拥抱Agentic AI时代：MathWorks如何以确定性重塑工程设计？

2026年被业界视为“Agentic AI（智能体AI）元年”，当AI能在5分钟内完成过去需要16天才能干完的设计任务时，一个绕不开的问题正在变得愈发尖锐：工程师，会被取代吗？
 
在 MATLAB EXPO China 2026 上，MathWorks向业界证明：AI 不仅仅是聊天机器人或代码助手，它正在成为工程设计的核心驱动力。MathWorks公司 MATLAB 产品家族市场总监 David Rich 在受访时指出，AI正在进入工程设计的核心闭环，并在保证“确定性”的前提下深度参与系统级开发。
 
 
 
AI在工程中，已经走到哪一步？
 
在回答“AI将扮演什么角色”之前，MathWorks选择先回答另一个更现实的问题：AI已经在工程世界里做了什么？
 
在这场MATLAB EXPO的开头，MathWorks公司 MATLAB 产品家族市场总监 David Rich并没有急着谈模型、工具或者Agent，而是用三个看似分散、但实际上极具代表性的案例，把AI在工程世界的真实位置勾勒了出来：
 
在医疗领域，美敦力用AI驱动植入式心脏监护系统，实现对生命体征的持续感知；在半导体领域，普林斯顿大学用AI参与无线芯片设计；而在能源领域，伊顿则通过AI优化太阳能发电系统的整体效率，它们共同指向的，是一个已经发生的事实——AI并没有停留在软件层，而是已经进入具体工程系统，并开始参与“系统级决策”。
 
AI是如何悄无声息的走到这一步的？对此，David Rich给出了一个非常清晰的范式迁移路径：从最早的Function时代——以算法为中心，让工程师可以调用函数解决问题；到App时代——通过图形化界面与工作流，让复杂系统可以被复用与协同；再到今天的GenAI时代——AI开始生成代码、解释逻辑，工程师仍然掌控意图与验证；以及正在到来的Agentic AI时代——AI不仅能生成，还可以读需求、执行流程、自动迭代。
 
这条路径背后的本质变化，是工程控制权的转移：从人写代码，走向人定义目标。
 
也正是在这一背景下，智能体的概念开始变得清晰：什么是智能体？它不仅能像Copilot一样写代码，它还能自主理解架构需求。它能根据文档指令自动创建子系统模型、管理参数并解决代数环问题，真正扮演起数字同事的角色，主动推进设计循环。
 
而根据David Rich的现场演示，AI已经进入工程设计循环本身。AI不仅能够编写代码，还可以根据需求，直接构建控制系统结构。
 
在其展示的结构中，AI不再是一个外部工具，而是贯穿于数据、设计、编译以及使用整个流程之中。同时，在AI在问题求解循环中的作用中可以看到，AI不仅参与设计，还参与解题、数据处理和设计优化。AI 能够完成的任务的复杂程度正在呈指数级增长。
 
 
 
在所有技术点中，最具颠覆性的，是AI降阶模型。
 
传统工程流程依赖的是“物理建模—仿真计算—参数优化”的逐步迭代路径，工程师需要围绕高精度物理模型反复计算和修正，从而在较长周期内逐步逼近最优解，而在引入AI之后，这一路径被重构为“物理模型—试验设计—神经网络训练—AI近似模型”的新范式，即通过对物理模型进行数据采样与学习，构建一个能够快速响应的AI替代模型，从而在设计阶段实现数量级上的加速。
 
其结果就是过去需要16天的时间可以压缩到5分钟，更关键的是，这一变化意味着工程设计从“围绕精确模型的慢速迭代”，转向“基于近似模型的快速循环”，工程师的工作方式也随之发生改变——不再直接与高复杂度物理模型进行高成本交互，而是先通过AI近似模型进行大规模快速迭代筛选，再将结果回归真实系统进行验证与收敛，从而形成一种“快迭代+强验证”的新型工程设计节奏。
 
MathWorks助力AI加速进入工程系统
 
当AI具备能力之后，一个更现实的问题出现了：AI如何进入工程系统？
 
为了让AI Agent与强大的 MATLAB® 执行环境无缝对接，MathWorks推出了MATLAB Core MCP Server。这是一个基于 MCP（Model Context Protocol）开放标准的连接层，它充当了各种大语言模型（如 Claude、OpenAI、通义灵码、Trae）与 MATLAB 执行环境之间的桥梁，无需用户搭建自定义服务器，通过 JSON 即可配置。这是工程设计的“连接层”，通过这一桥梁，工程师可以跨越 AI 模型与工程执行之间的鸿沟。
 
