随着AI技术的飞速发展，各行各业都在经历深刻的变革。系统工程领域也不例外，AI技术的引入引发了关于传统方法是否过时的诸多讨论。其中，MBSE作为系统工程的关键方法论，在AI技术的冲击下，其地位与价值成为业界关注的焦点。一些人担忧MBSE是否已过时，无法适应AI时代的需求；而另外一些人则认为MBSE与AI的结合，将催生出更强大的系统工程能力。

1 MBSE的“护城河”AI无法跨越的三大核心价值

       作为一种以模型为中心的系统工程方法，MBSE通过创建系统的数字模型，实现从需求分析、设计、验证到维护的全生命周期管理。其核心价值主要体现在三个方面：
 
       ●提供复杂系统的结构化抽象框架：MBSE通过创建详细且结构化的数字模型，能够系统地整合复杂系统中各层级、各领域（如机械、电子、软件、人机交互等）之间的逻辑关系。这使得系统工程师能够以直观且全面的方式理解和管理系统的复杂性，避免了AI黑箱模型所带来的不透明性和难以解释性。

       ●确保全生命周期的可追溯性：MBSE模型能够清晰展现系统从需求分析到验证场景的完整链路，这对于系统的验证、测试以及后续维护至关重要。同时，MBSE为AI算法提供了可解释性框架，使得AI决策过程更加透明和可理解，增强了系统的可靠性和安全性。

       ●促进多学科团队的协同工作：MBSE作为“数字主线”，为不同专业背景的人员提供了一个统一的沟通平台。通过数字模型，不同学科领域的人员能够直观地理解彼此的工作内容，从而有效地协作，共同推动项目的进展。

2 AI与MBSE融合能否带来技术跃迁？

       然而，MBSE的应用也面临一些挑战，如前期投资大、工具选择难、用户需求变动频繁等问题。这在一定程度上限制了MBSE的应用，但AI技术的引入为MBSE提供了一个在复杂环境中持续优化和改进的框架，提高整体的系统开发效率和质量。AI与MBSE的结合，形成了强大的协同效应，推动了MBSE的进化与发展。

       ●智能建模加速：在MBSE领域，建模是理解、设计和优化复杂系统的关键环节。生成式AI具备出色的自然语言处理和多模态处理能力，能够理解复杂的自然语言描述，并将其转化为结构化的信息。

       以系统工程中的SysML活动图建模为例，企业可以将自然语言描述的需求输入到GPT-4等生成式AI模型中，AI模型利用其自然语言处理和多模态处理能力，准确捕捉需求中的关键信息，并将其转化为结构化的数据格式。然后，通过预设的规则和算法，将这些结构化的信息映射到SysML活动图中，自动生成活动图的初稿。

       这显然能加速MBSE的建模过程。当然，智能建模加速并非完全替代了MBSE工程师的工作。生成的初稿仍然需要经过人工审核和修正，以确保其准确性和可读性。

       ●推动仿真革命：在工程仿真领域，很多软件企业积极融入AI技术，借助大量的实验数据进行模型训练，以生成可靠的仿真模型。例如，西门子将ChatGPT与其一维系统仿真软件Simcenter Amesim相结合，在硬件在环（HIL）仿真过程中，用户只需通过简单的自然语言描述自己的主观感受，系统就能将其成功转化为对应的仿真模型参数修改建议，极大地简化了传统仿真过程中的参数调试环节。

       该案例的核心在于一个定制的、与车辆动力学参数关联的AI助手，它内置了仿真模型中所有关键参数的列表。当用户通过自然语言输入反馈时，AI助手能够将其转换为列表中的对应参数关系。若未找到准确的对应关系，AI助手还会继续引导用户进行更明确的输入。然后，AI助手运用强化学习算法对车辆参数集进行优化，并将优化结果传输给控制端。控制端在修改参数后，将新的参数反馈给执行器，执行器进行新一轮动作后由，用户再次给予反馈，最终形成一个完整的闭环，使得仿真与调试过程更加高效和精确。

       ●自主验证突破：AI技术用于形式化验证和对抗测试自动化，提高了系统的可靠性和安全性。

       以意大利Modena大学的一项研究为例，其发表的论文“Open Challenges in the Formal Verification of Autonomous Driving”就探讨了自动驾驶系统中形式化验证的应用。

       该研究指出，自动驾驶系统作为一个高度复杂的综合体，集成了来自不同领域的多种异构组件，包括但不限于传感器融合、路径规划、决策制定及车辆控制等。这些组件的协同工作对于确保车辆在各种复杂环境条件下的安全行驶至关重要。然而，系统的复杂性也伴随着潜在的错误和漏洞风险，这对验证系统的正确性和可靠性提出了严峻挑战。

