2026 年至 2030 年間，人工智能和無(wú)線通信的進(jìn)步將在多個(gè)關(guān)鍵領(lǐng)域重塑工程實(shí)踐。智能體 AI(Agentic AI)與標(biāo)準(zhǔn)化協(xié)議將簡(jiǎn)化工程工作流程，混合非地面與地面網(wǎng)絡(luò)將擴(kuò)展無(wú)線覆蓋范圍，新的 AI 方法也將增強(qiáng)嵌入式系統(tǒng)和仿真流程。上述趨勢(shì)將共同改變工程師設(shè)計(jì)、連接及管理復(fù)雜工程系統(tǒng)的方式。

趨勢(shì)一：智能體 AI 與模型上下文協(xié)議重塑工程工作流程

AI 在工程領(lǐng)域的下一個(gè)進(jìn)化方向是智能體 AI。與傳統(tǒng)的大語(yǔ)言模型(LLM)只基于內(nèi)部知識(shí)進(jìn)行響應(yīng)不同，智能體 AI 系統(tǒng)能夠執(zhí)行工具，獲取額外信息或自動(dòng)化任務(wù)。這些系統(tǒng)能夠根據(jù)用戶請(qǐng)求選擇合適的工具，為工具格式化數(shù)據(jù)并對(duì)結(jié)果進(jìn)行后處理。智能體 AI 系統(tǒng)可創(chuàng)建和編輯文件、執(zhí)行代碼及解決錯(cuò)誤，從而帶來(lái)諸多可能性。

AI 智能體代理可訪問(wèn)文件系統(tǒng)和數(shù)據(jù)庫(kù)，根據(jù)用戶請(qǐng)求使用合適的工具自動(dòng)化任務(wù)。

開(kāi)發(fā)者目前正在提升智能體 AI 的能力，以確保其在現(xiàn)實(shí)世界的安全集成。盡管當(dāng)前的智能體 AI 系統(tǒng)在有限工具集下效果最佳，但相關(guān)研究正致力于擴(kuò)展其選擇和使用更大工具集的能力。隨著這些系統(tǒng)越來(lái)越多地被賦予對(duì)文件系統(tǒng)、數(shù)據(jù)庫(kù)和代碼執(zhí)行的訪問(wèn)權(quán)限，確保其在執(zhí)行這些軟件開(kāi)發(fā)任務(wù)時(shí)的安全性至關(guān)重要。雖然 LLM 會(huì)犯錯(cuò)，但當(dāng)前研究正聚焦于降低安全風(fēng)險(xiǎn)，讓智能體 AI 強(qiáng)大的能力變得更易用、更可信。這些進(jìn)步將為更廣泛的應(yīng)用和影響鋪平道路。

AI 智能體要有效運(yùn)行，需要可靠的方式來(lái)理解和交換信息。模型上下文協(xié)議(MCP)正是為此而生，它通過(guò)標(biāo)準(zhǔn)化智能體 AI 系統(tǒng)各組件間工具、數(shù)據(jù)和提示的共享方式，統(tǒng)一了通信與上下文，從而減少誤解并促進(jìn)工具與團(tuán)隊(duì)間的順暢協(xié)作。因此工程師可以從多種集成 MCP 的工具中選擇，針對(duì)每個(gè)問(wèn)題的具體需求定制工具集。

當(dāng) AI 智能體與 MCP 結(jié)合時(shí)，無(wú)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(shè)計(jì)備選方案、協(xié)調(diào)仿真以及實(shí)時(shí)調(diào)整工程工作流程成為可能，確保與項(xiàng)目目標(biāo)和行業(yè)標(biāo)準(zhǔn)保持一致。隨著這些技術(shù)的成熟，工程師將能把更多時(shí)間用于創(chuàng)造性地解決問(wèn)題，而不是管理工具和數(shù)據(jù)。

趨勢(shì)二：2026 年混合 NTN-TN 網(wǎng)絡(luò)成型

非地面網(wǎng)絡(luò)(NTN)正進(jìn)入新的部署階段，實(shí)際應(yīng)用正在補(bǔ)充地面網(wǎng)絡(luò)(TN)基礎(chǔ)設(shè)施。3GPP Release 17 標(biāo)準(zhǔn)為 NTN-TN 互操作性提供了基礎(chǔ)，明確了可靠性和時(shí)延參數(shù)，而 Release 18 則擴(kuò)展了對(duì) NTN-IoT 和更高頻段的支持，這對(duì)可擴(kuò)展、高吞吐量架構(gòu)至關(guān)重要。對(duì)于無(wú)線工程師而言，這一轉(zhuǎn)變帶來(lái)了跨直連到手機(jī)和網(wǎng)絡(luò)協(xié)調(diào)等方面的新設(shè)計(jì)與集成挑戰(zhàn)。

