今年以來，以“vibe coding”為代表的人機協(xié)同編碼范式在軟件工程領域迅速興起。國內(nèi)外AI大廠相繼推出了vibe coding產(chǎn)品，例如Claude Code、Codex和Qoder等，這股浪潮不僅是編程效率的提升，更預示著一種全新的創(chuàng)造力協(xié)作模式。
當目光從軟件工程投向系統(tǒng)工程領域，類似的深刻變革也將上演。在智能制造與系統(tǒng)工程的浪潮之巔，AI大模型（尤其是生成式AI）與MBSE（基于模型的系統(tǒng)工程）的深度融合，正預示著一場深刻的范式革命。傳統(tǒng)觀念將AI定位為“輔助工具”，在處理簡單、重復性任務時固然高效，卻已無法滿足當今復雜系統(tǒng)工程對深度、動態(tài)與創(chuàng)新的極致追求。
AI的角色正從被動的“輔助者”向主動的“協(xié)作者”演進。未來的工程師將與AI形成一種新型的伙伴關系，實現(xiàn)雙向共創(chuàng)。這一從“輔助”到“協(xié)作”的躍遷，是核心發(fā)展趨勢。它讓AI得以主動貢獻洞察、預測風險，并與人類的戰(zhàn)略思維、經(jīng)驗直覺形成優(yōu)勢互補，從而驅動MBSE全生命周期的智能化升級。
下文，我們將從MBSE的三大關鍵階段——需求分析、系統(tǒng)建模與驗證——詳細闡述AI的應用場景，并深入探討人機協(xié)作的實踐價值與面臨的挑戰(zhàn)。
01需求分析階段：從“自動捕獲”到“人機共創(chuàng)”
需求分析是MBSE的基石，傳統(tǒng)方法高度依賴人工，易受主觀偏見、知識局限和溝通遺漏的影響。如今，憑借強大的自然語言處理與推理能力，AI大模型正轉變?yōu)樾枨髨F隊中一位不可或缺的特殊“成員”。
AI的協(xié)作價值在于，它不僅能被動響應指令，更能主動參與討論，有望將需求分析的初步效率提升3倍以上。其核心目標，是推動需求模型從“完整”向“前瞻且可信”的質(zhì)變。
主動需求捕獲與初步構建
AI能高效解析海量非結構化數(shù)據(jù)（如客戶訪談、技術文檔、市場報告），自動提取關鍵需求元素，并生成初步的SysML需求圖。
協(xié)作場景：在智能工廠項目中，工程師輸入用戶愿景，AI不僅能解析出功能與非功能需求，還能主動關聯(lián)其知識庫中的外部趨勢（如“可持續(xù)發(fā)展”、“供應鏈韌性”），并提出擴展性建議。然而，AI的“理解”基于概率模式，而非真正的商業(yè)洞察，其建議可能缺乏對特定企業(yè)戰(zhàn)略或成本約束的考量。因此，人類工程師的經(jīng)驗判斷與業(yè)務上下文把握在此階段不可或缺，負責對AI的提議進行篩選、確認與深度整合。
需求驗證與一致性挑戰(zhàn)
AI通過語義分析，能快速檢測需求間的邏輯沖突、含糊表述或潛在矛盾。
協(xié)作場景：在航空系統(tǒng)工程中，AI可比對數(shù)千頁的安全法規(guī)與用戶需求，并主動提出質(zhì)疑：“您提出的成本約束，可能與AS9100標準的冗余安全要求存在沖突，請確認優(yōu)先級?！?nbsp;這里的挑戰(zhàn)在于AI的“黑箱”問題。為了讓工程師信任其判斷，可解釋性AI（XAI）至關重要，它必須能清晰展示其發(fā)現(xiàn)沖突的推理路徑，否則其建議將難以被采納。
需求生成與創(chuàng)新激發(fā)
基于海量數(shù)據(jù)訓練，AI能生成現(xiàn)有需求的多種變體或全新的功能概念，為團隊提供“頭腦風暴”的素材。
協(xié)作場景：在汽車MBSE會議中，AI可根據(jù)市場數(shù)據(jù)實時生成“集成V2X通信以優(yōu)化交通流量”或“增加基于駕駛員疲勞監(jiān)測的主動安全功能”等多個方案。AI在此扮演的是“靈感催化劑”，而非“創(chuàng)新決策者”。人類團隊則基于戰(zhàn)略、品牌定位和技術成熟度，選擇最有價值的方向進行深化。
02系統(tǒng)建模階段：從“靜態(tài)繪圖”到“動態(tài)演進”
建模是MBSE的核心，傳統(tǒng)手工繪制SysML圖表不僅耗時，且容易引入語法或邏輯錯誤。AI的介入，旨在將建模過程從一種“靜態(tài)的藝術創(chuàng)作”轉變?yōu)椤皠討B(tài)的科學探索”。
作為協(xié)作伙伴，AI有望將建模中的語法和規(guī)范性錯誤減少80%以上，并賦能多學科集成，但其最終價值取決于人類架構師的頂層設計與決策能力。
自動化模型草案生成
AI可根據(jù)自然語言描述的需求，直接生成SysML模型框架，如塊定義圖、狀態(tài)機圖等。
