核工程全生命周期AI综述：从单点演示到可信决策支持，需评估完整工作流而非仅预测模型

综述将AI在核工程中的应用组织为一条覆盖全生命周期的证据地图，包括核数据集与计算基础设施、代理模型与物理信息建模、数字孪生、监测与预测、生命周期应用、优化与控制以及可信AI等主题。 相对于聚焦单一演示或单一模型的研究，本文把分散的报道按生命周期阶段与能力类型归并，使读者能够看到AI在核领域被考察的整体范围。 基于对已报道研究的归纳性综述，文中以主题分类方式呈现证据，未给出统一的定量元分析。

综述归纳出学习类方法在核工程中的三类可报道能力：加速高保真计算、从多元测量中提取信息、以及在反应堆运行、维护、废物管理和环境评估中支持决策。 把此前分散在不同应用场景中的能力表述集中为可比较的三类功能，便于判断AI在何处已被考察、在何处仍属探索。 来自所引报道研究的综合陈述，文中未提供跨研究的统一效应量或性能汇总。

综述指出反复出现的局限：异常工况数据稀缺、仿真系统与物理系统之间存在差异、泛化能力不确定，以及对下游决策的评估不完整。 将这些局限作为跨应用反复出现的模式提出，而非个别研究的偶发问题，从而把讨论从模型精度转向部署条件。 基于多类应用报道的共性归纳，属于定性综合而非受控比较。

综述主张进展取决于评估完整的AI赋能工作流，而非仅评估预测模型，并提出代表性数据、独立测试、校准不确定度、物理与运行约束、模型可追溯性以及人类监督在影响安全相关决策时尤为重要。 把评估单元从模型扩展到端到端工作流，并列出与安全相关决策相匹配的具体要求，为后续研究设定评价框架。 属于作者基于所综述证据提出的论证性主张，文中以论述而非实验方式支持。

本文面向核工程领域的研究者、系统设计者与安全相关决策的评估者，适用于需要判断AI演示是否具备运行可用性的场景。其提出的评估要点——代表性数据、独立测试、校准不确定度、物理与运行约束、模型可追溯性、人类监督——针对的是输出会影响安全相关决策的环节。综述同时指出未来研究应把仿真、传感、数字孪生与不确定度感知的决策方法连接起来，并在真实运行条件变化下测试其表现，这为构建端到端验证流程提供了方向。

本文为综述性论述，未提供统一的定量比较，因此不同应用之间能力成熟度的相对高低仍需读者结合原始研究判断。异常工况数据稀缺与仿真—物理差异被列为反复出现的局限，但文中未给出这些局限在各类应用中影响程度的排序。此外，所综述的报道研究多以演示形式呈现，其在真实运行条件变化下的表现仍属开放问题，这也是作者提出未来研究应重点测试的方向。