在對(duì)銥星軌道和地面站連接的實(shí)時(shí)仿真中，展示了衛(wèi)星中繼路徑和飛機(jī)跟蹤。

NTN 并非取代 TN，而是對(duì)其進(jìn)行補(bǔ)充，形成將定義下一代全球無(wú)線連接的混合生態(tài)系統(tǒng)。無(wú)線工程師的一個(gè)主要技術(shù)關(guān)注點(diǎn)是確保衛(wèi)星與地面鏈路間的可靠切換。NTN 與 TN 間的互操作性至關(guān)重要，因?yàn)榍袚Q管理和資源協(xié)調(diào)最終將決定整個(gè)系統(tǒng)設(shè)計(jì)的成敗。對(duì)射頻領(lǐng)域來(lái)說(shuō)，NTN-TN 網(wǎng)絡(luò)的出現(xiàn)也意味著對(duì)靈活多頻段收發(fā)器和在多變傳播環(huán)境下穩(wěn)健信道建模的需求日益增長(zhǎng)。

趨勢(shì)三：AI 增強(qiáng)復(fù)雜嵌入式系統(tǒng)性能

AI 對(duì)嵌入式軟件的影響正在加速。復(fù)雜嵌入式系統(tǒng)傳統(tǒng)上依賴基于規(guī)則的邏輯和手工調(diào)優(yōu)算法。當(dāng)前正發(fā)生轉(zhuǎn)變，即將先進(jìn)的 AI 模型直接部署到微控制器、現(xiàn)場(chǎng)可編程門陣列(FPGA)、GPU 和 NPU。這一集成將使邊緣設(shè)備能夠在本地更快、更智能地做出決策，減少對(duì)云連接的依賴，提高系統(tǒng)的彈性。

在將人工智能集成到工程系統(tǒng)時(shí)，工程師不僅要關(guān)注模型的構(gòu)建，更要關(guān)注整個(gè) AI 工作流程。

三項(xiàng)關(guān)鍵技術(shù)支持了向嵌入式 AI 模型的轉(zhuǎn)變：模型壓縮方法、自動(dòng)代碼生成和系統(tǒng)級(jí)模型測(cè)試。結(jié)構(gòu)性模型壓縮方法(如剪枝和投影)以及數(shù)據(jù)類型壓縮方法(如量化)，使復(fù)雜模型能夠高效運(yùn)行于邊緣設(shè)備。自動(dòng)代碼生成工具將壓縮后的 AI 模型轉(zhuǎn)換為可針對(duì)特定平臺(tái)優(yōu)化實(shí)現(xiàn)的 C/C++ 代碼。系統(tǒng)級(jí)模型測(cè)試確保壓縮并部署的模型在完整嵌入式系統(tǒng)中表現(xiàn)可靠，驗(yàn)證其功能正確性和真實(shí)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(guān)重要的一個(gè)應(yīng)用領(lǐng)域是虛擬傳感。工程師利用 AI 模型通過(guò)其他傳感器數(shù)據(jù)推斷難以直接測(cè)量或成本高昂的物理量，實(shí)現(xiàn)高效監(jiān)測(cè)，減少額外硬件傳感器的需求，同時(shí)保持準(zhǔn)確性和可靠性。例如，梅賽德斯-奔馳采用嵌入式 AI 方法，創(chuàng)建了基于深度學(xué)習(xí)的虛擬傳感器，用于實(shí)時(shí)質(zhì)量流量估算，并將其本地部署于 ECU。虛擬傳感的進(jìn)步降低了成本和復(fù)雜性，在廣泛的嵌入式應(yīng)用中創(chuàng)造出更智能、更具響應(yīng)性的系統(tǒng)。

趨勢(shì)四：基于 AI 的 ROM 重新定義仿真與設(shè)計(jì)流程

隨著工程挑戰(zhàn)在規(guī)模和復(fù)雜性上的不斷增長(zhǎng)，基于 AI 的降階建模(ROM)技術(shù)將變得越來(lái)越普及?；?AI 的 ROM 正在幫助工程師彌合詳細(xì)的第一性原理仿真與對(duì)快速設(shè)計(jì)探索、優(yōu)化和實(shí)時(shí)仿真的需求之間的鴻溝?；?AI 的 ROM 為模型帶來(lái)了既具備高計(jì)算效率又具有高度預(yù)測(cè)能力的可能性。

