从生成式对话到智能体驱动：MathWorks如何破解嵌入式AI的“确定性”难题？

当大语言模型带来的“幻觉”，遇上航空航天与汽车电子等工程领域对“100%确定性”的近乎偏执的要求，一场关于工程范式的代际冲突正在上演。2026年，被业界定义为智能体AI的元年，MathWorks在MATLAB EXPO China上交出了它的答卷。通过不久前全新推出的MCP Core Server与Agentic Toolkit，MathWorks试图弥合不确定的AI推理与绝对确定的物理仿真之间的鸿沟。这不仅是一次工具链的升级，更是对物理AI将设计周期从16天缩短至5分钟这一突破的深度复盘。在智能体时代，工程设计的第一性原理正在经历从编写代码向目标导向的结构性迁移。

在漫长的历史长河中，工具链的演变往往预示着生产力逻辑的根本性重构。回顾过去四十年的计算时代演变，我们可以清晰地观察到四个关键代际的更迭。从1986年开启的函数时代，核心在于算法的可访问性与专业化；随后进入的App时代，侧重于集成工作流与系统级思维；2024年，行业步入生成式AI对话时代，AI开始辅助生成代码与逻辑解释；而到了2026年，行业正式跨入智能体时代。智能体与此前Copilot工具的本质区别在于其自主性，智能体不仅能够编写代码，还能自主阅读需求、执行复杂工作流并进行迭代验证。

然而，对于嵌入式系统工程师而言，这种自主性是一把双刃剑。大语言模型生成的内容具有显著的不确定性，这种不确定性在安全等级要求极高的航空航天、汽车电子及医疗设备领域是无法接受的。因此，MathWorks在MATLAB EXPO China 2026上展示的底层布局，并非简单地集成大模型，而是通过一套名为工程化AI的闭环，试图将AI的创造力约束在物理定律的铁律之下，在不确定的AI推理与绝对确定的物理仿真之间搭建一座透明的桥梁。

嵌入式AI部署的算力约束与工程化闭环

嵌入式系统在部署AI模型时，面临着算力资源有限、实时性要求严苛以及安全性挑战突出等一系列现实问题。AI算法在云端可以追求极致的复杂度和参数规模，但当其回归到边缘侧的嵌入式芯片时，必须在有限的功耗和计算周期内完成推理。MathWorks公司MATLAB产品家族市场总监David Rich在受访时明确指出：“AI算法可以做得很复杂，但是你要部署的时候，对算力是有要求的。”

为了解决这一痛点，MathWorks通过MATLAB®和Simulink®的工具链提供了一个三位一体的工程化方案。首先是针对生成式AI模型及嵌入式AI模型的压缩与量化，利用Taylor投影剪枝等先进技术，在尽可能保留模型精度的前提下，显著降低其对算力的占用。其次是开放的集成能力，工程师可以将外部已经量化好的经典算法模型导入MATLAB环境，与现有的系统级模型进行集成、测试与仿真。最后是在代码生成阶段，针对特定的硬件平台进行深度优化，确保生成的C/C++或HDL代码能够充分利用底层芯片的加速指令集。

这种从算法到部署的闭环，本质上是在解决AI模型在嵌入式环境下的落地可行性。在半导体芯片供应商日益分化的今天，硬件架构正朝着专用化与泛化两个极端演进。一方面是针对特定应用如车载摄像头的专用芯片，另一方面是追求极低成本的通用电气架构。MathWorks通过硬件支持包（Hardware Support Package）提前布局，在仿真阶段即可调用硬件特性进行处理器在环或硬件在环测试。随着生成式AI的介入，这种接口识别与代码优化的过程变得更加快捷。工程师不再需要手动编写繁琐的底层驱动对接代码，而是通过AI辅助生成的优化路径，将复杂的深度学习网络高效地映射到ARM Cortex-M、FPGA或GPU等异构计算平台上。这种工程化的经验积累，是纯粹的通用大模型所不具备的，也是MathWorks在AI时代的核心竞争力所在。

