今年以来，以“vibe coding”为代表的人机协同编码范式在软件工程领域迅速兴起。国内外AI大厂相继推出了vibe coding产品，例如Claude Code、Codex和Qoder等，这股浪潮不仅是编程效率的提升，更预示着一种全新的创造力协作模式。
当目光从软件工程投向系统工程领域，类似的深刻变革也将上演。在智能制造与系统工程的浪潮之巅，AI大模型（尤其是生成式AI）与MBSE（基于模型的系统工程）的深度融合，正预示着一场深刻的范式革命。传统观念将AI定位为“辅助工具”，在处理简单、重复性任务时固然高效，却已无法满足当今复杂系统工程对深度、动态与创新的极致追求。
AI的角色正从被动的“辅助者”向主动的“协作者”演进。未来的工程师将与AI形成一种新型的伙伴关系，实现双向共创。这一从“辅助”到“协作”的跃迁，是核心发展趋势。它让AI得以主动贡献洞察、预测风险，并与人类的战略思维、经验直觉形成优势互补，从而驱动MBSE全生命周期的智能化升级。
下文，我们将从MBSE的三大关键阶段——需求分析、系统建模与验证——详细阐述AI的应用场景，并深入探讨人机协作的实践价值与面临的挑战。
01需求分析阶段：从“自动捕获”到“人机共创”
需求分析是MBSE的基石，传统方法高度依赖人工，易受主观偏见、知识局限和沟通遗漏的影响。如今，凭借强大的自然语言处理与推理能力，AI大模型正转变为需求团队中一位不可或缺的特殊“成员”。
AI的协作价值在于，它不仅能被动响应指令，更能主动参与讨论，有望将需求分析的初步效率提升3倍以上。其核心目标，是推动需求模型从“完整”向“前瞻且可信”的质变。
主动需求捕获与初步构建
AI能高效解析海量非结构化数据（如客户访谈、技术文档、市场报告），自动提取关键需求元素，并生成初步的SysML需求图。
协作场景：在智能工厂项目中，工程师输入用户愿景，AI不仅能解析出功能与非功能需求，还能主动关联其知识库中的外部趋势（如“可持续发展”、“供应链韧性”），并提出扩展性建议。然而，AI的“理解”基于概率模式，而非真正的商业洞察，其建议可能缺乏对特定企业战略或成本约束的考量。因此，人类工程师的经验判断与业务上下文把握在此阶段不可或缺，负责对AI的提议进行筛选、确认与深度整合。
需求验证与一致性挑战
AI通过语义分析，能快速检测需求间的逻辑冲突、含糊表述或潜在矛盾。
协作场景：在航空系统工程中，AI可比对数千页的安全法规与用户需求，并主动提出质疑：“您提出的成本约束，可能与AS9100标准的冗余安全要求存在冲突，请确认优先级。” 这里的挑战在于AI的“黑箱”问题。为了让工程师信任其判断，可解释性AI（XAI）至关重要，它必须能清晰展示其发现冲突的推理路径，否则其建议将难以被采纳。
需求生成与创新激发
基于海量数据训练，AI能生成现有需求的多种变体或全新的功能概念，为团队提供“头脑风暴”的素材。
协作场景：在汽车MBSE会议中，AI可根据市场数据实时生成“集成V2X通信以优化交通流量”或“增加基于驾驶员疲劳监测的主动安全功能”等多个方案。AI在此扮演的是“灵感催化剂”，而非“创新决策者”。人类团队则基于战略、品牌定位和技术成熟度，选择最有价值的方向进行深化。
02系统建模阶段：从“静态绘图”到“动态演进”
建模是MBSE的核心，传统手工绘制SysML图表不仅耗时，且容易引入语法或逻辑错误。AI的介入，旨在将建模过程从一种“静态的艺术创作”转变为“动态的科学探索”。
作为协作伙伴，AI有望将建模中的语法和规范性错误减少80%以上，并赋能多学科集成，但其最终价值取决于人类架构师的顶层设计与决策能力。
自动化模型草案生成
AI可根据自然语言描述的需求，直接生成SysML模型框架，如块定义图、状态机图等。
