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

趨勢一：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)域的下一個進化方向是智能體 AI。與傳統(tǒng)的大語言模型（LLM）只基于內(nèi)部知識進行響應(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化任務(wù)。這些系統(tǒng)能夠根據(jù)用戶請求選擇合適的工具，為工具格式化數(shù)據(jù)并對結(jié)果進行后處理。智能體 AI 系統(tǒng)可創(chuàng)建和編輯文件、執(zhí)行代碼及解決錯誤，從而帶來諸多可能性。

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

開發(fā)者目前正在提升智能體 AI 的能力，以確保其在現(xiàn)實世界的安全集成。盡管當前的智能體 AI 系統(tǒng)在有限工具集下效果最佳，但相關(guān)研究正致力于擴展其選擇和使用更大工具集的能力。隨著這些系統(tǒng)越來越多地被賦予對文件系統(tǒng)、數(shù)據(jù)庫和代碼執(zhí)行的訪問權(quán)限，確保其在執(zhí)行這些軟件開發(fā)任務(wù)時的安全性至關(guān)重要。雖然 LLM 會犯錯，但當前研究正聚焦于降低安全風(fēng)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(yīng)用和影響鋪平道路。 

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(xié)議（MCP）正是為此而生，它通過標準化智能體 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工具與團隊間的順暢協(xié)作。因此工程師可以從多種集成 MCP 的工具中選擇，針對每個問題的具體需求定制工具集。 

當 AI 智能體與 MCP 結(jié)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(shè)計備選方案、協(xié)調(diào)仿真以及實時調(diào)整工程工作流程成為可能，確保與項目目標和行業(yè)標準保持一致。隨著這些技術(shù)的成熟，工程師將能把更多時間用于創(chuàng)造性地解決問題，而不是管理工具和數(shù)據(jù)。

趨勢二：2026 年混合 NTN-TN 網(wǎng)絡(luò)成型

非地面網(wǎng)絡(luò)（NTN）正進入新的部署階段，實際應(yīng)用正在補充地面網(wǎng)絡(luò)（TN）基礎(chǔ)設(shè)施。3GPP Release 17 標準為 NTN-TN 互操作性提供了基礎(chǔ)，明確了可靠性和時延參數(shù)，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(gòu)至關(guān)重要。對于無線工程師而言，這一轉(zhuǎn)變帶來了跨直連到手機和網(wǎng)絡(luò)協(xié)調(diào)等方面的新設(shè)計與集成挑戰(zhàn)。

在對銥星軌道和地面站連接的實時仿真中，展示了衛(wèi)星中繼路徑和飛機跟蹤。

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(tài)系統(tǒng)。無線工程師的一個主要技術(shù)關(guān)注點是確保衛(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，因為切換管理和資源協(xié)調(diào)最終將決定整個系統(tǒng)設(shè)計的成敗。對射頻領(lǐng)域來說，NTN-TN 網(wǎng)絡(luò)的出現(xiàn)也意味著對靈活多頻段收發(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。

趨勢三：AI 增強復(fù)雜嵌入式系統(tǒng)性能

AI 對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。當前正發(fā)生轉(zhuǎn)變，即將先進的 AI 模型直接部署到微控制器、現(xiàn)場可編程門陣列（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，工程師不僅要關(guān)注模型的構(gòu)建，更要關(guān)注整個 AI 工作流程。

三項關(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、自動代碼生成和系統(tǒng)級模型測試。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)雜模型能夠高效運行于邊緣設(shè)備。自動代碼生成工具將壓縮后的 AI 模型轉(zhuǎn)換為可針對特定平臺優(yōu)化實現(xiàn)的 C/C++ 代碼。系統(tǒng)級模型測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(guān)重要的一個應(yīng)用領(lǐng)域是虛擬傳感。工程師利用 AI 模型通過其他傳感器數(shù)據(jù)推斷難以直接測量或成本高昂的物理量，實現(xiàn)高效監(jiān)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(chuàng)建了基于深度學(xué)習(xí)的虛擬傳感器，用于實時質(zhì)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(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)。

趨勢四：基于 AI 的 ROM 重新定義仿真與設(shè)計流程

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

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

基于 AI 的降階建模通過利用計算高效的神經(jīng)網(wǎng)絡(luò)或其他 AI 架構(gòu)，捕捉物理模型中最核心的動態(tài)，從而簡化復(fù)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(yōu)化，使實時復(fù)雜系統(tǒng)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(shù)據(jù)進行學(xué)習(xí)。它也可以是混合的，物理知識驅(qū)動的機器學(xué)習(xí)模型，結(jié)合了工程師的物理知識。混合模型所需的數(shù)據(jù)更少，減少了昂貴的全階模型仿真次數(shù)?；旌夏Ｐ瓦€擅長泛化，為不同的輸入信號和參數(shù)值提供更可靠的預(yù)測?；?AI 的 ROM 將變革汽車、航空航天以及能源等多個行業(yè)。 

在汽車工程領(lǐng)域，ROM 可以幫助優(yōu)化充電策略、延長電池壽命并增強電動和混合動力汽車的安全功能。AI 驅(qū)動的模型通過捕捉電化學(xué)動態(tài)，提升電池管理系統(tǒng)（BMS），使控制系統(tǒng)工程師能夠運行快速的系統(tǒng)級仿真來驗證 BMS 邏輯?；?AI 的 ROM 還可以幫助航空航天工程師預(yù)測飛行過程中的氣動力與結(jié)構(gòu)響應(yīng)。它還能降低計算需求，實現(xiàn)實時仿真，支持更輕、更高效飛機的設(shè)計，并加速材料測試，無需大量風(fēng)洞實驗。能源行業(yè)則利用 ROM 預(yù)測設(shè)備性能和系統(tǒng)行為，這對于電網(wǎng)穩(wěn)定性和預(yù)測性維護至關(guān)重要。ROM 能夠預(yù)測變壓器、渦輪機等關(guān)鍵資產(chǎn)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(shè)計中。研究人員正在考慮如何利用 LLM 實現(xiàn)具備上下文感知的決策，并簡化復(fù)雜無線環(huán)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(guān)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(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現(xiàn)的復(fù)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(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，但針對輕量級生成式 A I模型和 AI 原生架構(gòu)的持續(xù)研究，正在為可擴展、邊緣就緒的實現(xiàn)鋪平道路。對于無線系統(tǒng)設(shè)計師而言，這一演進預(yù)示著物理層性能與 AI 驅(qū)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(yīng)對新的技術(shù)和安全挑戰(zhàn)需要跨學(xué)科協(xié)作和細致的系統(tǒng)設(shè)計。通過適應(yīng)這些變化，工程團隊能夠更好地管理復(fù)雜性，打造更強大、更具韌性的未來工程系統(tǒng)。