当 AI 遇上 MBSE|赋能航空航天与汽车行业

基于模型的系统工程（MBSE）是设计复杂的、跨域及任务关键型系统的基石。可实现从需求工程到运维保障全阶段的可追溯性与严谨性。但随着相关系统复杂度攀升，工程文档体量激增，传统人工处理方式已无法高效应对。而传统的纯大语言模型（LLM-only）方案属于黑盒 AI 易产生幻觉，并不符合工程流程对确定性、可解释性与可审计的要求。

因此，业界迫切需要结合两者的 AI 增强的 MBSE。可利用自然语言处理（NLP）进行稳健的语言分析，通过本体模型（Ontologies）强制执行工程逻辑与监管纪律，并利用生成式 AI（GenAI）进行模式识别与架构方案建议。同时 MBSE 确保从原始文档到如 SysML 等形式化系统架构规范之间的端到端可解释性与可追溯性。达索系统 3DEXPERIENCE 平台通过 NETVIBES 数据科学体验方案与 CATIA Magic 方案，实现文档智能解析、需求自动化提取等功能，输出结构化 SysML 元素，保留人机回圈机制（HITL）并构建权威真相源（ASoT）。

MBSE 依赖需求的清晰性与准确性，传统人工从工程文档中提取需求效率低且易出错。虽然 LLM 具备强大的阅读能力，但其“幻觉”问题无法满足工程的严谨性。

通过结合 NLP（自然语言处理） 的确定性分析（如模式识别与分类）与 AI 技术（含 LLM），可以实现需求的自动识别、提取与结构化。达索系统 3DEXPERIENCE 平台（依托 NETVIBES 与 CATIA Magic）进一步增强了这一流程，确保提取的需求具备完整的元数据、语义标签和可追溯性，为后续 MBSE 活动提供精准、结构化的数据基础。

传统上，完善需求需要多轮评审和专家经验。现在，AI 扮演智能协作伙伴的角色，NLP 通过识别语言结构和规范术语来改善需求工程。可以大规模识别歧义、标记不完整或不可验证的需求。例如，“系统应易于使用”会被立即标记为不可测量，并要求按客观标准重写。集成本体模型则进一步强化了这一过程。可将工程概念与约束形式化，确保 AI 产出的洞察符合系统架构原则和工程逻辑。这种大规模的一致性评估加速了系统就绪进程。

合规性是系统工程的基石，对航空航天、汽车和国防等强监管行业尤为重要。AI 通过 NLP 提取解读需求、执行规则校验与语义验证（对照 INCOSE 最佳实践及行业标准）、依托本体模型论保障合规。可显著缩短审计周期，提前发现合规缺口，优化验证与认证效率。

MBSE 结合 AI 的最佳实践是让 AI 作为建立在 MBSE 框架和方法论之上的系统架构模式生成引擎。该引擎能从以往的架构中识别结构、行为和参数，并从非结构化文档中捕捉模式，为新需求和系统架构提供结构化模式建议，供工程师使用，并可追溯至原始需求。

如今，大多数任务关键型项目仍始于大量复杂的文档集：法规、合同、规范和组织标准。项目团队随后需花费数周甚至数个月的时间进行人工阅读、分析、分类，并将其转化为需求和高层设计。这一过程不仅缓慢、昂贵，且无法应对文档量的指数级增长。

目前，自动化这些流程的三大主流 AI 路径分别是自然语言处理（NLP）、本体模型（Ontologies）和 大语言模型（LLM）。NLP 和 LLM 能够识别文档中的需求模式，并通过分析将其归入特定领域或类别的体系中。项目团队随后可将本体作为这些需求模式的“护栏”来执行基础质量检查，例如基于 INCOSE《需求编写指南》构建本体模型来实现工程约束。

项目团队更可以在 3DEXPERIENCE 平台上利用 CATIA Magic（即 Cameo/MagicDraw）和 NETVIBES 数据科学体验等方案，配合 Cyber MagicGrid 等方法论来定制 AI 的应用上下文。这些强大配置的结合，有助于将自然语言产物转化为系统架构模式：包括系统分解与分类、系统行为、系统参数及其横向关联关系。

将大模型从“聊天机器人”转变为“工程引擎”，通过深挖文档内容生成符合 SysML 规范的架构模式。企业可在 CATIA Magic 等工具中应用这些模式，确保全员基于统一的权威真相源 (ASoT) 协作。

在任务关键型系统中，AI 的每项建议都必须可解释且可追溯，并能确保生成的各项参数以结构化模型元素存储。从文档解析到提示词构建，再到输出结果的语义映射以及人机回圈评审机制，系统需清晰记录每个输出背后的规则与提示词，让整个系统流程从设计之初就是可见、可审计且可追溯的。

MBSE 的未来将由 NLP（语言理解与结构化提取）、生成式 AI（上下文推理与自动化）、本体模型（工程逻辑规范）与数据科学（数据智能与知识延续）共同驱动，推动工程团队从以文档为中心转向以知识为中心，减少人工工作量、提升需求质量。达索系统提供专业解决方案，助力企业应对系统复杂度挑战，聚焦核心设计工作。