【原创】RDMi重磅发布TRIZAI,破解AI解决不了企业实际技术难题痛点,构建技术创新新路线图

RDMi®其他关于AI与方法论的原创文章

【原创】RDMi®推出TRIZAI：用TRIZ之法，御AI之能，重构工程创新新范式

原创 | 告别“AI万能” 论：精准拆题才是关键 – 工程师的创新方法论赋能之路

[原创]ChatGPT来了，哪些TRIZ工具过时了？哪些工TRIZ具可以使ChatGPT更有效？二者如何融合？

作者：孙永伟 博士

TRIZ五级大师、 DFSS黑带大师

    AI在很多领域都获得了广泛的应用，例如早在1997年在象棋方面就超过了人类，当前在自然语言处理（对话、翻译、写作、编程）、科学研究（蛋白质结构预测、材料与分子、数学推理）、生成式内容创作（图像、视频、音乐）、游戏与博弈（围棋、星际/扑克、通用游戏AI）等领域也都获得了广泛的应用。这些领域普遍具有1）可被学习，可重复， 2）存在明确的规则即可被模型化（符号化），3）海量历史数据等特点。

    在企业研发中，解决某些具体技术问题的时候，AI技术的应用本应成为提升效率、突破瓶颈的重要助力，AI所擅长的以上特点，在工程师解决具体技术问题的时候均不具备，所以常常陷入“看似有用、实则低效”的困境。结合RDMi^®（国际研发方法协会）团队指导众多企业解决技术难题的经验，常规AI应用于解决工程问题时，存在五大典型痛点，这些痛点制约了AI在工程领域的落地价值。本文将逐一剖析这些痛点的深层次原因，提出RDMi^®针对性解决方案，并梳理TRIZAI的落地路线图，为工程领域AI创新应用提供可行路径。

一、常规AI应用于工程问题的五大痛点表象

    常规AI在解决工程实际问题时，核心痛点表象集中在“不实用、不落地、不精准”，具体可归纳为以下五点，也是工程技术领域实践中最常遇到的共性问题：

1.AI生成方案多为行业已知，对实际问题解决价值有限

2.AI给出的新颖方案无法真正落地，实际上并不可行

3.方案过于空泛、笼统，缺乏具体可操作细节，难以直接应用

4.AI所解决可能不是真正的问题

5.无法区分问题的手段与目的，方案偏离真正需求

二、常规AI工程应用痛点逐一分析及RDMi^®解决方案

    常规AI之所以出现上述痛点，核心根源在于其“脱离实际工程场景、缺乏专业知识引导、无法了解系统约束条件”。针对每一个痛点，RDMi^®结合TRIZ理论与工程实践经验，提出针对性解决方案，实现AI与工程问题的精准匹配。

以上为RDMi^®为多家企业解决了实际问题实际问题后，所形成的路线图

（一）痛点一：AI生成方案多为行业已知，对实际问题解决价值有限

【痛点分析】常规AI生成的工程方案，大多是行业内已有的成熟技术，这些方案工程师本身已经掌握，无法为问题解决提供新的思路，也难以突破现有技术瓶颈。核心原因有，1）常规AI只能分析到工程师们已经掌握的表面问题，并没有挖掘出工程系统中隐藏的深层次问题，局限于解决已知问题，自然无法生成“新的解决方案”。2）常规AI无法有效地转换问题，也是无法突破工程师已有认知、难以生成新的解决方案的重要原因——AI无法对工程师提出的原始问题进行有效转换，只局限于工程师已有认知范围内的问题，自然也就不会产生突破工程师已有认知的方案。

