AI定义汽车时代，MathWorks如何让代码从“不确定”变为“可信”？

当前，随着生成式AI成为席卷全行业的技术浪潮，汽车行业正经历从软件定义汽车（Software Defined Vehicles, SDV）向AI定义汽车的深刻跃迁。
 
一方面，软件定义汽车的深化让研发复杂度陡增，多域融合、快速迭代的行业诉求，倒逼开发工具链完成生产力升级；另一方面，汽车作为典型的安全关键领域，对代码确定性、全链路可追溯性、功能安全合规性有着零容错的刚性要求，生成式AI天然的黑箱属性、输出非确定性、可追溯缺口等短板，使其难以直接支撑量产级研发。
 
近日，2026 MathWorks中国汽车年会（MAC）在上海举办，MathWorks嵌入式软件及认证产品经理Tom Erkkinen发表主题演讲，系统阐释了“可信工具+生成式AI”的融合落地路径。会议期间，Tom还围绕生成式AI的落地边界、车规合规路径、工程师角色演进、产品布局规划等行业核心关切，向半导体行业观察在内的媒体分享了MathWorks的深度观察与工程实践。
 
MathWorks嵌入式软件及认证资深产品经理Tom Erkkinen
 
生成式AI落地汽车，破解效率与安全困局 

Tom的职业履历颇为独特。据悉，在加入MathWorks之前，他曾在NASA工作，开发航天飞机机器人系统的控制算法和实时软件。这段经历让他对安全关键系统有着深刻的理解。如今，Tom领导的团队支持DO-178、ISO 26262和AUTOSAR等行业标准，专注于通过建模和仿真设计安全关键的软件。
 
正是这种贯穿航空与汽车的视角，使其对生成式AI在汽车行业的落地有着清醒的判断。“生成式AI对生产力的提升是显而易见的，”Tom在采访中表示，“但今天我主要想传达的是：生成式AI如何与行业规范和安全要求相结合，更好地帮助开发工作实现工程化落地。”
 
在演讲中，Tom提出了一个清晰的框架——可靠的工具+GenAI，这个框架包含设计加速、量产就绪、系统验证等多个核心维度，其基本逻辑是让生成式AI的创造性与经过数十年验证的工程工具链的确定性相结合。
 
众所周知，汽车系统不仅要满足安全可认证的强制要求，还要应对复杂多域耦合的技术挑战，最终还要实现与物理世界的可靠交互。而生成式AI与生俱来的五大局限：黑箱特性、结果非确定性、可追溯性缺口、输出质量不一致、规模化落地难等，恰恰与汽车行业的核心诉求相悖。
 
“最大的挑战是生成式AI输出的不确定性——同样的输入可能给出不同的结果，”Tom指出，“如何把这种不确定性降到最低或限定在可控范围内，是用户最大的顾虑。”
 
正因如此，这也催生了业内两极分化的观点：一部分开发者认为生成式AI将彻底颠覆传统MBD（Model-Based Design）设计范式，另一部分则认为它仅能作为轻量化辅助工具。
 
对此，Tom向半导体行业观察表述了清晰的边界判定：“分歧的本质是目标场景的差异。对于非安全关键、无需量产工程化的原型开发，直接用大语言模型生成代码确实能快速落地；但对于安全关键系统，产品化、可验证、可认证是不可逾越的底线，这正是MBD深耕数十年的核心优势。”
 
Tom强调，MathWorks的解决方案是让生成式AI去调用已经过验证的、确定性的工具。“大语言模型的创新能力很强，但要让它在工程化和产品化中落地，关键是把产出从不确定变成确定，这正是我们工具链的价值所在。”
 
AI Agent，重塑汽车建模开发全流程 

在可信工具的基座之上，生成式AI最先释放价值的环节是前端设计与建模。Tom在演讲中以F1赛车整车建模为例，直观展示了AI Agent的落地能力：基于详细的架构需求文档，AI Agent可自动完成子系统拆分、顶层模型集成、参数文件生成，甚至严格遵循规范完成求解器配置、代数环处理、驾驶工况模拟等精细化操作，最终输出可直接运行的仿真模型。
 
这套能力的背后，是MathWorks搭建的“大模型-工程工具”的连接体系。Tom在采访中明确了MathWorks的定位：“我们本身并不开发大语言模型，核心是通过MATLAB®模型上下文协议（MCP），将主流大模型与MATLAB、Simulink®工具链打通。目前我们主要接入OpenAI模型，同时也支持开源大模型接入，并持续评估不同模型与工程场景的适配效果。”
 
如果说MCP是连接大模型与工具的通用桥梁，那么Skills就是保障输出质量、控制使用成本的核心抓手。Tom解释道，Skills本质是一组专家级指令集，告诉大语言模型如何规范地理解、修改、创建Simulink模型，既能让输出符合工程规范，又能大幅降低无效Token消耗——这是企业必须考虑的问题，因为Token的消耗直接关系到成本。
 
