AI 写代码早就不新鲜了，但 PLC 是个例外。PLC 控制的是产线、设备、阀门、电梯和安全联锁——"代码看着对"根本不算交付，程序必须能编译、能在实时运行环境里行为正确、异常场景下不能出错、还得让现场工程师看得懂。
上海交通大学联合 Sema 研究团队发布的 SemaPLC，就是冲着这道坎去的：把编译、部署运行、变量读写、行为验证、过程仿真这一整套工程闭环搬进浏览器，并用「验证门控」约束 Agent——任务完成与否不由模型自己说了算，而是由外部检查（规范、编译、真实运行环境中的行为）来裁决。一句话概括：AI 写 PLC 代码从「能生成」升级到了「可交付」。
为什么 PLC 是 AI 编程最难啃的领域
大模型用自然语言生成 PLC 程序已经相当靠谱：描述一个电机启停逻辑、一套水箱液位控制、一个四层电梯控制器，模型就能给出符合 IEC 61131-3 标准的结构化文本（ST）代码。难的是生成之后的一切。
PLC 程序不是跑在服务器上的网页服务，它物理控制着产线。它必须嵌进一个既有项目，处理共享变量、时序约束和具体硬件接口。孤立编译通过不代表能集成，集成了不代表运行时正确，正常工况正确不代表故障时安全。在工业自动化里，"看起来对"不是质量线，而是问题的开始。
SemaPLC 怎么做：Agent 即工程闭环
SemaPLC 的架构思路很直白：把 AI Agent 与 PLC 工程工具链解耦，工具链以套件形式提供——编译、部署运行、变量读写（含强制）、轨迹记录、行为验证、仿真生成。工程师在浏览器 WebIDE 里完成需求输入、代码查看、梯形图阅读、变量监控，全部集中在一个窗口。
最关键的机制是验证门控：Agent 不觉得自己"写完了"就算完，只有外部检查确认通过才宣布完成。模型负责提议，工具链负责裁决。
数据也撑得起这个设计：在 117 个独立 POU 任务上（与现有基准对齐），SemaPLC 在全部 7 个测试模型上都拿到最高严格验证通过率，平均 72.6%，领先 Agents4PLC、AutoPLC 等主流基线近 9 个百分点；在更难的 65 个真实项目上下文任务里，集成编译、静态行为、动态行为三项均列第一。
最值得看的发现是静态与动态的落差：基线方法静态分析能拿 70% 左右，一旦把同一份代码放进实时运行环境，直接掉到 20–30%；SemaPLC 的动态可靠性平均仍有 52.2%——因为它的门槛就是运行时行为本身。论文的结论很干脆：动态运行时验证，才是衡量生成代码真实可靠性的最有效标尺。
可复用的模式：验证门控式编程
把 SemaPLC 放远一点看，它是同一类模式的具体样本。主流 AI 编程目前本质是"规模化的自动补全"：模型生成、人来看、最好的情况有 CI 跑测试。普通软件用测试当正确性的代理就够了；控制逻辑不行，门槛必须是真实运行时——把生成逻辑与参考逻辑部署上去对比执行轨迹。
这就像自信的副驾驶和飞行检查单的区别：让飞机安全落地的是检查单，不是副驾驶的自信。验证门控式 Agent 把检查单当真相源，模型只是可以随时换掉的提议引擎。这也解释了"小参数模型也能高通过率"为什么不是悖论：当外部回路负责验收，模型大小就不再是决定性变量——带验证回路的小模型，能拿到没有回路的大模型拿不到的通过率，成本还低一个量级。
产业含义
工业自动化一直是 AI 编程最难落地的领域，原因很直白：失效成本是物理性的。网页应用里一个幻觉函数是 bug，安全回路里一个幻觉联锁就是事故。验证门控改变了这个风险等式——这比 PLC 这个具体领域更重要。
同样的逻辑会外溢到嵌入式、航空、医疗器械、金融对账：任何"必须被证明、而不只是看起来合理"的代码场景。AI 辅助工程的瓶颈正在从生成质量转向验证基础设施——谁能低成本、持续地构建测试 AI 输出的回路，谁就拿到了护城河——芯片设计领域已出现首个通过工程级验收的 Level 5 AI 工程师（Cadence ChipStack），同一逻辑正在更多硬核工程领域复制。这也是工具公司的机会，不只是模型实验室的。
还有一层普惠意义：如果验证回路能让小模型通过工程级验收，那么没有前沿模型预算的中型集成商和工厂团队，也能用上 AI 辅助工程——这与机器人量产卡在万台关口的症结同源：缺的不是模型，而是把 AI 输出变成可靠交付物的验证基建。评测标准也会跟着进步——报告动态通过率、而不是静态分数的基准，才真正预测现场表现。
可以立刻做的事
- 自动化工程师：自然语言起草 ST 代码可以试了，但任何 AI 输出都必须过编译、运行轨迹验证和异常场景仿真再合入——生成的是草稿，验证过的才是交付物。
- 平台团队：把编译、运行时轨迹、仿真这些验证门做成一级公民，而不是事后插件。模型可以换，回路才是壁垒。
- 选型采购：评估工业 AI 编码工具时，直接要真实项目上的动态验证通过率。演示视频不是证据。
- 研究者/爱好者：SemaPLC 论文（arXiv 2608.18565）和基准值得读；浏览器里的 PLC 仿真本身也是培训新工程师的安全训练场，与 Veeda 的机器人虚拟训练场 同属仿真验证基建。
结论一句话：AI 编码的下一站不是更聪明的生成，而是把模型提议与现实验收之间的回路闭合。SemaPLC 用一组扎实的测量证明——杠杆在回路，不在模型。