       形式化验证作为一种精确的数学方法，通过对系统模型进行严格的逻辑分析和证明，能够验证系统是否满足特定的安全属性或性能要求，而无需依赖大量的实际测试案例。AI技术的引入，进一步增强了形式化验证的效率和准确性。通过利用机器学习算法优化验证过程，自动识别关键验证点，以及构建更高效的验证模型，加速了验证流程，拓宽了可验证系统的复杂度边界。此外，结合对抗测试自动化技术，AI能够模拟出极端或边缘情况，进一步检验系统在面临意外或恶意攻击时的反应能力，确保系统在面对真实世界复杂多变的环境时，依然能够保持安全稳定的运行。

3 迎接未来MBSE的三大进化方向

       MBSE与AI的结合，不仅提高了系统工程的效率和质量，还为复杂系统的全生命周期管理提供了更强大的支持。展望未来，MBSE将与AI技术深度融合，进一步提升MBSE的价值，使其在AI时代更加不可或缺。

       ●方向一：MBSE符号推理与AI神经网络融合。

       在传统应用中，MBSE依赖于严格的符号逻辑和明确定义的模型，以实现对复杂系统的深入理解和有效管理。但在面对大量非结构化数据或需要高度抽象的学习任务时，传统MBSE的局限性暴露无遗。将MBSE的符号推理与AI的神经网络结合，既保留了MBSE在结构化信息处理和逻辑推理方面的优势，又吸收了神经网络在数据驱动学习和模式识别方面的长处，能够更全面地理解系统，更准确地预测系统行为，并更有效地优化系统设计。

       ●方向二：量子增强建模。

       在处理复杂系统时常常会遇到组合爆炸问题，由于涉及大量元素之间的相互作用和潜在组合，导致计算复杂度急剧上升。量子计算利用量子比特的叠加态和纠缠特性，能够在同一时间内处理多种可能性，从而在处理大规模组合问题时展现出巨大的潜力。例如，空客公司正在积极探索量子计算在飞机轨迹优化中的应用。飞机轨迹优化是一个典型的组合优化问题，需要考虑众多线路的最佳布局，以避免干扰、减少重量并提高效率。空客公司采用了一种创新的策略，通过识别不同的数学模型将复杂问题分解成多个子问题，并开发了一种能够灵活集成各种计算范式的架构，帮助他们在庞大的解空间中高效搜索，迅速找到近似最优解，显著提升其飞行路径优化的能力。

       ●方向三：数字孪生与物联网集成。

       在MBSE的发展过程中，数字孪生与物联网技术的集成正逐步成为推动系统设计和操作优化的关键力量。数字孪生通过实时数据映射和动态仿真，将物理系统的运行状态与MBSE构建的模型紧密结合，物联网为此过程提供了实时数据支持。例如，NASA在其地球数字孪生项目中，采用MBSE方法构建地球系统的综合模型，并通过数字孪生和物联网技术实时监控全球气候、海洋和陆地生态系统的状态。气象卫星观测、地面传感器数据等相关数据被反馈到系统模型中，用于动态优化气候预测、灾害预警和资源管理策略。该案例表明，MBSE正在从“模型驱动”向“数据-模型协同驱动”的方向进化，为复杂系统的实时监控和动态优化提供了新的解决方案。

       AI是MBSE的终结者还是助推器?？在我看来，答案显然更倾向于后者。MBSE与AI的融合，或许能催生新一代的系统工程方法论，成为人类应对复杂挑战的新武器。如同在神话世界里，哪吒凭借混天绫、乾坤圈等法宝不断突破自我、战胜重重困难一样，MBSE也会在AI技术的加持下，拥有种种神奇的力量。

参考资料

       [1]西门子将ChatGPT引入仿真与测试实际开发中https://mp.weixin.qq.com/s/cHUmZCEdHl1KtxpuoHcr7A
       [2]自动驾驶形式化验证中的开放挑战https://mp.weixin.qq.com/s/a7LaLHnlm6Vu_rZzG9inEQ
       [3]空客展望量子计算在航空脱碳中的应用前景https://baijiahao.baidu.com/s?id=1822613828877886878&wfr=spider&for=pc
       [4]NASA：数字孪生和正在开发的模型https://mp.weixin.qq.com/s/1tmKSgLDclrzUeIoWwPjSQ