夜雨聆风在高端装备、航空航天、智能汽车、轨道交通等复杂系统工程领域，基于模型的系统工程（MBSE）已成为应对系统复杂度飙升、缩短研发周期、管控设计风险的核心方法论，正逐步替代传统文档驱动的开发模式。而系统建模语言（SysML）作为MBSE的标准化语义载体，是连接需求、设计、仿真、验证全流程的核心纽带，国内外多款建模工具均以SysML为核心构建了标准化MBSE建模能力。
但长期以来，基于SysML的MBSE工具始终面临着难以突破的行业痛点。根据国际系统工程协会（INCOSE）2025年全球MBSE现状调研数据，系统工程师大量的工作精力被消耗在SysML语法校验、模型元素操作、格式合规性调整、跨工具数据转换、需求追溯核对等非创造性的工具操作层面，可投入到核心的设计理念创新、架构权衡优化、需求拆解与风险预判工作中精力大大减少。多模态AI技术的爆发式发展，为打破这一行业困局提供了理论上的颠覆性解决方案，也为SysML-MBSE工具的演进指明了长期方向——从“被动的建模编辑器”升级为“主动的设计智能助手”，最终让设计师彻底摆脱工具的束缚，完全专注于设计理念的创新与落地。
一、SysML-MBSE实践的行业现状与核心痛点
作为OMG（对象管理组织）制定的标准化系统建模语言，SysML 1.x通过需求图、用例图、块定义图、内部块图、活动图、序列图、状态机图、参数图、包图9种核心视图，实现了对复杂系统需求、结构、行为、参数的全维度标准化表达。而SysML v2.0正式规范于2025年6月获OMG董事会通过，同年9月正式发布，其以全新的形式化语义内核、标准化API与更灵活的视图扩展能力，解决了1.x版本半形式化语义歧义、跨工具集成难等核心问题，为MBSE与AI技术的融合提供了标准化技术基础。经过十余年的发展，SysML-MBSE已成为航空航天、智能汽车等高端制造领域的主流开发体系，但工具层面的瓶颈，始终限制着MBSE核心价值的释放。
当前SysML-MBSE工具的核心痛点，本质上是“工具操作复杂度”与“设计师设计本质需求”的严重背离。
其一，建模门槛居高不下，根据INCOSE发布的MBSE能力框架2024版数据，设计师需要花费3-6个月时间系统学习SysML的语法规则、元素定义与视图规范，才能具备独立建模能力；日常工作中大量精力消耗在模型元素的拖拽、连接、语法合规性校验上，很多项目甚至出现“为了建模而建模”的情况，建模本身成为了目标，而非实现设计理念的手段。
其二，难以捕捉隐性知识。现实中，系统构思常始于一段模糊的口头讨论、一张潦草的手稿、甚至是一段灵感迸发的即兴对话。而现有工具却要求输入必须高度结构化、精确无误。结果往往是：设计师不得不先“翻译”自己的直觉为符合格式的语言，再录入系统，造成原始创意的损耗。
其三，需求到模型的转化效率极低，从用户自然语言需求、行业标准规范，到拆解为合规的SysML模型，全靠人工手动完成。据中国航空学会《民用飞机系统工程数字化白皮书2025》数据，一款大型民用飞机的系统需求条目可达10万级，传统人工完成需求到SysML模型的转化与全链路追溯核对，单轮次工作周期可达4-6周，且需求遗漏率平均超过8%。
其四，跨领域协同壁垒深厚，SysML系统模型长期处于“模型孤岛”状态，与机械CAD、电子EDA、控制仿真、软件开发等下游领域工具无法深度打通，系统工程师与领域工程师之间需要耗费大量时间进行数据转换与沟通对齐，系统设计与落地实现严重脱节。
其五，模型验证与知识复用难度大，复杂系统的SysML模型往往包含上万个元素，人工仿真用例编写、结果分析与模型迭代效率极低，同时企业积累的成熟模型库、最佳实践难以被高效检索复用，设计师大量精力浪费在重复造轮子的工作中。
这些痛点的存在，让SysML-MBSE工具本应承担的“赋能设计”的核心价值大打折扣，反而成为了设计师创新路上的束缚。而多模态AI技术的出现，为从根源上解决这些问题提供了理论可行性与技术探索方向。
二、多模态AI对SysML-MBSE工具的底层逻辑重构潜力
