NE时代

当Agentic AI的浪潮席卷汽车研发领域，AI重构开发流程“百倍提效”的论调不绝于耳，行业普遍对生成式AI抱有降本增效的极高期待。

2026年4月，MathWorks正式推出MATLAB®和Simulink®的R2026a版本。与往年不同，这次发布的核心不是某个新算法或新工具箱，而是一整套Agentic AI（智能体驱动）的工作流——AI智能体（AI Agent）不再只是“聊天式”地给出建议，而是可以直接在MATLAB/Simulink环境中执行代码生成、模型创建、仿真运行、迭代优化等任务，这也让更多企业开始规划全链路AI化的转型路线。

但热潮之下更需冷思考：在安全属性极强、合规要求严苛的汽车嵌入式开发中，AI真的能承接核心开发任务吗？

01.

快速提效的背后，是绕不开的原生局限

在2026 MathWorks中国汽车年会上，MathWorks技术咨询部门亚太区总负责人John Lee围绕“构建AI智能体的软件质量和功能安全护栏”进行了分享，并接受NE时代交流，深入探讨AI在MBD（Model-Based Design 基于模式设计）中的落地现状、行业痛点以及未来发展方向。

MathWorks技术咨询部门亚太区总负责人John Lee

当前，AI正以前所未有的速度渗透汽车研发流程，但在与整车厂、Tier1及初创企业的合作过程中，MathWorks发现行业对于AI的应用仍然面临两大核心挑战：结果的非确定性以及成本控制问题。

非确定性是当前AI技术最本质的特征之一，同样的输入在不同时间可能产生不同结果，这种能力既是AI创造力的来源，也是其在工程领域面临的最大挑战。对于汽车软件开发而言，仅仅依赖AI直接生成模型、代码或测试用例远远不够，因为工程开发最终需要的是可验证、可复现、可追溯的结果，而不是概率性的答案。

其次是评审负担的反向反噬。AI的高产出速度如果缺乏工程约束，会快速产生大量低价值、高噪声的输出，将原本的“开发瓶颈”转移为“评审瓶颈”。当人工验证与审计的工作量超过了AI带来的效率提升时，技术投入反而会陷入“负向投资回报”的困境。

John Lee强调，行业必须守住一条核心底线：任务的执行可以交给AI，但工程责任永远无法转交。

此外，Token成本失控与工具调用能力不足也是行业普遍面临的痛点。无约束地将全流程任务交给大模型推理，会导致Token消耗快速飙升；而缺乏领域知识引导的AI智能体，往往无法自动选择最优的工具功能，面对多优先级的复杂任务时容易出现上下文混乱，进一步拉低了AI应用的投入产出比。

John Lee认为，AI最适合扮演“高效助手”的角色，而不是最终决策者。在MBD开发流程中，AI可以快速完成模型构建、需求解析、测试用例生成以及文档整理等工作，但对于最终结果是否符合要求，仍然需要依靠成熟的验证体系进行确认。MathWorks长期积累的模型验证、静态分析、动态测试以及自动化验证能力，正是解决AI非确定性问题的重要保障。换句话说，AI负责创造和生成，而确定性工具负责验证和确认，两者结合才能构建完整的AI驱动MBD开发体系。

02.

MathWorks如何构建安全关键型AI工作流

指出AI的局限性，并非否定其技术价值，而是要让行业回归理性，找到AI与工程开发的正确相处方式。AI从来不是替代工程师的“万能钥匙”，而是需要被规则约束、被体系兜底的“效率工具”。

针对上述痛点，MathWorks提出的核心思路并非“用AI替代MBD”，而是将AI智能体深度嵌入成熟的MBD体系中，通过核心设计，为AI加上工程化的“安全护栏”，让AI的效率优势在合规框架内充分释放。

◎拆解任务+前置约束，从源头杜绝低价值输出

MathWorks方案的第一步，是打破“AI一步生成完整模型”的误区，将复杂的工程开发流程拆解为结构化、循序渐进的智能体任务。

真正可持续的智能化转型，首先要做到用结构化任务拆解约束AI输出。将复杂开发流程拆分为清晰的子任务，为每一步前置定义架构模板、复杂度上限、接口规范与产出标准，让AI在明确的边界内执行任务，既发挥其生成效率，又从源头避免输出失控。

在具体执行中，从创建项目占位符、搭建模型骨架与子系统，到逐个填充子系统逻辑、映射需求条目、优化模型布局、执行合规检查、添加设计标注，整套标准化建模流程都被固化为智能体的执行路径。最终产出的模型虽然仍需人工微调，但结构清晰、符合工程规范，具备极高的二次开发价值，从源头减少了无效的AI输出。

◎标准化输出+精简评审，化解效率反噬困局

为了避免评审环节成为新的效率瓶颈，MathWorks的方案强调用标准化的输出格式降低人工审计的门槛。

通过规范化模板，智能体输出的测试分析报告、仿真结果、缺陷定位都采用统一的结构与呈现方式，比如在仿真结果中动态叠加事件说明与通过/失败判定结论，让工程师可以快速完成校验。这种高一致性的输出，大幅压缩了人工理解与核对的时间，让AI带来的执行效率提升能够真正转化为全流程的效率收益。

