前沿工程：2026年值得關注的AI與無線趨勢

2026年至2030年間，人工智能和無線通信的進步將在多個關鍵領域重塑工程實踐。智能體 AI（Agentic AI）與標準化協議將簡化工程工作流程，混合非地面與地面網絡將擴展無線覆蓋范圍，新的AI方法也將增強嵌入式系統和仿真流程。上述趨勢將共同改變工程師設計、連接及管理復雜工程系統的方式。

 

趨勢一：智能體AI與模型上下文協議重塑工程工作流程

AI在工程領域的下一個進化方向是智能體AI。與傳統的大語言模型（LLM）只基于內部知識進行響應不同，智能體AI系統能夠執行工具，獲取額外信息或自動化任務。這些系統能夠根據用戶請求選擇合適的工具，為工具格式化數據并對結果進行后處理。智能體AI系統可創建和編輯文件、執行代碼及解決錯誤，從而帶來諸多可能性。

開發者目前正在提升智能體AI的能力，以確保其在現實世界的安全集成。盡管當前的智能體AI系統在有限工具集下效果最佳，但相關研究正致力于擴展其選擇和使用更大工具集的能力。隨著這些系統越來越多地被賦予對文件系統、數據庫和代碼執行的訪問權限，確保其在執行這些軟件開發任務時的安全性至關重要。雖然LLM會犯錯，但當前研究正聚焦于降低安全風險，讓智能體AI強大的能力變得更易用、更可信。這些進步將為更廣泛的應用和影響鋪平道路。

 

在對銥星軌道和地面站連接的實時仿真中，展示了衛星中繼路徑和飛機跟蹤。

AI智能體要有效運行，需要可靠的方式來理解和交換信息。模型上下文協議（MCP）正是為此而生，它通過標準化智能體AI系統各組件間工具、數據和提示的共享方式，統一了通信與上下文，從而減少誤解并促進工具與團隊間的順暢協作。因此工程師可以從多種集成MCP的工具中選擇，針對每個問題的具體需求定制工具集。

當AI智能體與MCP結合時，無論底層軟件或組織邊界如何，它們都能解讀和操作工程模型。這一能力使得提出設計備選方案、協調仿真以及實時調整工程工作流程成為可能，確保與項目目標和行業標準保持一致。隨著這些技術的成熟，工程師將能把更多時間用于創造性地解決問題，而不是管理工具和數據。

 

趨勢二：2026年混合NTN-TN網絡成型

非地面網絡（NTN）正進入新的部署階段，實際應用正在補充地面網絡（TN）基礎設施。3GPP Release 17 標準為NTN-TN互操作性提供了基礎，明確了可靠性和時延參數，而 Release 18則擴展了對NTN-IoT和更高頻段的支持，這對可擴展、高吞吐量架構至關重要。對于無線工程師而言，這一轉變帶來了跨直連到手機和網絡協調等方面的新設計與集成挑戰。

NTN并非取代TN，而是對其進行補充，形成將定義下一代全球無線連接的混合生態系統。無線工程師的一個主要技術關注點是確保衛星與地面鏈路間的可靠切換。NTN與TN間的互操作性至關重要，因為切換管理和資源協調最終將決定整個系統設計的成敗。對射頻領域來說，NTN-TN網絡的出現也意味著對靈活多頻段收發器和在多變傳播環境下穩健信道建模的需求日益增長。

 

在將人工智能集成到工程系統時，工程師不僅要關注模型的構建，更要關注整個AI 工作流程。

 

趨勢三：AI增強復雜嵌入式系統性能

AI對嵌入式軟件的影響正在加速。復雜嵌入式系統傳統上依賴基于規則的邏輯和手工調優算法。當前正發生轉變，即將先進的AI模型直接部署到微控制器、現場可編程門陣列（FPGA）、GPU和NPU。這一集成將使邊緣設備能夠在本地更快、更智能地做出決策，減少對云連接的依賴，提高系統的彈性。

三項關鍵技術支持了向嵌入式AI模型的轉變：模型壓縮方法、自動代碼生成和系統級模型測試。結構性模型壓縮方法（如剪枝和投影）以及數據類型壓縮方法（如量化），使復雜模型能夠高效運行于邊緣設備。自動代碼生成工具將壓縮后的AI模型轉換為可針對特定平臺優化實現的C/C++代碼。系統級模型測試確保壓縮并部署的模型在完整嵌入式系統中表現可靠，驗證其功能正確性和真實世界行為。這些工具幫助工程師從概念到部署更加迅速和自信。