Agentic AI时代的确定性挑战与MCP架构演进

进入2026年，AI智能体的兴起让软件开发方法发生了深刻变革。与传统的基于模型的开发相比，以AI为中心的开发方法虽然提升了效率，但也引入了幻觉问题。David Rich在谈到大语言模型的不确定性时表示：“第一个就是它有很显著的不确定性，同一个大语言模型，大家可以试一试，同一个问题问它10次，可能回答10次都是不一样的，或者是几种不一样的答案。对于追求100%确定性的工程项目而言，这种随机性是致命的。”

为了突破这一难题，帮助MATLAB用户插上AI的翅膀，MathWorks推出了MATLAB MCP Core Server及Agentic Toolkit。MCP架构作为一个基于开放标准的连接层，其核心使命是为不确定的AI智能体提供一个确定的执行环境。通过MCP协议，智能体可以安全地调用MATLAB中经过验证的、数学上精确的模块库。

这种架构演进不仅解决了技术层面的确定性问题，还巧妙地应对了数据安全与私有化部署的现实需求。许多企业不想或者无法直接使用公有云上的大模型服务，数据泄露风险是其核心顾虑。MCP Core Server允许企业将大模型部署在私有云上，通过加密系统保证数据安全。同时，MathWorks引入了Bring Your Own Key（BYOK）模式，支持用户接入自己选择的OpenAI模型。为了引导智能体生成高质量的工程代码，MathWorks还提供了Skill Files，这些文件将MATLAB数十年的工程化经验编码成智能体可理解的技能。如果没有这些技能文件的引导，智能体可能会在函数调用和模块选择上产生偏差。通过这种方式，MathWorks将AI的灵活性与MATLAB的严谨性结合在一起，确保智能体生成的每一个控制系统模型都符合工程规范，并能在Simulink环境中进行严格的验证与仿真。

高安全等级系统中的AI验证范式与W型开发曲线

在航空航天、汽车电子等高安全等级行业，任何新技术的引入都必须经过严苛的适航或安全认证。传统的V型开发流程在面对具有自学习特性的AI组件时显得捉襟见肘。为此，行业开始探索更为复杂的W型开发曲线，强调对学习过程本身的验证。David Rich认为，尽管自动化工具在不断进步，但人工干预在关键节点依然不可替代，他提到：“在整个过程中，其实你或多或少还需要一些人工干预。“这种干预首先体现在数据的预处理阶段。如果输入训练模型的数据本身存在偏差或错误，那么无论算法多么先进，训练出来的模型也必然是错误的。工程师需要人工确定数据的相关性与准确性，这是保证AI模型可信度的第一道防线。

在W型开发框架下，AI组件被视为受限实体，其开发过程增加了独立的学习过程管理与验证环节。MathWorks通过提供一系列验证与自动化工具，帮助企业建立定制化的CI/CD持续集成流程。例如，在模型训练完成后，需要通过推理模型验证与集成测试，确保AI组件在各种边界条件下都能做出正确的决策。对于智能体生成的代码，MathWorks的平台提供了自动化的测试环境，能够快速识别AI产生的幻觉或逻辑错误。这种严谨的验证体系，是AI在工业领域大规模落地的先决条件。光有速度是不够的，如果AI生成的控制逻辑导致车辆在行驶中发生碰撞，那么这种效率提升就毫无意义。因此，MathWorks的定位非常明确，即作为AI正确性的守护者，通过确定性的测试验证平台，为不确定的AI产出提供安全背书。

Physics Informed AI与降阶模型在复杂系统仿真中的应用

在现代工程设计中，仿真效率往往是制约项目进度的瓶颈。高保真的物理模型虽然精确，但计算量巨大，往往需要数天甚至数周才能完成一次完整的系统级优化。物理信息AI（Physics Informed AI）的出现，为这一难题提供了新的解法。与纯粹基于数据驱动的AI不同，物理信息AI在训练过程中遵循物理定律的约束，使其生成的模型不仅具有极高的计算效率，还具备物理上的合理性。David Rich强调了物理基础的重要性：“工程师还是需要懂物理系统的，你还是要比较懂第一性原理的物理模型，才能训练AI。”只有在具备物理限制的情况下建立模型，AI的预测才会更加精准，不会产生违背物理常识的输出。

