2026 年至 2030 年间，人工智能和无线通信的进步将在多个关键领域重塑工程实践。智能体 AI（Agentic AI）与标准化协议将简化工程工作流程，混合非地面与地面网络将扩展无线覆盖范围，新的 AI 方法也将增强嵌入式系统和仿真流程。上述趋势将共同改变工程师设计、连接及管理复杂工程系统的方式。
趋势一：智能体 AI 与模型上下文协议重塑工程工作流程
AI 在工程领域的下一个进化方向是智能体 AI。与传统的大语言模型（LLM）只基于内部知识进行响应不同，智能体 AI 系统能够执行工具，获取额外信息或自动化任务。这些系统能够根据用户请求选择合适的工具，为工具格式化数据并对结果进行后处理。智能体 AI 系统可创建和编辑文件、执行代码及解决错误，从而带来诸多可能性。
AI 智能体代理可访问文件系统和数据库，根据用户请求使用合适的工具自动化任务。
开发者目前正在提升智能体 AI 的能力，以确保其在现实世界的安全集成。尽管当前的智能体 AI 系统在有限工具集下效果最佳，但相关研究正致力于扩展其选择和使用更大工具集的能力。随着这些系统越来越多地被赋予对文件系统、数据库和代码执行的访问权限，确保其在执行这些软件开发任务时的安全性至关重要。虽然 LLM 会犯错，但当前研究正聚焦于降低安全风险，让智能体 AI 强大的能力变得更易用、更可信。这些进步将为更广泛的应用和影响铺平道路。
AI 智能体要有效运行，需要可靠的方式来理解和交换信息。模型上下文协议（MCP）正是为此而生，它通过标准化智能体 AI 系统各组件间工具、数据和提示的共享方式，统一了通信与上下文，从而减少误解并促进工具与团队间的顺畅协作。因此工程师可以从多种集成 MCP 的工具中选择，针对每个问题的具体需求定制工具集。
当 AI 智能体与 MCP 结合时，无论底层软件或组织边界如何，它们都能解读和操作工程模型。这一能力使得提出设计备选方案、协调仿真以及实时调整工程工作流程成为可能，确保与项目目标和行业标准保持一致。随着这些技术的成熟，工程师将能把更多时间用于创造性地解决问题，而不是管理工具和数据。
趋势二：2026 年混合 NTN-TN 网络成型
非地面网络（NTN）正进入新的部署阶段，实际应用正在补充地面网络（TN）基础设施。3GPP Release 17 标准为 NTN-TN 互操作性提供了基础，明确了可靠性和时延参数，而 Release 18 则扩展了对 NTN-IoT 和更高频段的支持，这对可扩展、高吞吐量架构至关重要。对于无线工程师而言，这一转变带来了跨直连到手机和网络协调等方面的新设计与集成挑战。
在对铱星轨道和地面站连接的实时仿真中，展示了卫星中继路径和飞机跟踪。
NTN 并非取代 TN，而是对其进行补充，形成将定义下一代全球无线连接的混合生态系统。无线工程师的一个主要技术关注点是确保卫星与地面链路间的可靠切换。NTN 与 TN 间的互操作性至关重要，因为切换管理和资源协调最终将决定整个系统设计的成败。对射频领域来说，NTN-TN 网络的出现也意味着对灵活多频段收发器和在多变传播环境下稳健信道建模的需求日益增长。
趋势三：AI 增强复杂嵌入式系统性能
AI 对嵌入式软件的影响正在加速。复杂嵌入式系统传统上依赖基于规则的逻辑和手工调优算法。当前正发生转变，即将先进的 AI 模型直接部署到微控制器、现场可编程门阵列（FPGA）、GPU 和 NPU。这一集成将使边缘设备能够在本地更快、更智能地做出决策，减少对云连接的依赖，提高系统的弹性。
在将人工智能集成到工程系统时，工程师不仅要关注模型的构建，更要关注整个 AI 工作流程。
三项关键技术支持了向嵌入式 AI 模型的转变：模型压缩方法、自动代码生成和系统级模型测试。结构性模型压缩方法（如剪枝和投影）以及数据类型压缩方法（如量化），使复杂模型能够高效运行于边缘设备。自动代码生成工具将压缩后的 AI 模型转换为可针对特定平台优化实现的 C/C++ 代码。系统级模型测试确保压缩并部署的模型在完整嵌入式系统中表现可靠，验证其功能正确性和真实世界行为。这些工具帮助工程师从概念到部署更加迅速和自信。