【RDMi^®解决方案】RDMi^®不仅依托现代TRIZ理论中的因果链分析破解常规AI无法挖掘深层次问题的痛点，更提供了丰富的转换问题工具，助力突破工程师已有认知，促进“新方案”的生成。其中，剪裁工具可通过去除系统中的某些组件（甚至是核心组件），产生新的问题场景，实现问题的有效转换；项目目标的再定义工具可重新梳理项目核心诉求，跳出原有认知局限，重构问题方向；掌握因果链分析的工程师更能引导AI深入拆解工程问题，层层追溯深层次原因，挖掘出工程师们尚未掌握的深层次问题。这些工具协同作用，打破“仅基于已知问题生成已知方案”的局限，推动AI生成突破工程师已有认知的创新方案。

【核心工具】剪裁（装置和过程）、项目目标再定义（顶层缺点的识别）、因果链分析

（二）痛点二：新颖方案无法真正落地，实际上不可行

【痛点分析】部分AI会生成一些新颖的方案，但这些方案往往脱离工程实际，存在诸多落地障碍——或忽略工程系统的约束条件（如成本、材料、施工规范），或与现有系统无法兼容，或实施难度过大。核心原因在于，1）任何一个工程系统或子系统或零部件所包含的信息本质上是无限的，但工程师在向AI描述问题、录入信息时，仅能提炼出自己认为有必要的有限信息，大量与约束相关的隐性信息、深层次信息被遗漏；而常规AI无法主动挖掘这些遗漏信息，仅能基于工程师提供的有限信息生成方案，自然无法识别和适配工程系统的全部约束，最终导致方案难以落地。2）AI引用的数据源存在明显缺陷也是重要原因：AI还常引用一些专业文献例如发表的文章或者专利，但这些文献很多都是在某一个方面，或者某一些指标上有突破，存在的次级问题可能没有解决，也不具备工程价值等等，例如专利被真正实施的比例非常低，据统计一般少于5%；加之AI引用不可靠的数据源易产生AI幻觉，导致生成的方案看似头头是道，实则经不起工程实践的推敲，进一步加剧了方案落地难的问题。3）更为关键的是，方案落地过程中会产生新的矛盾的，这些矛盾往往是常规AI无法识别的，而这也成为方案落地的核心阻碍，可以依托经典TRIZ理论深入剖析。

【RDMi^®解决方案】结合RDMi^®中的功能分析与因果链分析，破解“信息有限”与“约束无限”的矛盾，同时针对数据源缺陷及AI幻觉问题，引入针对性解决路径，更依托TRIZ理论破解方案落地过程中的矛盾阻碍。1）在AI生成方案前，依托RDMi^®功能分析对功能定义的严格要求，引导工程师系统、全面地拆解工程系统、梳理组件关系、明确工作原理，帮助工程师跳出“主观判断”的局限；2）通过因果链分析，引导工程师挖掘与问题相关的深层次信息，从工程系统的“无限信息”中，精准提炼出与问题核心相关的关键信息和约束条件，再由工程师将这些信息（含成本上限、材料限制、施工环境、现有系统参数等核心约束）转化为AI可识别的模型。3）采用基于功效的搜索（功能导向搜索）突破数据源瓶颈，不仅将搜索范围局限于落地性差的专利库：通过精准定义工程问题，将其转化为精准的功效模型，再借助AI扩大搜索范围，检索其他领域应用非常成熟的产品或技术。由于这些技术已在实际场景中获得成功运用，可直接移植到当前工程问题中，大幅提升方案的可落地性，从根源上规避AI幻觉带来的隐患。4）针对方案落地过程中出现的新矛盾，TRIZ理论将再次深入分析这些新问题的深层次原因，生成针对性解决方案；同时运用TRIZ物理矛盾及对应解决方法（如分离原理、替代原理等），精准破解阻碍方案落地的核心矛盾（如“成本控制”与“性能达标”“实施便捷”与“效果稳定”的矛盾），确保方案能够顺利落地执行。