面向MBSE场景的多模态AI，并非通用的自然语言与图像生成模型，而是针对系统工程领域的需求文档、行业标准、手绘架构草图、仿真数据、测试报告、3D几何模型、控制代码等多类型工程数据，实现跨模态语义对齐、逻辑推理与端到端生成的垂直领域大模型，核心是精准理解系统工程的专业语境与行业规范。其核心能力是打通多维度工程信息的语义壁垒，实现跨模态的理解、生成与协同，这与SysML的核心本质——通过统一的形式化语义内核，实现设计理念的多视图标准化表达——形成了底层逻辑的契合。
在多模态AI的技术愿景下，SysML-MBSE工具的底层逻辑具备被重构的可能性。传统工具的核心是“图形编辑器”，设计师的工作流程是“学习工具规则→手动操作工具→输出标准化模型”，工具是核心，设计师需要适应工具的规则；而AI原生的MBSE工具，核心是“多模态大模型+形式化语义内核”，设计师的工作流程可转变为“表达设计理念→AI自动生成模型→设计师决策优化”，设计理念是核心，工具完全服务于设计师的需求。
这种重构，不是对现有工具的简单功能叠加，而是对整个系统设计流程的颠覆性变革。其理论价值在于，可消解SysML语言的语法门槛与工具的操作门槛，让“自然语言设计理念”到“标准化SysML模型”的端到端自动转化成为可能，也让设计师的精力从繁琐的工具操作中彻底解放，回归到“设计”本身。
三、AI赋能SysML-MBSE的潜力方向与现状
多模态AI对SysML-MBSE工具的赋能，理论上可覆盖系统设计的全生命周期，从需求输入到模型生成，从校验优化到仿真验证，从跨域协同到知识复用，每一个环节都具备为设计师“减负”的潜力。核心现状与潜力方向如下：
（一）需求到模型的智能生成
多模态AI能够深度理解设计师的自然语言需求、行业规范文档、手绘架构草图甚至语音描述的设计思路，自动完成需求层级拆解、系统架构映射、SysML元素定义，一键生成合规的全系列SysML视图，同时自动完成语法规则校验，确保模型的规范性。
但从落地现状来看，当前全行业仅实现了该能力的原型验证与试点应用：国内航天院所与高校联合开发的大模型原型系统，可在卫星姿控系统等简单场景下，实现手绘架构草图到SysML基础模型的自动转化，原本需要3天完成的基础架构建模工作，可在2小时内完成，但生成的模型仍需人工100%复核与重构，无法直接用于工程设计；NASA在阿尔忒弥斯计划的相关研究中，开发了基于大语言模型的需求自动建模原型系统，可实现自然语言需求到SysML v2模型元素的转化，在测试场景中实现了需求拆解与模型构建效率6倍的提升，语法合规性错误率降至0.3%以下，但该系统仅为原型验证，未在正式型号项目中落地应用；国产厂商中华望M-Design v2已实现文本-图形双模态建模的原型落地，可基于自然语言需求生成基础SysML v2模型，但同样未在正式型号项目中实现全流程工程化应用。
截至现在，没有任何一款商用MBSE工具实现了需求到SysML模型的端到端自动生成能力，所有商用工具仅能实现基于固定规则的需求条目拆分、关键词提取与语法合规性校验，无法完成架构设计与模型自动生成，距离真正的AI辅助建模仍有本质差距。
（二）模型智能校验与架构优化
对于包含上万个元素的复杂系统模型，多模态AI可基于海量的系统工程最佳实践、行业标准规范与历史故障案例库，对SysML模型进行全维度智能校验，一方面检查模型的语法合规性、元素完整性、接口匹配性与需求追溯链路的完整性，另一方面精准识别设计架构中的单点故障、接口不兼容、性能瓶颈等潜在风险，对照行业标准给出针对性优化建议。
当前所有商用MBSE工具仅实现了第一层级的基础能力，即基于SysML语法规则的自动校验，这也是SysML建模工具的原生基础功能；而架构级的风险识别与优化建议，仅停留在理论研究与概念宣传层面，没有任何一款商用工具可基于行业标准与故障案例，实现架构级的智能优化。国际自动机工程师学会（SAE）2025年发布的相关报告显示，当前AI技术仅能在设计阶段前置识别20%以内的低级别系统风险，核心架构风险仍完全依赖人工经验判断。
（三）跨模态跨领域模型打通