协作场景：工程师描述“设计一个智能温控系统的架构”，AI迅速输出包含传感器、控制器、执行器及其接口的初步模型草案。人类工程师的角色从“绘图员”转变为“架构师”和“评审者”，他们负责审查AI生成的草案，修正逻辑谬误，并注入关键的、非显性的设计思想。
跨域集成与知识桥接
在机电软一体化的复杂系统中，AI能充当“知识翻译官”，识别不同领域模型间的接口不匹配或物理约束冲突。
协作场景：在无人机项目中，软件团队和空气动力学团队各自输入其模型，AI自动检测出“软件控制频率与机翼响应延迟不匹配”的问题，并建议解决方案。这极大地降低了跨团队协作的壁垒，但最终的集成策略仍需各领域专家共同确认。
03系统验证阶段：从“事后补救”到“事前预防与持续保障”
系统验证与确认（V&V）是确保MBSE模型质量的最后一道防线，传统测试方法往往在开发后期介入，成本高昂且难以实现全覆盖。AI的深度协作，旨在将验证工作从被动的“事后补救”转变为主动的“事前预防”与全生命周期的“持续保障”。
作为“虚拟测试专家”，AI有望将测试用例的覆盖率提升一个数量级，并智能预测潜在的系统失效风险，但其最终价值取决于人类验证工程师对测试策略的顶层设计和对关键风险的最终裁决。
智能测试策略生成与场景探索
传统测试依赖工程师的经验来设计用例，难免存在思维盲区。AI则能化身为不知疲倦的“探索者”，深度理解模型行为，并创造性地构建测试场景。
协作场景：工程师设定测试目标“验证自动驾驶系统在城郊混合路况下的决策可靠性”，AI不仅生成“正常跟车、红绿灯启停”等标准场景，更能主动设计出“传感器突然失效、网络信号中断、多种障碍物同时出现”等极端组合下的边缘场景和失效模式。人类工程师的角色从“用例编写员”转变为“测试策略师”，他们负责定义测试的边界与目标，并评审AI生成的场景是否具有现实意义和测试价值。
自动化脚本生成与闭环验证
测试的瓶颈之一在于将测试用例转化为可执行的脚本。AI能够打通从“模型理解”到“仿真执行”的链路，实现验证的自动化闭环。
协作场景：针对AI生成的测试场景，工程师只需选择目标仿真环境，AI即可根据预设模板，自动生成可在该环境中直接运行的测试脚本。当仿真结束后，AI还能初步分析测试结果，高亮显示异常数据或潜在的系统缺陷。人类工程师则聚焦于分析根本原因、评估缺陷严重性，并做出“通过/不通过”的最终决策，将精力从重复性劳动中解放出来，投入到更高级的故障诊断与系统优化工作中。
结语：拥抱人机协作的战略转型——机遇、挑战与行动
AI赋能MBSE的本质，是一场从“人主导、机辅助”到“人机深度协作”的战略转型。这不仅是技术趋势，更是决定未来工程效率和创新能力的分水岭。
企业若能成功将AI从工具提升为伙伴，将在这场变革中抢占先机；反之，固守传统模式的企业将面临被时代淘汰的风险。
为了稳健地迈向这一未来，我们必须正视挑战并采取行动：
重塑工程师角色
未来的系统工程师需要具备新的核心素养：
高质量的提问能力：学会如何向AI提出精确、开放且富有洞察力的问题（即高级“Prompt Engineering”）。
批判性思维与决策力：从AI提供的海量方案中，甄别出最具战略价值的选项。
系统思想与伦理观：将精力更多地投入到顶层架构、跨域协同和系统的社会、伦理影响评估上。
构建协同基础
投资于集成平台，将AI能力（如通过API）无缝嵌入到现有的MBSE工具链中。同时，建立高质量、结构化的数据资产，为AI的训练和运行提供“养料”。
从试点开始，迭代前行
选择一个边界清晰的项目作为试点，在实践中探索人机协作的最佳模式，培养团队的协同习惯，并逐步建立内部的最佳实践和规范。
这场变革已经到来。您是否准备好与您的新“AI伙伴”一起，共同设计下一个伟大的系统？欢迎就您的特定场景与我们进一步探讨。