【核心工具】功能分析、因果链分析、基于功效的搜索（功能导向搜索）、物理矛盾及解决方法

（三）痛点三：方案过于空泛、笼统，缺乏可操作细节

【痛点分析】常规AI给出的方案多为笼统的建议，如“优化材料性能”“调整产品形状”“增加密封强度”等，工程师在看到这些非常缺乏细节的信息后，还是无从下手，所以这些方案无法直接应用于工程实践。核心症结在于：1）泛泛的方案源于泛泛的问题——工程师提出的问题本身不够具体，例如仅笼统指出“设计不当”，对应的解决方案便是“调整设计”；若将原因归结为“某材料的性能差”，解决方案必然是“提升材料性能”。这种解决方案从逻辑上看是正确的，但实际上无法落地执行，毫无实际价值。2）常规AI本身无法将笼统的问题拆解为具体的工程细节，缺乏更加详细的信息，例如应用场景、具体结构、操作习惯等，更无法挖掘出系统具体参数层级的细节，只能顺着工程师提出的泛泛问题，给出这类“正确却无用”的泛泛方案，最终导致方案缺乏深度，只能流于表面，无法为工程实践提供有效支撑。

【RDMi^®解决方案】依托RDMi^®TRIZ的因果链分析方法，从根源上解决方案泛泛的问题。首先，通过RDMi^®系统拆解方法，将笼统的工程问题拆解为具体的深层次问题（如系统拆解、组件分析、功能建模等），引导AI聚焦具体深层次问题生成细节方案；同时，借助RDMi^® TRIZ中的因果链分析方法，将深层次原因细化到参数级别，例如不再简单归结为“设计不当”，而是精准定位到“某零件的某参数过长”“某组件装配间隙过大”等具体参数问题，让AI明确方案的核心指向。

【核心工具】系统拆解、组件分析、功能建模、因果链分析

（四）痛点四：AI解决的可能并不是真正的问题

【痛点分析】常规AI往往基于自身固有认知和通用知识生成方案，并未深入了解具体工程系统的实际运行状态、结构细节及应用场景，导致生成的方案所解决的问题，在实际工程系统中并不存在。核心原因在于，工程系统千差万别，即便是同一公司生产的同类型产品，也可能存在上百种不同设计——例如同样都是空调，不同型号的空调在结构设计、组件配置上可能差异显著，某一款空调中存在的特定结构，在另一款空调中可能完全不同甚至完全不存在。常规AI在不了解具体产品的具体结构、组件配置以及具体应用场景等关键条件时，无法精准识别该系统的核心问题，自然也就无法提出贴合实际的解决方案，最终出现“方案解决的问题不存在”的尴尬。

【RDMi^®解决方案】运用现代TRIZ理论工具破解AI对具体工程系统认知不足的痛点。在AI介入前，通过RDMi^®认知系统流程，由工程师对工程系统进行全面拆解，其中核心功能分析可精准分拆出工程系统的组件，以及各组件之间的功能关联；若分析的对象是工艺、过程类系统，则可将其拆解成为具体的工序或工步，通过这种精细化拆解，就可以深入理解具体工程系统的非常具体的细节，理解实际问题所在。同时，依托RDMi^®现代TRIZ理论中的因果链分析等工具，进一步深挖工程系统的细节，精准梳理具体产品的结构差异、应用场景等关键信息，打破通用模板的局限，将这些贴合具体系统的细节信息转化为AI可识别的模型。AI生成方案前，先对方案所针对的问题进行验证，确认该问题在实际工程系统中真实存在、且属于核心待解决问题；对于不存在的问题，则引导AI自动放弃求解，引导工程师重新聚焦核心问题，确保方案精准贴合具体工程系统。

【核心工具】功能分析、因果链分析

（五）痛点五：无法区分手段与目的，方案偏离真正需求

【痛点分析】常规AI往往混淆问题的“手段”与“目的”，导致方案偏离核心需求。如“笔记本电脑噪声大”问题，客户的核心目的是解决噪声投诉，而AI可能误将“降低风扇噪声”作为核心目的，生成仅优化风扇的方案，忽略了“通过其他手段提升散热效率降低噪声”这一技术路径。再如航天领域的某个故事，需要“开发能够在太空写字的圆珠笔”，项目团队陷入了“花大价钱研发太空圆珠笔”的误区，实际上“太空圆珠笔”是“写字”手段，而非目的，无需开发太空圆珠笔，采用“铅笔”这一更简洁的替代手段即可实现需求。很明显，常规AI自身缺乏对问题的深度分析，无法识别问题的真实目的，仅能依靠工程师的“错误的”提问生成“错误的”方案，最终导致方案偏离真实需求、实用性不足。