風(fēng)力發(fā)電機(jī)的非線性降階模型，包括空氣動(dòng)力學(xué)的靜態(tài)映射以及傳動(dòng)鏈和轉(zhuǎn)子—塔架動(dòng)力學(xué)的子模型。

基于 AI 的降階建模通過(guò)利用計(jì)算高效的神經(jīng)網(wǎng)絡(luò)或其他 AI 架構(gòu)，捕捉物理模型中最核心的動(dòng)態(tài)，從而簡(jiǎn)化復(fù)雜的基于物理的模型。這使得工程師能夠更快地進(jìn)行仿真和優(yōu)化，使實(shí)時(shí)復(fù)雜系統(tǒng)分析成為可能。AI ROM 的一個(gè)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(shù)據(jù)進(jìn)行學(xué)習(xí)。它也可以是混合的，物理知識(shí)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)模型，結(jié)合了工程師的物理知識(shí)?；旌夏Ｐ退璧臄?shù)據(jù)更少，減少了昂貴的全階模型仿真次數(shù)。混合模型還擅長(zhǎng)泛化，為不同的輸入信號(hào)和參數(shù)值提供更可靠的預(yù)測(cè)?；?AI 的 ROM 將變革汽車、航空航天以及能源等多個(gè)行業(yè)。

在汽車工程領(lǐng)域，ROM 可以幫助優(yōu)化充電策略、延長(zhǎng)電池壽命并增強(qiáng)電動(dòng)和混合動(dòng)力汽車的安全功能。AI 驅(qū)動(dòng)的模型通過(guò)捕捉電化學(xué)動(dòng)態(tài)，提升電池管理系統(tǒng)(BMS)，使控制系統(tǒng)工程師能夠運(yùn)行快速的系統(tǒng)級(jí)仿真來(lái)驗(yàn)證 BMS 邏輯?；?AI 的 ROM 還可以幫助航空航天工程師預(yù)測(cè)飛行過(guò)程中的氣動(dòng)力與結(jié)構(gòu)響應(yīng)。它還能降低計(jì)算需求，實(shí)現(xiàn)實(shí)時(shí)仿真，支持更輕、更高效飛機(jī)的設(shè)計(jì)，并加速材料測(cè)試，無(wú)需大量風(fēng)洞實(shí)驗(yàn)。能源行業(yè)則利用 ROM 預(yù)測(cè)設(shè)備性能和系統(tǒng)行為，這對(duì)于電網(wǎng)穩(wěn)定性和預(yù)測(cè)性維護(hù)至關(guān)重要。ROM 能夠預(yù)測(cè)變壓器、渦輪機(jī)等關(guān)鍵資產(chǎn)的故障。

趨勢(shì)五：信道建模迎來(lái)生成式 AI 升級(jí)

無(wú)線工程師如今正在探索將大語(yǔ)言模型(LLM)納入其工作流程和設(shè)計(jì)中。研究人員正在考慮如何利用 LLM 實(shí)現(xiàn)具備上下文感知的決策，并簡(jiǎn)化復(fù)雜無(wú)線環(huán)境的管理。

利用射線追蹤信道對(duì)通信鏈路中的移動(dòng)性進(jìn)行建模。

信道建模是 LLM 集成中最具潛力的關(guān)鍵流程之一。雖然信道建模最初被認(rèn)為只是具有可擴(kuò)展性限制的輔助功能，但如今，準(zhǔn)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(tǒng)的核心環(huán)節(jié)。生成式 AI(GenAI)將使工程師能夠探索以往難以實(shí)現(xiàn)的復(fù)雜場(chǎng)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(wú)法直接控制物理層功能(如波束指向)，但它們可以為指導(dǎo)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(duì)輕量級(jí)生成式 A I模型和 AI 原生架構(gòu)的持續(xù)研究，正在為可擴(kuò)展、邊緣就緒的實(shí)現(xiàn)鋪平道路。對(duì)于無(wú)線系統(tǒng)設(shè)計(jì)師而言，這一演進(jìn)預(yù)示著物理層性能與 AI 驅(qū)動(dòng)的編排和決策需求的日益融合。

AI 與無(wú)線工程的未來(lái)之路

應(yīng)對(duì)新的技術(shù)和安全挑戰(zhàn)需要跨學(xué)科協(xié)作和細(xì)致的系統(tǒng)設(shè)計(jì)。通過(guò)適應(yīng)這些變化，工程團(tuán)隊(duì)能夠更好地管理復(fù)雜性，打造更強(qiáng)大、更具韌性的未來(lái)工程系統(tǒng)。