成的区间被称为「可行域」。以中央冷却系统为例，若模型为了降低材料成本而盲目缩小水管管径，虽然节省了管材预算，但水阻随之飙升，系统必须换装更高扬程的水泵，最终导致设备投资与运行能耗双双超标。

91% 与 41.3% 的断层反差表明，AI 智能体当前能够较好地应对局部孤立约束，但在多参数动态联动的可行域搜索中，依然缺乏全局把控能力。

长流程困局：从上下文记忆到状态一致性

PLE 还原了工程生产中的复杂环境。85 项任务累计包含 5170 份真实文件，涵盖 PDF 规范、计算表格、现场邮件、CAD 图纸与 BIM 模型，其中甚至混杂着已废止的历史版本。

工程资料具有强依赖性：设备表更新了功率，计算书可能仍引用旧参数；管线发生位移，材料清单却未同步核销。这要求 AI 智能体不仅要读懂图纸，更要在数十步修改中实时维护全局设计状态。

以 PLE 中的大型机房管线综合协调为例，系统需要为 128 个机柜排布电缆桥架、母线、水管和喷淋系统。当 AI 智能体为了规避一处碰撞而调整桥架走向时，线路长度被迫增加，原本校核好的电压降参数瞬间失效。若系统无法追踪这一连带效应，交付结果就会带着隐性缺陷进入施工阶段。

测试数据显示，同一模型在完全一致的环境下运行三次，单任务得分跨度平均高达 15.4%。这说明当前的随机试错路线并不稳定，AI 智能体亟需建立类似工业软件的依赖图谱与增量计算机制：局部参数调整后，能够精准触发受影响模块的重新核验，而保留合规部分。

验证器基建：迈向 Physical AI 的闭环签核

为了构建精确的评估闭环，PLE 采用了 Creator–Solver 协同架构。由 Creator 智能体负责生成任务文件与程序化验证器，独立的 Solver 智能体在隔离沙盒中答题，再由专业人类工程师交叉审查代码与设计一致性。

这指明了工程 AI 的演进路径：高可靠性的工程验证器（Verifier）将成为不可或缺的基础设施。

以往验证器往往只能返回「通过」或「失败」的二元结果。面向工业交付的验证器则需要深入到具体构件：明确指出具体哪一段管线超限、违反了哪一项规范条款，并向 AI 智能体反馈具体差值。这使得 AI 能够围绕受限变量进行靶向重算，让设计搜索快速收敛至可行域内部。

同时，工程验证必须融合确定性求解器与语言模型——几何冲突与物理应力交给确定性算法，说明性文件与规范审查交给大语言模型。

从机械臂结构刚度设计到工业产线布局，Physical AI 要想真正走出实验室，核心不在于生成花哨的渲染图，而在于每一次改动是否经得起专业工程规范的推敲。唯有打通从「方案生成」到「程序化验证」再到「可签核交付」的完整闭环，AI 智能体才能真正承接现实世界的工程重任。