【RDMi^®解决方案】采用“项目目标再定义（顶层缺点识别）+因果链分析”的方法。通过RDMi^®项目目标再定义，帮助AI明确项目的真正目标（如“解决噪声投诉”而非“降低风扇噪声”），区分手段与目的；结合因果链分析工具，深入挖掘问题的深层次问题，而非停留在表面，引导AI围绕真正目标生成多元化方案；然后，由工程师对方案进行审核，确保方案始终围绕核心需求，避免偏离方向。

【核心工具】项目目标再定义（顶层缺点的识别）、因果链分析

三、TRIZAI路线图（基于RDMi^®实践共识）

    基于以上的痛点及结合RDMi^®在解决实际问题方面的方法论优势，RDMi^®团队梳理出TRIZAI的落地路线图，基本思路是在RDMi^®现代TRIZ理论的引导下，充分发挥工程师与AI各自的能力，同时精准补足工程师和AI应用的短板，实现二者有机协同、赋能工程创新。需要重点强调的是，它是基于AI解决企业实际问题能力不足、破局常规AI产生的技术方案不落地的痛点，这并非工程师、AI与现代TRIZ的简单叠加组合，而是三者发挥各自优势的深度协同体系——在RDMi^®现代TRIZ的科学引导下，工程师可精准提出关键工程问题，并将其转化为AI能够高效处理的模型化问题；在此基础上，AI得以充分发挥自身强大的知识库调用、海量数据库处理优势，高效输出创意方案。同时，现代TRIZ可弥补工程师个人知识局限的短板，AI则避开其“问题不精准则无法有效发挥作用”的劣势，三者形成互补共生的格局。RDMi^®的TRIZAI路线图分为四大阶段，各阶段均有工具支撑，衔接有序、逻辑性强，通过这种精准引导、各展所长的模式，确保TRIZAI能够真正服务于企业实际问题的解决。

第一阶段：认知系统——夯实问题基础（核心：让AI“懂系统”）

    本阶段的核心目标是精准破解AI“不了解实际工程场景、无法精准对接工程需求”的痛点，为后续方案生成筑牢坚实基础，具体实施步骤如下：

    1.初步问题描述：工程师依托自身对工程系统实际情况的深入掌握，精准描述系统中需解决的具体工程问题。为确保问题信息完整、精准、无歧义，描述过程中可采用5W2H框架进行规范表述，具体要求如下：1）Why（为什么做）：明确解决该工程问题的核心价值，且需与企业商业价值紧密挂钩，凸显问题解决的实际意义与价值；2）What（解决什么问题）：清晰界定需解决的具体工程问题本身，杜绝模糊化、笼统化表述，为后续各环节分析工作打基础；3）When（何时发生）：明确问题出现的具体时间节点、频次规律，为精准追溯问题成因、排查影响因素提供支撑；4）Where（何地发生）：明确问题发生的具体部位、工序流程或应用场景；5）Who（相关人员）：明确与该工程问题相关的责任主体、执行人员及关联岗位，为后续组建项目团队、明确分工协作奠定基础；6）How（如何工作）：详细阐述工程系统的核心工作原理、运行流程；7）How much（程度/数量）：明确问题的影响范围、严重程度及量化指标，为后续方案制定、效果评估提供量化参考。通过上述规范化描述，为后续系统拆解、原因分析等工作筑牢基础，避免后续工作偏离方向。