協(xié)作場景：工程師描述“設計一個智能溫控系統(tǒng)的架構”，AI迅速輸出包含傳感器、控制器、執(zhí)行器及其接口的初步模型草案。人類工程師的角色從“繪圖員”轉變?yōu)椤凹軜嫀煛焙汀霸u審者”，他們負責審查AI生成的草案，修正邏輯謬誤，并注入關鍵的、非顯性的設計思想。
跨域集成與知識橋接
在機電軟一體化的復雜系統(tǒng)中，AI能充當“知識翻譯官”，識別不同領域模型間的接口不匹配或物理約束沖突。
協(xié)作場景：在無人機項目中，軟件團隊和空氣動力學團隊各自輸入其模型，AI自動檢測出“軟件控制頻率與機翼響應延遲不匹配”的問題，并建議解決方案。這極大地降低了跨團隊協(xié)作的壁壘，但最終的集成策略仍需各領域專家共同確認。
03系統(tǒng)驗證階段：從“事后補救”到“事前預防與持續(xù)保障”
系統(tǒng)驗證與確認（V&V）是確保MBSE模型質(zhì)量的最后一道防線，傳統(tǒng)測試方法往往在開發(fā)后期介入，成本高昂且難以實現(xiàn)全覆蓋。AI的深度協(xié)作，旨在將驗證工作從被動的“事后補救”轉變?yōu)橹鲃拥摹笆虑邦A防”與全生命周期的“持續(xù)保障”。
作為“虛擬測試專家”，AI有望將測試用例的覆蓋率提升一個數(shù)量級，并智能預測潛在的系統(tǒng)失效風險，但其最終價值取決于人類驗證工程師對測試策略的頂層設計和對關鍵風險的最終裁決。
智能測試策略生成與場景探索
傳統(tǒng)測試依賴工程師的經(jīng)驗來設計用例，難免存在思維盲區(qū)。AI則能化身為不知疲倦的“探索者”，深度理解模型行為，并創(chuàng)造性地構建測試場景。
協(xié)作場景：工程師設定測試目標“驗證自動駕駛系統(tǒng)在城郊混合路況下的決策可靠性”，AI不僅生成“正常跟車、紅綠燈啟?！钡葮藴蕡鼍?，更能主動設計出“傳感器突然失效、網(wǎng)絡信號中斷、多種障礙物同時出現(xiàn)”等極端組合下的邊緣場景和失效模式。人類工程師的角色從“用例編寫員”轉變?yōu)椤皽y試策略師”，他們負責定義測試的邊界與目標，并評審AI生成的場景是否具有現(xiàn)實意義和測試價值。
自動化腳本生成與閉環(huán)驗證
測試的瓶頸之一在于將測試用例轉化為可執(zhí)行的腳本。AI能夠打通從“模型理解”到“仿真執(zhí)行”的鏈路，實現(xiàn)驗證的自動化閉環(huán)。
協(xié)作場景：針對AI生成的測試場景，工程師只需選擇目標仿真環(huán)境，AI即可根據(jù)預設模板，自動生成可在該環(huán)境中直接運行的測試腳本。當仿真結束后，AI還能初步分析測試結果，高亮顯示異常數(shù)據(jù)或潛在的系統(tǒng)缺陷。人類工程師則聚焦于分析根本原因、評估缺陷嚴重性，并做出“通過/不通過”的最終決策，將精力從重復性勞動中解放出來，投入到更高級的故障診斷與系統(tǒng)優(yōu)化工作中。
結語：擁抱人機協(xié)作的戰(zhàn)略轉型——機遇、挑戰(zhàn)與行動
AI賦能MBSE的本質(zhì)，是一場從“人主導、機輔助”到“人機深度協(xié)作”的戰(zhàn)略轉型。這不僅是技術趨勢，更是決定未來工程效率和創(chuàng)新能力的分水嶺。
企業(yè)若能成功將AI從工具提升為伙伴，將在這場變革中搶占先機；反之，固守傳統(tǒng)模式的企業(yè)將面臨被時代淘汰的風險。
為了穩(wěn)健地邁向這一未來，我們必須正視挑戰(zhàn)并采取行動：
重塑工程師角色
未來的系統(tǒng)工程師需要具備新的核心素養(yǎng)：
高質(zhì)量的提問能力：學會如何向AI提出精確、開放且富有洞察力的問題（即高級“Prompt Engineering”）。
批判性思維與決策力：從AI提供的海量方案中，甄別出最具戰(zhàn)略價值的選項。
系統(tǒng)思想與倫理觀：將精力更多地投入到頂層架構、跨域協(xié)同和系統(tǒng)的社會、倫理影響評估上。
構建協(xié)同基礎
投資于集成平臺，將AI能力（如通過API）無縫嵌入到現(xiàn)有的MBSE工具鏈中。同時，建立高質(zhì)量、結構化的數(shù)據(jù)資產(chǎn)，為AI的訓練和運行提供“養(yǎng)料”。
從試點開始，迭代前行
選擇一個邊界清晰的項目作為試點，在實踐中探索人機協(xié)作的最佳模式，培養(yǎng)團隊的協(xié)同習慣，并逐步建立內(nèi)部的最佳實踐和規(guī)范。
這場變革已經(jīng)到來。您是否準備好與您的新“AI伙伴”一起，共同設計下一個偉大的系統(tǒng)？歡迎就您的特定場景與我們進一步探討。