嵌入式AI模型至關重要的一個應用領域是虛擬傳感。工程師利用AI模型通過其他傳感器數據推斷難以直接測量或成本高昂的物理量，實現高效監測，減少額外硬件傳感器的需求，同時保持準確性和可靠性。例如，梅賽德斯-奔馳采用嵌入式AI方法，創建了基于深度學習的虛擬傳感器，用于實時質量流量估算，并將其本地部署于ECU。虛擬傳感的進步降低了成本和復雜性，在廣泛的嵌入式應用中創造出更智能、更具響應性的系統。

 

風力發電機的非線性降階模型，包括空氣動力學的靜態映射以及傳動鏈和轉子—塔架動力學的子模型。

 

趨勢四：基于AI的ROM重新定義仿真與設計 流程

隨著工程挑戰在規模和復雜性上的不斷增長，基于AI的降階建模（ROM）技術將變得越來越普及。它正幫助工程師彌合高保真第一性原理仿真，與快速設計探索、優化及實時仿真需求之間的鴻溝。這為模型帶來了既具備高計算效率，又具有高度預測能力的可能性。 

基于AI的降階建模通過利用計算高效的神經網絡或其他AI架構，捕捉物理模型中最核心的動態，從而簡化復雜的基于物理的模型。這使得工程師能夠更快地進行仿真和優化，使實時復雜系統分析成為可能。AI ROM的一個例子是純黑盒AI模型，僅使用高保真仿真模型的輸入輸出數據進行學習。它也可以是混合的，物理知識驅動的機器學習模型，結合了工程師的物理知識。混合模型所需的數據更少，減少了昂貴的全階模型仿真次數。混合模型還擅長泛化，為不同的輸入信號和參數值提供更可靠的預測。基于AI的ROM將變革汽車、航空航天以及能源等多個行業。

在汽車工程領域，ROM可以幫助優化充電策略、延長電池壽命并增強電動和混合動力汽車的安全功能。AI驅動的模型通過捕捉電化學動態，提升電池管理系統（BMS），使控制系統工程師能夠運行快速的系統級仿真來驗證BMS邏輯。基于AI的ROM還可以幫助航空航天工程師預測飛行過程中的氣動力與結構響應。它還能降低計算需求，實現實時仿真，支持更輕、更高效飛機的設計，并加速材料測試，無需大量風洞實驗。能源行業則利用ROM預測設備性能和系統行為，這對于電網穩定性和預測性維護至關重要。ROM能夠預測變壓器、渦輪機等關鍵資產的故障。

 

趨勢五：信道建模迎來生成式AI升級

無線工程師如今正在探索將大語言模型（LLM）納入其工作流程和設計中。研究人員正在考慮如何利用 LLM 實現具備上下文感知的決策，并簡化復雜無線環境的管理。

 

利用射線追蹤信道對通信鏈路中的移動性進行建模。

信道建模是LLM集成中最具潛力的關鍵流程之一。雖然信道建模最初被認為只是具有可擴展性限制的輔助功能，但如今，準確的信道建模已成為多用戶多輸入多輸出（MIMO）和波束賦形系統的核心環節。生成式AI（GenAI）將使工程師能夠探索以往難以實現的復雜場景，從而生成更具代表性和可操作性的信道模型。

盡管LLM目前還無法直接控制物理層功能（如波束指向），但它們可以為指導射頻行為的高層決策提供信息。早期部署將受限于功耗和算力，但針對輕量級生成式AI模型和AI原生架構的持續研究，正在為可擴展、邊緣就緒的實現鋪平道路。對于無線系統設計師而言，這一演進預示著物理層性能與AI驅動的編排和決策需求的日益融合。

 

AI與無線工程的未來之路

應對新的技術和安全挑戰需要跨學科協作和細致的系統設計。通過適應這些變化，工程團隊能夠更好地管理復雜性，打造更強大、更具韌性的未來工程系統。

本文供稿：MathWorks

 

來源：榮格-《智能制造縱橫》

原創聲明：
本站所有原創內容未經允許，禁止任何網站、微信公眾號等平臺等機構轉載、摘抄，否則榮格工業傳媒保留追責權利。任何此前未經允許，已經轉載本站原創文章的平臺，請立即刪除相關文章。