MathWorks 通过 MCP 与 Agentic Toolkit，将经过验证的工程工具能力与可定制的 Skills 机制结合起来：一方面提供面向 MATLAB、Simulink 产品的通用 Skills，另一方面支持企业根据自身领域知识和设计规范进行定制，为生成式 AI 在工程场景中的可控落地提供了更灵活的架构基础。
 
 
Tom在演讲中分享的另一个案例则展示了AI Agent在嵌入式软件开发中的潜力，其自动编写了超过4000行MATLAB代码，并完成了与STM32微控制器的集成。此外，AI Agent还能自动生成测试用例并与需求建立关联。
 
这些案例引发了一个关键问题的思考：AI Agent是否会取代工程师？
 
Tom认为：“工程师与生成式AI是合作关系，而非替代关系。”在他看来，工程师的角色正在发生转变。“Simulink Agentic Toolkit出现后，工程师可以让AI Agent来执行具体任务，比如生成规范需求、生成测试用例、创建模型等。工程师要做的事情会更偏向高层次——定义目标和架构，同时对AI生成的结果进行审核和评审。原来软件工程师更多聚焦在实现层面，接下来更多要做评审、系统定义和框架权衡的工作，这些会更有价值。”
 
从AI生成到整车量产，打通最后一公里 

如果说设计加速是提速度，那么量产就绪就是守底线，也是汽车行业应用生成式AI的核心卡点。
 
前文提到，生成式AI可以快速生成代码，但从“能运行”到“能上车”之间，还面临巨大的鸿沟。因此，如何打通GenAI创作与汽车量产软件的实际需求，成为行业关注的焦点。
 
MathWorks的回答是：将生成式AI的能力嵌入到已经过认证的、成熟的MBD工作流中。
 
从行业进展来看，MBD在航空航天领域已应用近50年，在汽车行业也有三四十年的积淀。这套工作流从需求到架构到详细设计，再到代码生成和测试验证，已经形成了一套完整的、可追溯的、可认证的工程体系，早已为汽车安全关键嵌入式系统建立了信任基线。
 
“相比之下，纯粹用大语言模型生成代码，理论上虽然也可以通过一整套测试验证流程获得认证，但目前缺乏成熟经验。而且大语言模型的一个根本问题是：稍微改动输入，生成的代码就可能不同——这是很大的隐患。”Tom说道。
 
而MBD与GenAI结合的路径，则从根源上规避了这一问题。
 
据Tom介绍，MathWorks的Embedded Coder早已通过ISO 26262 ASIL D认证，从经过验证的模型中生成的代码具备确定性与唯一性，以及从需求到架构到详细设计，整套工具链都能保证可追溯性。
 
而生成式AI的价值，就是不会打破这套可信体系，而是在这套成熟可信的框架内做效率加法。AI参与的是模型设计的辅助环节，最终的代码生成、合规校验仍由可信工具完成，这样既保留了AI的效率优势，又继承了MBD的合规能力。这也是生成式AI+MBD相比直接用大语言模型生成代码的显著优势所在。
 
针对AI生成内容的质量校验，Polyspace工具套件能够提供完整的闭环方案。Polyspace Test可完成基于需求的测试与结构覆盖率分析，Polyspace Bug Finder与Code Prover则能检测代码鲁棒性、安全漏洞与编码标准符合性，确保最终输出的代码满足量产质量要求。
 

在工具侧的迭代节奏上，MathWorks也找到了稳定与创新的平衡点。Tom介绍，MathWorks保持每年两次高质量正式版本发布，所有核心工具都经过充分验证，为工程研发提供可信根基；而Skills、MCP等生成式AI相关能力，则在正式版本之外快速迭代，持续响应客户需求、跟进技术演进。
 

根据产品路线图显示，继2026年4月发布MATLAB Agentic Toolkit与Simulink Agentic Toolkit后，MathWorks还将把Agentic AI能力逐步拓展至Polyspace、Roadrunner等其他产品，持续丰富领域专项技能，覆盖从设计、代码生成到测试验证的全研发流程。
 
结语 

在生成式AI浪潮席卷汽车行业的今天，MathWorks给出的答案是“可信工具+GenAI”——既不完全拥抱AI的创造性而忽视工程化的严谨性，也不固守传统工具而拒绝AI带来的效率提升。
 
对于正在探索生成式AI落地的汽车工程团队，Tom给出了务实的建议：从成熟的MBD工作流出发，在现有可信框架内逐步引入生成式AI能力，而非盲目推翻原有体系。与此同时，行业标准也在同步演进，ISO 22440等涉及AI功能安全的标准仍处于草案阶段，MathWorks也将持续跟进标准动态，确保产品与合规要求对齐。
 
正如Tom在演讲结尾所说：“今天展示的示例，只是当前借助可靠的工具与生成式AI所能实现的一小部分。”
 
在AI定义汽车的时代，这场融合或许才刚刚开始。