嵌入式 AI 模型至关重要的一个应用领域是虚拟传感。工程师利用 AI 模型通过其他传感器数据推断难以直接测量或成本高昂的物理量，实现高效监测，减少额外硬件传感器的需求，同时保持准确性和可靠性。例如，梅赛德斯-奔驰采用嵌入式 AI 方法，创建了基于深度学习的虚拟传感器，用于实时质量流量估算，并将其本地部署于 ECU。虚拟传感的进步降低了成本和复杂性，在广泛的嵌入式应用中创造出更智能、更具响应性的系统。
趋势四：基于 AI 的 ROM 重新定义仿真与设计流程
随着工程挑战在规模和复杂性上的不断增长，基于 AI 的降阶建模（ROM）技术将变得越来越普及。基于 AI 的 ROM 正在帮助工程师弥合详细的第一性原理仿真与对快速设计探索、优化和实时仿真的需求之间的鸿沟。基于 AI 的 ROM 为模型带来了既具备高计算效率又具有高度预测能力的可能性。
风力发电机的非线性降阶模型，包括空气动力学的静态映射以及传动链和转子—塔架动力学的子模型。
基于 AI 的降阶建模通过利用计算高效的神经网络或其他 AI 架构，捕捉物理模型中最核心的动态，从而简化复杂的基于物理的模型。这使得工程师能够更快地进行仿真和优化，使实时复杂系统分析成为可能。AI ROM 的一个例子是纯黑盒 AI 模型，仅使用高保真仿真模型的输入输出数据进行学习。它也可以是混合的，物理知识驱动的机器学习模型，结合了工程师的物理知识。混合模型所需的数据更少，减少了昂贵的全阶模型仿真次数。混合模型还擅长泛化，为不同的输入信号和参数值提供更可靠的预测。基于 AI 的 ROM 将变革汽车、航空航天以及能源等多个行业。
在汽车工程领域，ROM 可以帮助优化充电策略、延长电池寿命并增强电动和混合动力汽车的安全功能。AI 驱动的模型通过捕捉电化学动态，提升电池管理系统（BMS），使控制系统工程师能够运行快速的系统级仿真来验证 BMS 逻辑。基于 AI 的 ROM 还可以帮助航空航天工程师预测飞行过程中的气动力与结构响应。它还能降低计算需求，实现实时仿真，支持更轻、更高效飞机的设计，并加速材料测试，无需大量风洞实验。能源行业则利用 ROM 预测设备性能和系统行为，这对于电网稳定性和预测性维护至关重要。ROM 能够预测变压器、涡轮机等关键资产的故障。
趋势五：信道建模迎来生成式 AI 升级
无线工程师如今正在探索将大语言模型（LLM）纳入其工作流程和设计中。研究人员正在考虑如何利用 LLM 实现具备上下文感知的决策，并简化复杂无线环境的管理。
利用射线追踪信道对通信链路中的移动性进行建模。
信道建模是 LLM 集成中最具潜力的关键流程之一。虽然信道建模最初被认为只是具有可扩展性限制的辅助功能，但如今，准确的信道建模已成为多用户多输入多输出（MIMO）和波束赋形系统的核心环节。生成式 AI（GenAI）将使工程师能够探索以往难以实现的复杂场景，从而生成更具代表性和可操作性的信道模型。
尽管 LLM 目前还无法直接控制物理层功能（如波束指向），但它们可以为指导射频行为的高层决策提供信息。早期部署将受限于功耗和算力，但针对轻量级生成式 A I模型和 AI 原生架构的持续研究，正在为可扩展、边缘就绪的实现铺平道路。对于无线系统设计师而言，这一演进预示着物理层性能与 AI 驱动的编排和决策需求的日益融合。
AI 与无线工程的未来之路
应对新的技术和安全挑战需要跨学科协作和细致的系统设计。通过适应这些变化，工程团队能够更好地管理复杂性，打造更强大、更具韧性的未来工程系统。
作者：Arkadiy Turevskiy、Sohini Sarkar、Houman Zarrinkoub、Mike McLernon 和 Seth DeLand
科元网提示：文章来自网络，不代表本站观点。
