目前，大语言模型（LLM）迅速从“能聊天”走向“能决策”。它们可以写代码、分析数据，甚至在某些场景下展现出类似人类的推理能力。但一个更本质、也更严肃的问题逐渐浮现：

·        如果AI真的这么“聪明”，它能否直接控制现实世界的工程系统？

例如，一个最经典、最基础的控制问题——水箱液位控制。

这听起来简单，但却是整个过程工业控制的缩影。从化工反应器到能源系统，本质上都依赖类似的闭环控制机制。带着这个问题，我们设计并开展了一项实验： 不是讨论“AI可以做什么”，而是实测——AI在控制系统中究竟能做到什么程度。

一、从“语言模型”走向“控制系统”

在这项研究中，我们构建了一个完整的实验平台，将三种完全不同的系统连接在一起：

1.       MATLAB/Simulink：负责物理系统建模与控制计算

2.       Python：作为中间通信桥梁

3.       LLaMa大语言模型：作为“决策单元”

整个系统形成了一个闭环：水箱状态 → AI判断 → 控制指令 → 系统响应 → 再反馈给AI。

为了系统性评估，我们设计了四种控制方式：

1.       传统固定参数PID控制

2.       自动整定PID控制

3.       完全由LLM直接控制

4.       LLM辅助调参的混合控制（LLM–PID）

问题非常直接：

AI，是替代控制器，还是辅助控制器？

二、一个关键发现：LLM不能直接控制系统

实验结果非常明确，甚至可以说有些“反直觉”。当我们让大语言模型直接控制水箱时，系统完全无法稳定。

水位始终无法接近目标值，最终形成约8.5米的稳态误差。换句话说，AI虽然“知道”应该让水位上升，但它并不能持续、稳定、精确地完成这一过程。

这一结果揭示了一个本质问题：语言模型并不是为连续动态控制设计的。

它缺乏三个关键能力：

1.       数值稳定性（无法精确调节连续变量）

2.       状态记忆（无法持续跟踪系统演化）

3.       时间一致性（决策在不同时间不稳定）

因此，在闭环控制这一高度依赖精确反馈与连续调节的场景中，LLM并不能替代传统控制器。

三、但LLM可以成为“优秀的工程师”

然而，当我们改变思路，让AI不再直接控制系统，而是去调节控制器参数时，结果发生了显著变化。

在LLM–PID混合控制模式下：

1.       上升时间显著缩短

2.       超调降低至约2%

3.       稳态误差接近于零

整体性能优于传统PID和自动整定PID。

这说明：AI并不适合作为“执行者”，但非常适合作为“决策者”。

换句话说：

LLM更像一个工程师，而不是一个控制器。

它擅长理解趋势、判断方向、提出调整建议，但不适合直接生成连续控制信号。

四、真正的挑战：当系统出错时

如果说正常工况下的表现令人鼓舞，那么在故障条件下，问题才真正显现。

我们引入了两类典型工业问题：

1. 传感器偏差（Bias）

当测量值突然偏高时，所有控制器（包括AI）都会“被误导”。

系统最终稳定在错误的物理状态（约8米），因为控制器始终在追踪“错误的测量值”。

没有任何一个控制策略能够识别这一问题。

2. 传感器漂移（Drift）

更极端的情况是传感器逐渐漂移。

在这种情况下，所有控制系统最终都会将水箱放空，并且无法恢复。

特别值得注意的是，LLM–PID控制器在后期出现了剧烈波动，表现出明显的不稳定行为。

这一结果非常关键：

AI并不会自动提升系统的安全性。

在某些情况下，它甚至会放大问题。

五、这项研究真正回答了什么？

这项工作的价值，并不在于证明“AI更好”，而在于澄清了三个关键认知。

第一，LLM无法替代控制理论

控制系统本质是一个数学问题，而LLM本质是一个语言问题。

两者的核心机制完全不同：

1.       控制系统依赖连续反馈与数值稳定

2.       LLM依赖概率生成与语义推理

因此，它们不能直接互换。

第二，AI的正确位置是“监督层”

最有效的架构是：AI（高层决策） + 控制器（底层执行）

这与现实工业系统高度一致：

1.       工程师负责决策与调参

2.       控制器负责执行与稳定

LLM恰好可以扮演“数字工程师”的角色。

第三，AI并不具备“安全意识”

在所有故障场景中，AI与传统控制器一样：

1.       无法识别错误数据

2.       无法区分真实与虚假状态

3.       无法主动纠正系统偏差

这说明：

AI的“智能”并不等同于“安全”。

六、一个更深层的问题：AI真的理解系统吗？

从实验结果来看，大语言模型可以：

1.       描述系统

2.       推测趋势

3.       给出合理建议

但它并不能真正“理解”物理系统。

它所做的，本质上是：

基于经验的语言推理，而非基于物理的状态认知。

七、AI进入工业的正确路径

这项研究最终指向一个非常清晰的结论：

我们不应该让AI取代控制系统，而应该让它增强控制系统。

不应采用的路径是：

1.       用AI直接控制过程

2.       用语言模型替代控制器

而更合理的方向是：

1.       用AI进行参数调优

2.       用AI进行异常解释

3.       用AI辅助安全决策

八、结语

这项实验回答了一个看似简单的问题，但其意义远不止于一个水箱系统。

它揭示了：AI在工程系统中的边界在哪里。

在这个意义上，我们或许可以用一句话总结：

大语言模型不是控制器，而是工程师。

本文基于作者以下论文改写：

Wen, H., Roberts, J., Zaidi, A., & McLeod, A. (2026). An Experiment of Using a Large Language Model to Control a Water Tank System. Computers & Chemical Engineering, 109656. https://doi.org/10.1016/J.COMPCHEMENG.2026.109656