多模态AI能够以SysML系统模型为核心语义载体，彻底打破跨领域工具的信息壁垒，实现SysML模型与CAD、EDA、Simulink等多领域工具的无代码集成，自动完成系统模型到领域设计输入的转化，以及下游仿真测试数据到系统模型的反向同步，维护全链路需求追溯性。
根据《中国MBSE工具软件产业发展报告2025》数据，传统MBSE体系中，SysML系统模型与下游工具的集成，需要人工开发专用接口，开发周期长达数月，且兼容性差；而当前AI技术仅能实现基于固定规则的接口数据格式转换，无法实现跨工具的语义级自动对齐与集成。达索、西门子等国际厂商仅在其自有工具生态内，实现了SysML模型与同品牌仿真工具的轻量化数据互通，跨厂商、跨领域的语义级集成仍未实现；国产厂商中有产品实现了与Matlab/Simulink的内置集成，可实现模型数据的双向互通，但仍依赖固定规则，未实现AI驱动的语义级自动集成。
（四）智能仿真验证闭环
多模态AI能够基于SysML模型，自动完成仿真验证的全流程闭环：基于系统需求自动生成全场景仿真用例，对接仿真工具完成自动化执行，智能分析仿真结果与需求指标的偏差，给出模型优化建议，经设计师确认后自动更新SysML模型，进入下一轮迭代。
当前仅在智能汽车领域的头部企业实现了部分环节的试点应用。根据中国汽车工业协会相关调研数据，在智能汽车域控制器系统设计中，实现了仿真测试场景的自动化生成，将传统人工单轮场景库构建周期从2周缩短至2天以内，场景覆盖率提升40%以上，可基于SysML模型完成汽车电子测试用例的自动生成，但仿真结果分析、模型自动迭代仍依赖人工。整体来看，该能力仅覆盖仿真用例生成环节，仿真结果的智能分析、模型的自动优化与更新，仍完全依赖人工完成，无法实现全流程的自动化闭环。
（五）设计知识智能沉淀与复用
多模态AI能够对企业的历史模型库、设计文档、最佳实践进行深度学习，构建企业级系统工程知识图谱，基于当前设计场景，自动推荐可复用的成熟模型模块、架构方案与行业最佳实践，同时自动完成设计成果的知识沉淀。
当前国产与国际商用工具，仅实现了基于超级词表和关键词匹配的知识库检索功能，仅能基于关键词实现文档与模型的检索，无法基于设计场景实现架构方案的智能推荐与模型复用。INCOSE 2025年调研数据显示，当前企业MBSE模型复用率不高。
四、设计回归本质
当AI承担起繁复的建模任务时，人类设计师的价值也将迎来本质跃升。
新定位：理念提出者与价值判断者
设计师不再被束缚于“怎么画图”的细节之中，而是回归其真正的使命——提出前瞻性的系统愿景、评估伦理影响、平衡多方利益诉求。设计师将成为：
■→ 技术方向的战略制定者；
■→ 创新边界的开拓者；
■→ 风险与可持续性的守护者。
新能力：批判性思维与跨学科洞察力
AI 可以生成大量可行方案，但哪一个是最佳？是否符合社会价值观？是否存在安全隐患？这些问题只能由人类来回答。因此，未来优秀的设计人才，将是那些兼具技术素养与人文关怀的人才。
新协作模式：人-AI 联合决策
设想一个“双轮驱动”设计流程：
■→ AI：接收用户输入，快速生成多种候选设计方案；
■→ 人：设计师从中筛选、比较、赋予意义、注入价值观；
■→ 反馈闭环：设计师指出偏好或质疑之处，AI 据此微调模型，直至达成共识。
这是一种新型的“人机协同”模式，既发挥AI的优势，又保留人的主观能动性。
五、SysML-MBSE工具的转型路径与核心行业挑战
结合SysML v2标准的普及进程与AI技术的成熟度，SysML-MBSE工具的AI化转型可分为三个阶段稳步推进，当前行业正处于第一阶段的起步期：
第一阶段为AI辅助增强阶段，也是当前行业所处阶段。主流工具厂商均已通过插件形式，将基础AI能力集成到现有工具中，在现有架构上，能提供碎片化的辅助能力，降低部分重复性工作的工作量的模式。该阶段的核心特征是，AI功能应用有限，仅作为工具的辅助功能，无法改变传统的系统设计流程，所有核心设计决策仍完全依赖人工。
第二阶段为AI原生的SysML v2建模工具阶段。随着SysML v2的全面普及，工具底层架构将被重构，从“以图形编辑器为核心”转变为“以多模态大模型为核心、形式化语义为基础”，交互方式从手动拖拽为主转变为自然语言对话式设计为主，图形视图仅作为设计结果的可视化载体与精细化调整入口，可实现需求到模型的端到端生成、架构级智能校验、跨工具语义级集成等核心能力，彻底重构系统设计的交互逻辑。