降阶模型（ROM）是物理信息AI的一个典型应用场景。在本次展示的一个关于复杂系统设计的真实案例中，传统的基于物理的模型优化循环需要耗时16天。通过引入AI降阶模型，在保证关键性能指标精度几乎不变的前提下，整个设计循环被缩短到了惊人的5分钟。这种效率的跨越式提升，让工程师能够从繁重的计算等待中解脱出来，将精力投入到更高层级的系统架构优化中。MathWorks在这一领域做了大量投入，涵盖了发动机热管理、电池系统、自动驾驶动力学仿真等多个方向。通过将仿真与现实（Simulation to Reality）紧密结合，MathWorks不断优化其工具箱，支持工程师在遵循物理规律的前提下，利用AI技术加速复杂系统的迭代过程。

生成式AI驱动下的工程师职能重构与技能迁移

生成式AI的普及正在深刻改变工程师的工作方式。一个值得关注的统计数据显示，在传统的软件开发活动中，编写代码的时间仅占5%，而理解代码占35%，非编码活动如会议、计划和学习则占据了50%。生成式AI的介入，其最直接的影响是极大地压缩了那5%的编写时间，并开始渗透进那35%的代码理解与调试环节。面对这种变革，许多人担心AI会替代工程师。对此，David Rich给出了坚定的回答：“我们从来不担心会被AI替代，我们的策略是敞开怀抱，拥抱AI时代。”他认为，被替代的不是工程师本身，而是工程师使用产品的方式。

未来的工程师将从繁琐的代码编写者转变为系统架构的设计者与AI产出的评审员。过去，工程师需要花费大量时间查阅文档、编写底层驱动和调试语法错误；未来，他们将通过大语言模型清晰地描述需求，由智能体结合Simulink自动构建控制系统模型。这种转变要求工程师具备更强的目标导向思维和跨领域协同能力。虽然AI可以处理简单的重复性任务，但在处理复杂、高耦合的工程问题时，AI往往会表现出过度自信。此时，工程师对第一性原理的深刻理解就成为了最后的把关者。他们需要判断AI生成的方案是否可行，是否满足安全约束，并能针对AI的不足进行微调。这种技能迁移意味着，未来的工程教育将更加注重系统级思维和物理本质的理解，而非单纯的编程技巧。

本地化生态建设与中国市场的结构性增长机遇

在全球工程软件市场中，中国市场的地位正日益凸显。根据MathWorks披露的数据，中国在MATLAB MCP Core Server的用户数量排名中位居全球第二，仅次于美国，超过了日本、英国和德国。这一排名不仅反映了中国庞大的工程师基数，更体现了中国企业在拥抱生成式AI及智能体技术方面的积极态度。David Rich对中国市场的未来充满期待，他认为随着信息传播速度的加快，中国区的用户数量将会出现持续的结构性增长。为了更好地支持本地客户，MathWorks在中国一直坚持一套系统的发展策略。David Rich将其总结为：扎根教育，深耕行业，深度支持，广泛合作。“这十六字方针是我们一直秉持的。”

在扎根教育方面，MathWorks投入大量资源培养新一代掌握先进工具的工程师力量。在深耕行业方面，MathWorks在汽车、航空航天、通信、半导体等十多个关键行业进行了深度布局。特别是在中国蓬勃发展的商业航天和新能源汽车领域，MathWorks的高安全性与高可靠性工具链已成为行业标配。面对国产仿真软件的竞争，MathWorks选择通过加速产品迭代和强化AI集成能力来应对。目前，MathWorks在全球拥有超过500家合作伙伴，涵盖了软件、硬件、测试及云服务等多个领域。这种开放的生态系统，让中国客户能够灵活地将MATLAB与本地化的软硬件环境相结合。无论是应对信创市场的特殊需求，还是在红海竞争中追求极致的研发效率，MathWorks都试图通过深度支持与广泛合作，与中国工程界共同构建一个面向AI时代的创新生态。

综上所述，智能体时代的到来并未改变工程设计的基本原则，但确实彻底改变了实现这些原则的路径。MathWorks通过构建MCP架构、引入物理信息AI以及完善AI验证体系，为嵌入式智能的落地提供了坚实的工程化支撑。在不确定的AI浪潮中，确定性依然是工程界的压舱石。对于广大工程师而言，学会与AI这位智力超群但偶尔会犯错的“新同事”协作，将是未来十年最重要的职业课题。工程设计的未来将更加以目标为导向，而MathWorks则致力于成为连接创意与现实的那座稳固桥梁。