    2.确定约束条件与项目边界：全面梳理工程系统的核心约束条件，涵盖成本控制标准、材料规格要求、施工工艺规范、现有系统兼容参数等内容，明确项目的边界与可实现范围，避免AI生成超出实际需求、无法落地的方案，确保后续AI的工作始终在合理边界内推进，从源头规避方案与工程实际脱节、难以落地的隐患。

    3.系统拆解：采用RDMi^®系统拆解方法，结合工程系统的实际类型（装置类或过程类），对整体工程系统进行分层拆解。若为装置类项目，将按照RDMi^®装置的拆解规则，逐层拆分至具体组件，明确各组件的定位与关联；若为过程类项目，则依据RDMi^®过程的拆解规则，拆分至具体工序或工步，确保拆解结果贴合工程实际、便于后续分析。

    4.功能分析：结合工程系统的类型（装置类或过程类）构建精准功能模型。若为装置类系统，重点分析各组件间的接触关系与功能，搭建完整的装置功能模型；若为过程类系统，则针对上一步拆解的工序逐一开展功能分析，建立对应功能模型。依托现代TRIZ理论对功能定义的严格要求，可精准界定系统中各环节的功能，清晰呈现工程系统的运行逻辑，帮助工程师精准、全面、深入掌握工程系统的工作原理，为后续深入分析打下坚实基础，避免因工程师对问题分析不深入而导致提问不精准，最终使AI无法充分发挥其优势。

第二阶段：目标重构与问题转换——引导AI“找对方向”

    本阶段的目的是解决“分不清手段与目的、找不对项目的真正问题”的痛点，引导AI聚焦核心需求，同时通过剪裁实现问题转换、通过目标重构明确核心方向、通过因果链分析深挖问题根源，具体步骤包括：

    1.剪裁：剪裁并非简单去除工程师易发现的冗余组件或工序，而是针对工作系统中的问题组件或工序——它们可能是系统核心组件/工序，但存在成本过高、易损坏、需要频繁维护等现实问题。将这类组件/工序去除后，必然会带来新的问题，而工程师们需要解决的正是这些新产生出来的问题，进而达到转换问题的目的，跳出原有问题的框架局限，为运用AI产生创新方案创造空间；

    2.目标重构：我们在系统中发现的问题，未必是真正需要解决的问题，最初设定的项目目标也未必是真正的项目目标。因此，需通过目标重构流程，区分手段与目的，重新梳理并明确工程问题的真正目的，避免AI偏离真实需求，为后续问题分析和方案生成找准方向；

    3.因果链分析：在重新确定项目目标后，需深入分析系统中存在的问题，重点挖掘那些阻碍目标实现的深层次原因，这个过程需借助AI强大的知识库优势，同时实现工程师与AI的深度结合、优势互补。具体来说，工程师熟悉企业产品的实际情况，对具体问题的细节（如产品具体结构、实际应用场景、操作习惯等）了解得非常清楚，这是AI目前无法替代的；但工程师的知识存在局限性，难以做到包罗万象、掌握所有相关知识，而AI则具备强大的知识库，能够快速检索、挖掘各类相关信息，助力找到深层次原因。因此，本阶段需将二者结合，由工程师提供具体的产品细节、场景信息，引导AI聚焦核心，再借助AI的知识库优势，层层追溯原因，梳理出问题的层级关系，避免AI仅针对表面问题或者已熟知的原因生成方案，同时弥补工程师知识储备的不足。最后，再由工程师根据系统的实际情况选择适用于自己的原因。例如，工程师定位某零部件失效的原因是摩擦力过大，这是AI无法知道的，但对于摩擦力过大的原因，工程师由于知识的限制仅能列出少数的几条原因，与AI强大的知识库无法相提并论。AI列出原因后，工程师又会根据实际情况判断这些原因在本系统中是否存在。这样，工程师就能把AI强大的知识库应用于真实的项目分析之中，充分发挥了二者的优势。

