把設備技術文件變成一張能推理的圖：AI 自動畫出「這裡壞了會拖累哪些地方」

在每一家工廠，都有一兩位老師傅腦中裝著一張圖：這個閥卡住，會影響到哪幾條線；那台泵掉了，哪些功能會跟著失效。

這張圖非常值錢，而且非常難傳。

這張圖在工程上有名字

它叫動態主邏輯（Dynamic Master Logic，DML）——一種階層式的框架，把「系統要達成的功能目標」跟「底層的結構元件」連起來。

問題出在怎麼畫。論文講得很直接：DML 的建構，通常要靠專家去讀、去解釋技術文件。所以系統一複雜，就畫不動了——不是不會畫，是人力跟不上。

他們的做法

這篇論文（arXiv:2608.12304，2026 年 8 月 12 日投稿）的框架是：從系統描述文件出發，用檢索增強生成（RAG）搭配大型語言模型，自動建構出 DML，並把它表示成知識圖譜（論文稱 KG-DML）。

建構過程沿著 DML 的階層逐層進行，每一層用針對性的檢索，同時保住功能相依性與明確的邏輯關係。

這裡有個設計上的重點值得指出：它不是叫模型一次讀完整份文件然後吐出一張圖——那樣幻覺會很嚴重。它是分層、分次、針對性檢索，這與我們在 Activation Beacon 與企業 RAG 工作流談過的原則一致：把大問題切成可驗證的小問題。

做出來的圖可以拿來幹嘛

論文列了四項用途：

• 診斷推理　現象出現時，回推可能的原因
• 安全評估
• 故障向上傳播　這個元件壞了，會往上影響哪些功能
• 相依性向下追溯　這個功能要成立，往下依賴哪些元件

後兩項就是老師傅腦中那張圖的正式版本——而且是機器可執行的，不是掛在牆上的示意圖。

怎麼驗證的

研究者設計了一套多層次的驗證方法，評估三件事：

• 各層的精確率與召回率
• 邏輯閘的一致性
• 整體結構完整性

應用對象是一座已除役的沸水式反應爐的低壓冷卻水注入系統。結果顯示，重複執行之間能一致地重建出相同結構。

「重複執行的一致性」這一項，在生成式系統上特別值得注意——同一份輸入每次跑出不同的圖，這種系統在可靠度分析上完全不能用。

台灣的工廠可以怎麼看

一、它處理的是「文件變成模型」，不是「資料變成洞見」。這一點跟多數工業 AI 專案很不一樣。你不需要先裝滿感測器——你需要的是完整的技術文件。對很多有 30 年設備、資料卻很稀疏的老廠來說，這反而是比較可行的起點。

二、但前提同樣很硬：文件要夠完整。如果貴廠的設備文件是散落的 PDF、手寫註記與已經對不上的舊版圖面，那這套方法一樣跑不動。淨水設備廠那篇談的順序問題在這裡再次成立：基礎沒鋪好，上層什麼都建不起來。

三、核電廠的驗證場域是雙面的。好處是那個領域的文件規範最嚴謹、最完整；壞處是一般工廠的文件品質遠不及此。拿這篇的結果去推估自家工廠，會過度樂觀。

需要保留的懷疑

這是 arXiv 預印本，在本文寫作時尚無同儕審查紀錄。

• 摘要沒有給出任何具體數字。雖然說明了驗證方法包含精確率與召回率，但實際數值未在摘要中呈現，因此本文無法報導成效的量級——只能說「一致」，不能說「多準」。
• 驗證對象是單一系統（一座反應爐的低壓冷卻水注入系統）。這是深度驗證，不是廣度驗證。
• 核能領域的技術文件規範程度遠高於一般製造業。這是本篇最需要打折的地方。
• 摘要未交代使用哪個語言模型，也未說明建構一次的成本與耗時。

常見問題

什麼是動態主邏輯（DML）？為什麼工廠會需要？

DML 是一種階層式框架，把系統要達成的功能目標與底層結構元件連結起來，可用來回答「這個元件壞了會影響哪些功能」以及「這個功能依賴哪些元件」。它相當於資深工程師腦中那張故障影響圖的正式版本。困難在於傳統上必須由專家逐字解讀技術文件才能建構，因此系統一複雜就難以完成。

這套方法需要先裝很多感測器嗎？

不需要。它處理的是「把技術文件轉成可執行模型」，輸入是系統描述文件而非即時感測資料。對於設備老舊、感測資料稀疏但文件完整的工廠，這反而是比較可行的起點。但相對地，前提是文件必須夠完整——如果技術文件散落、版本對不上，這套方法一樣無法運作。

這篇的結果可以直接套用到一般製造業嗎？

需要打折看待。驗證場域是一座已除役沸水式反應爐的低壓冷卻水注入系統，核能領域的技術文件規範程度遠高於一般製造業，文件品質的落差會直接影響成效。此外驗證僅涵蓋單一系統，屬於深度而非廣度驗證，而論文摘要也未提供精確率與召回率的實際數值。