◎复用成熟自动化框架，锚定工程结果确定性

在安全关键的量产场景中，“确定性”是不可妥协的底线。MathWorks的解法是：不依赖大模型本身输出确定性结果，而是让AI智能体调用经过验证的MBD自动化工具链与API，用成熟的底层能力保障输出的一致性与合规性。

用成熟工程体系兜底确定性。不盲目推翻现有MBD工作流，而是让AI调用经过安全认证的自动化工具与CI流水线，由确定性工具负责底层执行与验证。这种“AI做规划调度、工具做执行验证”的模式，既兼容ISO26262等合规要求，又能大幅降低Token消耗，保障产出的一致性。

最后是分层匹配AI的应用场景。对于生产级源码、合规证据链、核心接口定义等安全关键资产，坚持确定性优先；对于早期原型搭建、信息梳理、辅助缺陷定位等环节，则可以充分释放AI的灵活性。不搞全链路“一刀切”的AI化，在合适的场景用合适的能力。

与此同时，这种架构还能大幅优化Token开销——原本需要大模型长上下文推理的任务，现在通过调用本地自动化脚本与API即可完成，既减少了Token消耗，也从根源上避免了大模型的幻觉风险。

◎按需定制：不同企业的差异化AI转型路径

不同规模、不同定位的汽车行业参与者，对AI+MBD的需求痛点截然不同。MathWorks的咨询服务并非标准化套餐，而是基于企业特性定制化落地。

在公司层面，核心诉求往往是跨部门的流程统一与能力复用。整车厂往往部门众多，若各团队各自为战、重复造轮子，会造成极大的资源浪费。因此MathWorks会先对现有流程进行梳理诊断，推动各部门采用统一的开发规范与AI使用方式，将最佳实践沉淀为全企业的标准能力，实现AI应用的规模化协同。

对于一个项目组，关注点则聚焦在项目执行效率。工作会围绕具体客户项目展开，更看重工具链的快速落地、模型质量的提升、代码生成的优化。对应的AI方案也更偏向项目级的效率赋能，帮助团队用AI加速项目交付，而非搭建全企业的宏大体系。

对于新产品部门或初创企业，最迫切的需求是“快速出成果”。这样的团队往往人手有限，需要快速搭建基础模型原型、验证产品功能。MathWorks可以基于行业经验快速搭建起步模型与基础功能，让这些团队可以在此基础上快速迭代，缩短产品上市周期。

03.

技术底座支撑长期技术演进

AI技术日新月异，如何保证解决方案能够跟上技术迭代的速度，也是行业普遍关心的问题。对此，MathWorks采用了“双节奏迭代”的模式，平衡工具质量与创新速度。

一方面，MATLAB与Simulink的正式版本保持严谨的验证流程，确保核心工具链的稳定性与合规性，满足汽车功能安全等高标准要求。另一方面，针对AI相关的技能包、工具适配等需要快速迭代的内容，MathWorks可通过周期持续更新，及时响应市场与客户的需求。

在2026年4月发布的R2026a版本中，MathWorks已经为Agentic AI工作流打下了坚实的产品底座。其中MATLAB MCP Core Server让AI智能体可以直接与MATLAB/Simulink交互，执行代码生成、模型编辑、仿真验证等任务，实现生成式AI与可验证计算的闭环；而MATLAB Agentic Toolkit与Simulink Agentic Toolkit则为智能体注入了领域专家知识，指导AI输出符合工程规范的结果，同时进一步降低Token开销。

除此之外，Polyspace as You Code等新产品的加入，也让代码质量检查与缺陷检测前移到开发阶段，与AI驱动的开发流程形成互补，共同保障嵌入式软件的安全与可靠。

从单点的AI辅助工具，到体系化的Agentic AI工作流，汽车行业的AI开发转型正在从“尝鲜”走向“深水区”。MathWorks的路径清晰地展现了一个核心逻辑：AI对于MBD不是颠覆式的替代，而是赋能式的融合。只有在守住工程确定性、功能安全、合规性这些行业底线的前提下，AI的效率红利才能真正在汽车量产开发中释放。按照规划，当下行业正处于AI与MBD工作流深度融合的阶段，未来还将向多智能体协同、企业级规模化落地的方向持续演进。

结语

汽车工业百余年的发展，核心始终是对安全、质量与可靠性的极致追求。AI为行业带来了效率升级的新可能，但它终究是工程体系的辅助者，而非颠覆者。

褪去对AI的神化与过度期待，回归工程的本质与底线，用严谨的规则框定技术的边界，用人的专业判断守住质量与安全的闸门，才是汽车研发智能化转型的正确路径。毕竟，再先进的工具，也不能替代工程师的责任与判断。