《Proceedings of the Design Society》：Challenges hindering the application of GenAI methods in engineering design and the product development process: a meta-analysis
编辑推荐：
尽管生成式人工智能（Generative Artificial Intelligence, GenAI）应用于产品开发的研究热度持续攀升，但相关研究反复提及一系列共性障碍。为系统整合这些障碍，研究人员对1074篇文献展开调研，最终构建了包含27类独特障碍的分类
尽管生成式人工智能（Generative Artificial Intelligence, GenAI）应用于产品开发的研究热度持续攀升，但相关研究反复提及一系列共性障碍。为系统整合这些障碍，研究人员对1074篇文献展开调研，最终构建了包含27类独特障碍的分类体系。该研究分析了不同障碍的出现频次，探讨了障碍间的关联关系，并回溯了障碍的根源成因。研究发现，模型能力、输出有效性以及用户信任是最突出的三大障碍，而环境影响等维度常被现有研究忽略。研究最后为学界研究与工业实践提出了相应建议。
### 论文解读
本研究发表于《Proceedings of the Design Society》，聚焦生成式人工智能（Generative Artificial Intelligence, GenAI）在工程设计与产品开发（Product Development, PD）领域的落地障碍展开系统性元分析，属于工程管理与人工智能交叉领域的综述类研究。
#### 研究背景与必要性
产品开发（PD）是企业长期核心竞争力的核心决定因素，当前却面临全球竞争加剧、产品生命周期缩短、品质与可持续性要求提升、产品复杂度攀升等多重外部压力，亟需通过工程设计与开发流程的持续创新与效率提升应对挑战。人工智能（Artificial Intelligence, AI）长期被视为应对上述困境的核心赋能技术，可通过自动化认知任务、优化决策流程、加速创新周期发挥作用。近年来深度学习架构、大规模公开数据集与算力基础设施的突破，推动生成式人工智能（GenAI）在医疗、金融、创意产业等领域实现落地应用，但在工程设计与产品开发领域仍缺少突破性实践。现有相关研究多散点提及数据稀缺、可解释性不足、集成成本高、结果可信度不确定等障碍，未形成系统性分析框架，难以支撑领域共性问题的协同攻关，明确GenAI在工程领域落地的共性阻碍、提出系统性解决方案是本研究开展的核心动因。
#### 研究设计与核心结论
为填补上述研究缺口，研究人员采用PRISMA（系统综述与Meta分析优先报告条目，Preferred Reporting Items for Systematic Reviews and Meta-Analyses）框架开展系统性元分析：检索范围覆盖Scopus、IEEE Xplore、Web of Science三大主流学术数据库，同时纳入2025年国际设计会议（ICED25）尚未被数据库索引的论文集，检索时间限定为2024至2025年，排除化学、生物工程、建筑设计类产品开发相关研究；初步检索获得1074篇文献，先使用大语言模型（Large Language Model, LLM）Anthropic Claude 3.7基于标题与摘要开展初筛，经人工随机复核50篇样本验证筛选可靠性后，由两名独立研究人员完成全文筛选，最终纳入64篇核心文献开展分析；采用概念矩阵（Concept Matrix）方法构建障碍分类体系，分析障碍的出现频次、关联关系与根源成因。最终研究人员构建了包含27类独特障碍的四层分类体系，覆盖数据相关、模型相关、集成相关、社会技术四大维度，识别出模型类、社会技术类、数据类障碍是提及频次最高的三大类别，模型能力不足、输出有效性存疑、用户信任缺失是最突出的核心障碍，而环境影响等维度常被现有研究忽略；进一步分析发现不同障碍存在强关联性，孤立解决单一问题难以实现落地突破，需从数据治理、模型架构、集成流程、伦理规范多维度协同推进。
#### 关键技术方法
本研究核心采用PRISMA系统文献综述框架开展元分析，通过概念矩阵法对纳入文献进行编码分析；文献检索覆盖Scopus、IEEE Xplore、Web of Science三大主流学术数据库与ICED25会议论文集，筛选环节采用大语言模型Anthropic Claude 3.7开展初筛、人工随机复核50篇样本保障筛选可靠性，最终由两名独立研究者完成全文本编码，系统梳理GenAI在工程产品开发领域的共性与关联障碍。
#### 研究结果
4.1 数据相关挑战：通过对64篇纳入文献的编码分析，研究人员识别出数据类障碍共出现94次，是核心障碍类别之一。其中数据质量、数据可用性、数据隐私保护是提及频次最高的三类问题，分别出现22次、20次、19次，反映出工程领域数据的专有性、格式碎片化、标注不统一等问题持续制约GenAI模型的训练效果。
4.2 模型相关挑战：模型类障碍共出现118次，是提及频次最高的障碍类别。其中模型能力不足、输出有效性存疑是核心问题，分别出现28次、23次，反映出现有GenAI模型难以满足工程开发领域的领域知识要求、约束满足需求与因果推理需求；此外结果偏差、可解释性不足、性能评估标准缺失、结果多样性不足等问题也较为突出，共同制约模型在工程场景的可信应用。
4.3 集成相关挑战：集成类障碍共出现61次，核心问题为集成成本过高、与现有数字化工程工具链（计算机辅助设计（Computer-Aided Design, CAD）、产品生命周期管理（Product Lifecycle Management, PLM）、仿真软件）兼容性不足，分别出现21次、20次，同时存在GenAI领域技能缺口、集成效果不达预期等问题，反映出工程组织在数字化基础设施与组织准备度方面存在结构性约束。
4.4 社会技术相关挑战：社会技术类障碍共出现103次，核心问题为用户对AI生成结果的信任不足、知识产权归属模糊、工具可用性差，分别出现24次、19次、18次，此外技能退化、责任界定不清晰、职业焦虑、监管规则不完善、环境影响等问题也存在一定提及频次，反映出技术落地还受到社会、伦理、法律等多维度因素制约。
#### 讨论与结论
在讨论部分，研究人员首先明确了四大类障碍的关联逻辑：数据质量差会传导至模型端引发结果偏差或无效输出，模型可解释性不足会进一步削弱用户信任，集成成本高、兼容性差又会放大组织的技能缺口，孤立解决单一问题难以实现可持续突破，需构建数据治理框架、人机协同评估机制、透明模型文档体系等系统化解决方案。针对学界研究，研究建议重点突破小规模领域专用GenAI模型、物理知识驱动与数据驱动融合的混合架构，以及面向工程场景的可解释人工智能（Explainable AI, XAI）技术；针对工业实践，研究建议优先建立标准化的数据治理与质量管控体系，将可解释性评估机制嵌入AI辅助CAD工作流，开展渐进式试点项目，同时完善知识产权、责任界定的治理框架，将模型训练与推理的能耗纳入可持续性评估范畴。研究的局限性在于所识别的障碍为文献中频繁报道的类型，而非实际工业落地中的最高频问题，后续研究需在工业场景中验证障碍的关联关系，推动学界、产业界与政策端协同制定标准化基准与落地指南。
