机器学习（ML）与网络物理系统（CPS）的整合已彻底改变了各个部门，包括转移，物流，服务行业和医疗保健，以及自动驾驶汽车等创新（Waymo [63]，Tesla Autopilot [56] 70]）和机器人手术（Da Vinci [15]，Ma-Zor [43]，Mako [42]）。然而，这些进步引起了严重的安全问题，报道的事件发生了死亡和经济损失[25，47，53，61]。解决这些问题需要严格的验证和阀门，由于基于学习的CP的复杂性，带来了独特的挑战。这些系统结合了诸如感知和计划之类的关键机器学习组件，如在Au的驾驶中所示，使它们与传统软件系统明显不同。这种复杂性，涉及软件开发生命周期的范式转移以结合数据和学习，需要在验证和验证技术方面采用新颖的方法[3，54]。我们提出了最初的效果，以探索实用的测试策略，以实现验证和验证以学习为基础的CPS。鉴于CPS行业中测试的广泛使用以及有关该主题的最新文献的大量文献，这种重点特别重要。从针对学习的CPS的当前最新测试方法的摘要中，我们提出了一个路线图来形式化测试效果。更具体地，我们使用大型语言模型（LLM）从现有规则和法规中提取人类知识，并分析由学习支持的CPS生成或捕获的大量数据，包括传感器数据和日志。通过提取人类知识和分析数据，LLM可以对系统的行为有所了解，并产生大量现实和高质量的测试数据。随着这种提高的数据质量，采用数据驱动的学习来提取基本的正式规格变得可行。