    4.关键问题汇总：经过前面的剪裁、目标重构及因果链分析，我们会挖掘出阻碍项目目标实现的诸多深层次原因。这些原因与第一阶段中的没有经过深入分析的问题有着非常大的差异，第一阶段中的问题非常模糊，而且数量也不多，但经过了一系列分析后，问题定义得非常清晰、精确，而且数量很多，少则数十，多则数百甚至数以千计。消除数量庞大并且非常精准的某个或某些原因，就能达到或部分达到项目目标，而这些原因本身，也正是我们未来运用AI、结合TRIZ理论解决问题的方向。因此，需将这些关键原因对应的待解决问题进行汇总，形成被定义得非常清准的问题清单，引导AI逐一聚焦、精准突破。

第三阶段：创意生成——实现AI“能创新”

    本阶段的核心目标是解决AI“方案不创新、不落地”的痛点，且经过前两个阶段的系统认知、目标重构与问题转换后，我们已得到数量庞大的精准问题，这个阶段也非常适合运用AI的优势来高效生成方案，最终让AI产生兼具创新性和可操作性的解决方案，具体步骤包括：

    1.模型化转换：将前面识别出来的精准核心问题，转化为AI容易处理的模型，这些模型不受限于经典TRIZ的模型，可根据工程实际需求灵活选择，比如可以是某个具体的参数、某种特定性能的材料、某类加工方法等；当然，也可以转化为TRIZ理论中的经典模型，如功效模型（或功能化模型）、物理矛盾模型、物场模型等，后续可运用TRIZ理论工具针对性解决问题。

    2.AI创意生成：这是AI最为擅长的部分，核心是运用AI强大的知识库调用、海量数据处理等功能，针对前面分析出来的精准问题模型，高效产生多元化解决方案；同时，可嵌入TRIZ创新工具（如基于功效的搜索（功能导向搜索）、标准解、发明原理、科学效应库等），借助TRIZ理论的专业逻辑，进一步提升方案的创新性与针对性，助力突破技术瓶颈。但在本步中，充分运用AI是关键，TRIZ工具只起辅助作用。

第四阶段：落地迭代——实现方案可落地、可复用

    本阶段的核心目标是推动TRIZAI方案从“创意设想”落地到“工程实践”，依托工程师与AI的深度协同，形成“生成-评估-优化-落地-迭代”的完整闭环，确保方案兼具可操作性、经济性和可复用性，同时实现技术的规模化应用，最大化发挥TRIZAI的实际价值，具体步骤包括：

    1.现有产品或技术搜索：利用AI强大的搜索优势，检索目前已存在的、应用成熟的产品或技术，这类产品或技术经过实际场景验证，可直接购买引入，快速解决当前工程问题，大幅提升方案落地效率，大大降低研发与实施成本。

    2.方案筛选与优化：本环节需以工程师为核心。AI生成解决方案后，由于AI并不清楚项目中的具体约束条件，因此需要工程师结合工程实际情况和各类约束条件（如成本、材料、施工规范、产品具体结构、应用场景等），对AI生成的方案及检索到的成熟产品/技术方案进行全面评估与筛选，剔除无效、不落地、不符合实际需求的方案。同时，工程师需根据项目实际需求，对AI生成的可行方案进行进一步细化，补充具体的操作步骤、参数设置、适配调整等细节，弥补AI对项目具体情况不了解的短板，确保优化后的方案既贴合实际、可落地，又具备可操作性。另外，还可以结合企业的实际情况，将产生的众多解决方案进行分类，如可实施类、可专利类、保密类、可公开类、可储备类等。

    3.矛盾的解决：若搜索出来的方案或AI生成的方案中存在矛盾，可通过三种方式解决：一是运用AI搜索出解决同类矛盾的方案，快速匹配适配方案；二是运用经典TRIZ理论中解决矛盾的方法，特别是解决物理矛盾的方法，运用分离、满足、绕过或科学效应库等工具加以解决；三是借助TRIZ理论中提供的分析问题、解决问题的工具，深入剖析矛盾的深层次原因，针对性破解矛盾，确保方案能够顺利落地。

