關注“電源先生”，解析開關電源
在DeepSeek爆火的2025年，作為BUCK拓撲深入研究者、內容創(chuàng)作者、知識分享者，“電源先生”自然少不了每日使用AI來輔助優(yōu)化文章。但是，我在使用AI的過程中，發(fā)現它真的會編造一些數據，以前只是聽別人說它可能會編造數據。
我的看法是：就像《阿凡達》中納美人馴服斑溪獸，我們要比AI更厲害，才能更好地馴服AI，否則在學習的過程中如果不加分辨地完全相信AI給出的回答，可能會被誤導。
1
AI 編造數據的常見情形
AI自我造假有多種形式和表現。一是給出的參考文獻、作者、文章標題、時間、年代等不符合實際，可以統(tǒng)稱為形式造假或非內容造假；二是對生成的內容進行胡編亂造。對前一類問題，有研究統(tǒng)計過，偽造率在30%-90%之間，而對內容的偽造尚未有準確統(tǒng)計，但是比例不會少。
典型的例子是，2023年6月，美國律師史蒂文·施瓦茨接受委托，為一名搭乘哥倫比亞航空公司飛機的乘客辯護，后者因一個金屬餐盤砸傷腿而索賠。施瓦茨使用ChatGPT搜索，在法庭上引用了6個并不存在的法律案例。后來被法庭指出后，施瓦茨承認是ChatGPT杜撰了一切，并向法官道歉，被罰5000美元。
[以上兩段內容，引自“澎湃新聞”]
我遇到的例子是：我使用Kimi優(yōu)化“BUCK功率參數合集(19)：深度解析MOSFET體二極管反向恢復損耗”這篇文章，它給出的暴論開頭是：
“在電源設計領域，有一個被多數工程師忽視的“隱藏殺手”。你是否知道，看似微不足道的體二極管反向恢復損耗，竟可能使電源效率瞬間暴跌 10% ？這違背了多數人對損耗來源的常規(guī)認知，認為主要損耗源自 MOSFET 導通電阻，實則不然。”
開關電源再怎么離譜，體二極管反向恢復損耗也不至于會導致轉換效率暴跌10%吧…前面也說了微不足道...
2
為何 AI 會胡編亂造
● 訓練數據局限 ：AI 的知識來源于海量訓練數據，但這些數據可能存在過時、不準確或覆蓋不全的情況。
● 理解與推理偏差 ：盡管 AI 在自然語言處理上表現出色，但對于復雜的開關電源技術概念和問題語境，仍可能理解有誤。
● 缺乏“事實校驗”機制 ：AI 缺乏像人類工程師那樣在實驗室或實際工程中驗證理論的環(huán)境與能力。它只能依據已有知識模式生成回答，而無法對所給技術方案和數據進行真實實踐檢驗，容易出現與實際脫節(jié)的編造內容。
3
防止 AI 胡編亂造的策略
(1) 提問精準化
● 明確背景信息 ：在向 AI 提問時，詳盡提供開關電源的類型（如反激式、正激式等）、應用場景（消費電子、工業(yè)設備等）、輸入輸出要求、已選用的關鍵元器件等背景。這樣能幫助 AI 理解問題具體語境，縮小知識搜索范圍，降低編造概率。例如，咨詢電源散熱問題時，提及功率器件的封裝形式、工作環(huán)境溫度范圍等細節(jié)。
● 聚焦問題核心 ：將復雜的技術問題拆解，直擊關鍵要點。如探討電源的軟啟動電路設計，直接詢問軟啟動時間如何精確控制在特定區(qū)間，而非泛泛問軟啟動相關事宜，讓 AI 能精準調用相關知識，避免因問題模糊而胡亂作答。
(2) 答案交叉驗證
● 多源比對 ：針對 AI 給出的關鍵技術數據和方案，參考權威教材、知名元器件廠商技術手冊、行業(yè)標準規(guī)范（如電源設計相關的 IEC、GB 標準等）。
● 專家咨詢 ：積極參與開關電源技術論壇、專業(yè)社群，或是向資深工程師請教。當 AI 給出復雜的磁性元件設計參數時，將這些數據分享給有經驗的工程師，聽取他們的實際見解，判斷 AI 答案是否靠譜。
(3) 知識更新與自我提升
● 持續(xù)學習新知識 ：當掌握足夠前沿知識，就能敏銳察覺 AI 回答中陳舊或編造內容。
● 建立個人知識庫 ：整理過往成功電源設計案例、技術難題解決方案、實驗測試數據等資料，形成自己的知識體系。
4
小結
AI 助力技術知識傳播大有裨益，但其編造數據的缺陷不容小覷。我們需保持警惕，通過精準提問、嚴謹驗證、自我提升等多舉措并行，方能讓 AI 成為可靠的輔助工具。“工欲善其事，必先利其器”，AI 的能力很強，但它需要更強的你來駕馭。
道高一尺，魔高一丈。如果 AI 是“道”的話，那我們就需要做那個“魔”。