第三阶段为全生命周期AI驱动的数字工程平台阶段。SysML-MBSE工具将进化为覆盖复杂系统“需求-设计-仿真-制造-运维-退役”全生命周期的数字工程智能中枢，实现“设计理念即数字孪生模型，数字模型驱动物理实体全生命周期”的闭环，MBSE将成为数字工程的核心语义载体。
当然，这场变革面临着诸多核心行业挑战，也是当前AI能力无法实现规模化落地的核心原因：
其一，安全关键领域的模型准确性与可解释性挑战。航空航天、汽车等安全关键领域，对系统模型的严谨性、可追溯性、可解释性有极高要求，而当前生成式AI存在的“幻觉”问题、黑箱推理特性，无法满足功能安全标准的可追溯要求。截至2026年，行业尚未建立AI生成模型的合规性校验标准，无法确保AI生成内容的安全性与可靠性，这是AI技术在MBSE领域落地的最大障碍。
其二，核心技术成熟度与工程落地的差距挑战。当前多模态AI在MBSE领域的应用，大多停留在原型验证与Demo演示阶段，无法处理复杂系统的层级化需求、多专业接口匹配、行业规范约束等工程实际问题。生成的模型与内容无法直接用于工程设计，需要人工全量复核重构，反而增加了设计工作量，导致工程落地的性价比极低。
其三，企业核心数据安全与知识产权保护挑战。SysML模型中包含了企业核心的系统架构、技术方案、知识产权等敏感数据，通用大模型的公有化部署模式存在数据泄露风险。而面向MBSE的垂直领域大模型，需要海量的企业型号项目数据进行训练，数据安全与模型训练之间的矛盾难以调和，同时AI生成内容的知识产权归属尚无明确的行业规范与法律界定。
其四，设计师能力转型与行业人才体系重构挑战。AI的普及将彻底改变系统工程师的能力要求，从“精通SysML语法与工具操作”转向“具备顶尖的系统架构设计能力、需求洞察能力、风险管控能力与AI协同决策能力”。当前行业的人才培养体系仍以工具操作、语法规范为核心，尚未形成适配AI时代的人才培养体系。
五、结语
多模态AI时代，不是SysML-MBSE的终结，而是其真正释放核心价值的机遇。长期以来，MBSE的价值被工具的高门槛、高复杂度所限制，而多模态AI的出现，为打破这一壁垒提供了底层技术可能性。
但必须正视的是，目前全行业仍处于AI+MBSE的早期探索阶段，所有商用工具的AI能力均停留在碎片化的辅助增强层面，距离真正的端到端AI辅助设计仍有显著差距，行业内不存在成熟可落地的全流程AI辅助MBSE解决方案。无论是国际头部厂商，还是国产工具企业，均未实现“让设计师完全专注于设计理念、不为工具分心”的核心目标。
未来，随着SysML v2标准的全面普及、垂直领域大模型的技术成熟与行业合规体系的完善，SysML-MBSE工具的终极形态，有望成为一个零门槛的设计创新平台。设计师不需要掌握任何建模语法，不需要学习复杂的工具操作，只需要清晰表达自己的设计理念、需求目标与创新想法，AI就能自动完成全流程的落地执行，让设计师的所有精力都能投入到设计理念的创新、系统架构的优化与核心需求的满足上，真正实现“设计以人为本，工具服务于创新”。
对于国内系统工程行业而言，多模态AI与SysML v2的结合，为国产MBSE工具提供了历史性机遇。摆脱了传统工具的图形编辑器路径依赖，以AI原生为核心构建的国产MBSE平台，可快速适配国内高端装备领域的行业规范与设计需求，打破国际厂商的长期垄断，推动我国复杂系统工程能力的跨越式升级。
总之，多模态AI的到来，并不意味着取代人类设计师，而是解放他们的双手与心灵。当我们不再为“如何把想法变成图”而焦虑时，我们才有机会真正思考：“这个系统到底应该是什么样子？”“它能否改善人们的生活？”“它的长期影响是什么？”
SysML 作为一种语言，不应成为创新的枷锁，而应成为通往无限可能的桥梁。在AI的助力下，未来的 MBSE 将不再是是一场充满诗意与智慧的思想实验。
让我们共同迎接这样一个时代：设计师仰望星空，AI 负责落地，人类负责梦想。