    4.反馈迭代、知识库更新与规模化复制：收集工程实践中的问题与反馈，调整AI算法、优化约束条件、丰富知识库，同时将落地过程中的成功经验、失败案例及优化思路补充到RDMi^®知识库，提升AI后续方案生成的精准度，并将成熟的TRIZAI模式复制到同类工程问题中，实现AI赋能工程创新的规模化。

四、工程师与AI在各个环节中的贡献及TRIZ工具的角色

    为清晰呈现TRIZAI落地路线图各阶段中，工程师、AI与TRIZ工具的分工配合及核心贡献，明确三者在不同环节的角色定位与协作逻辑，特整理以下表格，系统梳理各阶段具体步骤中三者的作用与配合方式，为工程问题解决实践中的协同应用提供明确参考。

五、总结

    RDMi^®提出的TRIZAI，成功克服了常规AI工具在其他领域应用成功，但在解决工程技术领域落地难、不精准、不实用的痛点。本文围绕AI无法有效解决工程实际问题、难以生成可落地解决方案这一痛点，进行了深入探讨与实践梳理。需要重点强调的是，缺少TRIZ等先进方法论的引导，工程师的优势与AI的优势都无法得到有效发挥——工程师虽精通工程实际、掌握核心细节，但知识储备有限；AI虽具备海量数据处理和创意生成能力，却无法精准贴合工程场景，若强行让工程师承担AI创意生成工作，或让AI掌控工程实际细节，无异于让鱼去爬树，唯有让二者在各自擅长的领域发挥作用，才能实现优势互补。而TRIZAI的核心价值，正是在RDMi^®现代TRIZ方法论的科学引导下，充分发挥工程师对工程实际的掌控优势，以及AI在知识库调用、海量数据处理、创意生成上的优势，让二者相互弥补短板、深度协同，既规避了AI脱离实际的弊端，又突破了工程师知识边界的局限，最终为工程创新提供高效、精准、可落地的解决方案，推动工程领域的创新升级。

1、欢迎帮助转发、点赞及评论，让更多人了解先进的方法论，提高创新能力。

2、在写本文的过程中，本文收到了RDMi^®多位TRIZ三级、四级专家的启发、反馈和建议，指出了本文中的大量不妥之处，在此深表感谢。

3、作者水平有限，不妥之处，欢迎各位留言讨论、指正。

作者简介：

  RDMi^®（International Research and Development Methodologies Institute，国际研发方法协会）由全球最高级别的TRIZ大师（五级）、DFSS黑带大师领衔，以长期在企业研发创新一线且实战经验丰富的方法论专家为骨干，致力于把全球领先企业在创新活动中起到关键作用的先进方法论进行研究、提炼、融合、创新，并加以推广，指导企业务实解决问题，运用多种先进方法论全面提升企业的可落地创新能力，缩短研发项目交付时间，提高产品和服务的质量。

  RDMi^®服务范围辐射全国，合作伙伴覆盖汽车、能源、化工、材料、计算机、网络、航天、航空、人工智能、饲料、高校及政府项目等众多领域，为追求卓越的企事业单位提供包括但不限于TRIZ（发明问题解决理论）、专利战略、技术创新降本方法、DoE（实验设计）、软件创新解决方法、管理流程创新方法、CTQ Flowdown（客户需求全面挖掘）、DFSS（六西格玛设计）、FMEA（潜在失效模式及后果分析）等多种创新方法，指导企业解决实际问题，解决企业创新过程中遇到的不同类型的挑战，其中多种方法为RDMi^®独创。

  截至目前RDMi^®已为数百家企事业单位及高校提供了创新方法培训及项目辅导服务，产生了巨大的社会、经济效益。数以万计的不同行业人员通过RDMi^®提供的培训、咨询服务，了解、学习和深度使用了TRIZ、DFSS、专利战略及DoE等各类创新方法，极大提升了个人工作能力，进而增强了企业的综合创新能力。

相关链接：

RDMI®公众号

研发方法公众号

研发方法视频号