AI赋能MBSE：重塑国防与汽车系统工程

模型驱动的系统工程（MBSE）是构建复杂跨领域高可靠系统的核心方法。MBSE为从初期需求分析到架构设计、实现部署、运行监控直至后期维护的全生命周期，提供了可追溯性与严密性的体系化支撑。然而，国防军工、航空航天、智能网联汽车等系统的复杂度持续攀升，引发技术文档规模与难度急剧膨胀，传统人工处理方式已显得力不从心。

企业通常将系统技术规范、行业法规、商务合同、技术标准以及各利益方的诉求，记录在庞大繁杂的文档体系中。这种作业模式使得人工提取、评审和追踪需求的过程效率低下、差错率高，且不同团队间难以保持统一标准。单纯依赖大语言模型（LLM）的黑箱式智能方法，在关键任务场景下往往产生不可控的输出，容易形成误判。工程实践亟需具备确定性、可解释性和可审查性的技术路径。

由此催生了AI强化的模型驱动系统工程，该技术融合自然语言处理（NLP）实现深度语义解析，运用本体论来固化工程逻辑与准则，并借助生成式AI（GenAI）完成模式识别与架构方案推荐。同时，MBSE依然保持从原始文档到系统架构形式化规范（如SysML）的端到端可解释性与完整追溯能力。

达索系统3DEXPERIENCE平台通过NETVIBES数据科学环境与CATIA网络系统产品家族（即CATIA Magic，亦名Cameo/MagicDraw）来应对上述挑战。二者协同实现文档智能理解、自动化需求抽取，以及基于NLP和本体论的质量合规性校验。此外，平台还提供AI辅助的需求与系统架构模式生成功能。系统以结构化的SysML要素形式捕获输出成果，这些要素具备交叉关联关系，并由多智能体、可解释的工作流驱动。该流程维持人机协同模式，为关键任务系统建立权威单一数据源（ASOT）。

AI在MBSE中最具价值的应用之一，就是将海量非结构化或半结构化文档转化为有序、高质量的工程洞察。

尽管大语言模型具备强大的生成能力，但其固有的幻觉问题和产出不可验证内容的倾向，使其不适合作为MBSE需求抽取的核心手段。工程文档处理必须保证确定性、可解释性与可追溯性。

自然语言处理在此领域发挥关键作用。NLP通过语句识别、分类、术语归一化和模式发现，提供成熟可靠的语言分析能力。

系统可扫描大规模文档集合，识别类需求语句，并对其进行提取、分析和归类，通过NLP与针对性AI自动化的结合，将内容输送至结构化需求库中。

达索系统3DEXPERIENCE平台依托NETVIBES数据科学环境与CATIA网络系统技术（含CATIA Magic/Cameo），通过元数据、语义标签和完整追溯链来增强提取的需求，从而优化该工作流程。

这一基础确保后续MBSE活动基于洁净、结构化且具备上下文感知能力的需求数据展开。

系统能够识别歧义表述，标记不完整或不可测量的需求，并在大规模场景下评估质量。例如，像“系统应易于使用”这类模糊需求可被即时标记为缺乏度量指标，需重构为客观、可验证的标准。

本体论的融入进一步强化了该流程。本体将工程概念、关联关系和约束条件形式化，确保NLP输出及适当的生成式洞察始终符合系统架构原则与工程逻辑。

这种一致性对安全关键领域尤为重要，任何误解或不一致都可能危及系统完整性与合规性。

这显著缩短了需求评审周期，能够更早发现质量与合规缺口，并提升验证规划、建模就绪度与认证效率。

AI并非设计系统架构的万能钥匙。合理应用时，它能成为严谨的模式引擎，依托MBSE框架与方法论运行。该引擎可识别既有架构中的结构、行为与参数特征，并从非结构化文档中提炼模式，进而为需求与系统架构提供结构化模式建议，供工程师采纳并追溯至原始干系人诉求。

AI绝非灵丹妙药，尤其在关键任务系统中更是如此。AI在这些系统中的应用必须与任务工程环境、MBSE框架、方法论及形式化或半形式化规范深度结合。

NLP与类神经网络AI（如大语言模型LLM）可识别文档中的模式，将需求结构与文本描述分离，并通过分析将其归入特定领域或类别。团队随后可运用本体作为模式指导原则，执行基础质量检查，例如基于INCOSE《需求编写指南》构建本体约束。

MBSE的三大支柱（方法论、工具与语言）如何成为提升输出质量的核心要素？组织内的团队可利用形式化元模型或数字规范（如SysML/UML工具CATIA Magic（亦称Cameo/MagicDraw）和Netvibes），在3DEXPERIENCE平台上定制AI应用环境，结合达索系统Cyber MagicGrid等方法论。这些强大配置有助于将自然语言工件构建为系统化模型，如系统分解与分类、系统行为与系统参数（含其交叉关系）。捕获与复用这种系统化方法可为下一代模式生成提供反馈。

在关键任务系统中，验证黑盒AI的优势极具挑战。每项建议或推荐都必须可解释、可追溯，以便业务部门将AI生成的需求、系统、功能与参数捕获为结构化SysML要素。这确保捕获不仅限于自然语言层面。

多智能体方法可清晰展示哪个智能体、哪个提示和哪条规则产生了特定输出。从文档解析到提示构建、输出语义映射直至人工审核，全流程自始可见、可审计、可追溯，这是设计初衷。该方案还能揭示需求、系统与功能之间的内在联系。

在AI生成的系统架构中，保持需求的可追溯性是最核心要素，缺乏可解释性与人机交互则难以实现。

MBSE的未来将由以下要素的综合优势塑造：

达索系统提供精准方案与专业技术，助力国防与航空航天机构降低人工负荷、提升需求质量并加速架构开发。随着系统复杂度持续增长，AI赋能的MBSE将使工程师专注于真正关键的事务：设计安全、创新且可即时执行任务的系统。