 
 
在MATLAB MCP Core Server的用户分布中，目前美国位居第一，中国排名第二，其后依次为英国、日本和德国，这一结果表明中国已经进入该平台全球用户规模的第一梯队，同时也反映出其在AI与工程工具链融合应用中的较高活跃度。
 
“我希望在本届EXPO之后，中国的相关数据能够出现大幅增长！”David Rich表示。
 
此外，MathWorks还引入了Skill Files（技能文件）机制，用于将经过验证的工程最佳实践封装为可复用的任务模板与工作流约束。借助Skill Files，AI Agent在执行任务时可在预定义的步骤、参数与设计规则范围内进行推理与生成，从而提升结果的一致性、可追溯性与可验证性。这有助于将AI生成的代码与模型构件约束到工程可接受的解空间内，降低不符合工程约束的输出风险，并支持后续的系统级验证与确认流程。
 
然而，AI的工程化落地最难在最后一公里——即受限的硬件环境。针对这一痛点，MathWorks 提出了系统化的“三步走”方案：  
 
l 模型压缩与量化：通过 Taylor 投影剪枝、量化等技术手段，显著降低模型对内存和计算资源的占用。  
 
l 开放的互操作性：支持将外部训练好的模型（如 PyTorch、TensorFlow Lite、以及符合ONNX标准的模型）无缝导入，并与现有的 Simulink 系统进行集成和仿真。  
 
l 针对硬件的自动代码生成：通过 GPU Coder 和HDL Coder，针对特定嵌入式平台生成面向深度学习优化的 C/C++/CUDA 或 RTL代码，从而压榨硬件的每一分算力。   
 
在现场演示中，AI Agent 能够根据需求说明，自主在 Simulink® 中构建复杂的 F1 赛车模型子系统，并自动验证模型运行情况 。这种自动化水平远超简单的“编写代码”，它触及了代码理解、调试和系统级设计的核心。
 
在如何支持生成式AI的问题上，MathWorks构建了一种更具工程理性的“双节奏策略”：一方面，坚持每年两次高质量产品发布的节奏，通过严格的工程验证体系与成熟的软件发布流程，确保平台本身的稳定性与可靠性，从而为GenAI提供一个可依赖的基础运行环境；另一方面，在常规发布周期之外，又通过更加灵活的机制快速推进功能迭代，将新技术能力及时引入产品体系之中，以满足客户不断变化的需求，并持续吸收包括大模型、Agent等在内的前沿技术进展。
 
工程师的未来：原则不变，工作流在变
 
“学习使用生成式 AI，就像学习与一位新同事共事。”David Rich表示，这位“新同事”记忆力惊人、速度极快，但在处理复杂任务时可能过于自信。工程设计的原则并没有改变，但实现方式正在剧变。
 
未来，工程师的核心竞争力将从“手动建模”转向“系统验证”与“策略指导”。AI 时代的演进将持续数年，但工程师必须从现在开始采取行动——获取实践经验、调整技能树，在确定性的物理模型与灵活的 AI智能体之间找到最佳平衡点。
 
 
 
但是，无论AI如何演进，第一性原理、物理理解、系统约束——这些工程的核心能力，并不会消失。
 
结语
 
AI正在进入工程系统，但工程体系本身并不会因AI而改变其运行规则。AI可以用于生成模型、加速设计、优化流程，但前提是，这些结果必须经过约束与验证，只有在满足工程级确定性的情况下，才能真正被纳入系统。
 
在David Rich看来，生成式AI的本质特征是“不确定性”——同一个问题多次询问，可能得到不同答案；但在航空、汽车、医疗等高安全等级领域，行业所要求的恰恰是“确定性”，甚至是接近100%的确定性。因此，MathWorks的策略是在拥抱AI提升效率的同时，依托MATLAB/Simulink构建一套严谨的测试与验证机制，将AI生成的碎片化结果纳入系统化集成与验证流程之中，从而确保其工程可用性。
 
在一个强调速度的AI时代，这种对确定性的坚持，或许才是真正决定AI能否落地的关键。