1 引言
1.1 研究背景与意义
现代产品与系统的复杂度呈指数级增长，传统DBSE依赖分散文档进行信息传递，存在“孤岛效应”、一致性差、变更同步低效等固有缺陷，已难以满足复杂系统研发需求。MBSE以模型为核心，实现系统需求、设计、分析、验证的一体化管理，在航空航天、国防、汽车等领域得到广泛应用。国际上，NASA通过MBSE Pathfinder项目、注入与现代化倡议等，实现航天任务研发效率提升；国内中航工业、比亚迪、华为等企业也开展试点应用，验证了MBSE在设计效率与系统性能优化中的价值。
然而，MBSE在实际应用中面临多重挑战：其一，从业人员需掌握SysML/UML建模语言与系统工程思维，培训成本高昂；其二，复杂系统跨学科、多组件特性导致设计信息量爆炸，超出传统建模工具极限；其三，建模过程以手动为主，自动化程度低、易出错，模型一致性难以保障；其四，历史模型因领域差异、语义异构，重用性极低。AI技术从符号主义、机器学习演进至深度学习与大语言模型（LLM）阶段，具备强大的语义理解、特征提取、自动生成能力，为解决MBSE痛点提供了全新思路，AI4MBSE成为推动系统工程变革的关键方向。
1.2 AI4MBSE概念演进
AI4MBSE概念于2019年在INCOSE会议论文中首次提出，核心是通过AI技术赋能MBSE全生命周期活动，提升自动化与智能化水平。2020年，美国国防部支持的系统工程研究中心提出AI4SE与SE4AI研究路线图，明确“人机共学”目标；2022年，相关研究深入分析AI4MBSE需具备的关键能力，发布未来愿景；2024年，多模态分类器与垂直域大模型在医疗标准数据提取与MBSE集成中的应用，验证了其技术潜力。尽管AI4MBSE已引发学界与工业界广泛关注，但尚未形成系统综述，概念边界与研究路线仍不清晰，亟需通过文献梳理与分析填补这一空白。
2 核心研究内容总结
2.1 MBSE发展现状与挑战
2.1.1 MBSE国内外应用进展
国外以NASA为代表，从2012年试点应用起步，逐步将MBSE纳入组织级工程转型战略，通过多项目实践形成“试点-完善-推广”的演进路径，在国际空间站、航空动力改进等项目中实现需求管理与接口定义的高效协同。国内MBSE应用处于起步阶段，中航工业、中国商飞、比亚迪等企业在航空设备、民用飞机、汽车研发中开展试点，华中科技大学将其应用于工业机器人数字孪生系统开发，华为启动MBSE数字变革项目，但在方法论研发、人才储备、应用推广等方面仍落后于欧美。
2.1.2 MBSE核心挑战
1. 培训代价高：MBSE要求从业人员兼具建模语言技能与系统工程思维，思维转变与技能培养周期长；
2. 系统复杂度激增：跨学科、多组件特性导致设计信息量爆炸，传统建模方法难以应对；
3. 自动化程度低：手动建模耗时费力、主观性强，模型准确性与一致性难以保障；
4. 模型重用困难：不同领域模型语义异构、耦合性强，跨项目与跨领域复用率极低。
2.2 AI4MBSE研究现状
论文基于中国知网、Scopus、Wiley Online Library数据库，检索2019-2024年相关文献，按MBSE三大核心环节梳理AI应用现状：
2.2.1 AI赋能需求管理
需求管理是MBSE的首要环节，核心目标是保障需求的完整性、一致性与可追溯性。AI技术的应用主要体现在：
- 非结构化需求处理：利用NLP与LLM技术，将自然语言需求转换为结构化条目，实现需求分类、优先级排序与歧义检测，如BERT模型用于航空航天需求分类，LLM实现需求标准化管理；
- 需求追溯与验证：通过本体技术与语义网络，建立自然语言需求与系统模型的双向追溯链路，利用回归分析与神经网络预测需求变更波动性，提升需求可验性。
现存问题：依赖高质量需求文档，对模糊、专业度高的需求处理能力不足，缺乏跨领域需求整合的有效手段。
2.2.2 AI赋能系统建模
系统建模是MBSE的核心，目标是构建系统结构、行为与性能模型。AI技术的应用聚焦于：
- 模型自动生成：通过NLP提取文本中的实体与关系，自动生成SysML/UML图（类图、块定义图、活动图等），结合知识图谱实现多源异构数据到系统模型的自动映射；
- 模型可视化增强：融合虚拟现实（VR）、增强现实（AR）技术，实现三维沉浸式模型验证与调试，提升跨学科协同效率，如VR-SysML集成方法支持早期设计评估。
现存问题：生成模型依赖完备高质量数据，复杂需求下准确性不足；模型生成过程“黑箱化”，可解释性差，部分生成结果不符合工程实际。
2.2.3 AI赋能验证与确认
验证与确认旨在确保系统模型满足需求与性能要求，AI技术的应用包括：
- 性能评估与优化：利用贝叶斯网络、LSTM等模型，实现系统故障概率预测、参数优化与不确定性建模，结合模型降阶技术提升计算效率；
- 仿真与决策支持：通过语义技术集成领域知识与系统模型，自动生成仿真方案，利用虚拟现实技术实现系统快速重新配置与依赖性识别。
现存问题：跨学科数据格式与仿真工具异构，多源数据整合难度大；面对动态设计变更，AI模型泛化性与灵活性不足。
2.3 AI4MBSE关键技术
2.3.1 自然语言处理（NLP）
NLP是AI4MBSE的基础技术，核心作用是处理非结构化文本（需求文档、技术手册、会议记录等）：
- 应用场景：需求提取与结构化转换、SysML/UML模型自动生成、需求与模型的语义追溯；
- 优势：突破自然语言与建模语言的语义壁垒，大幅减少手动转换工作量；
- 挑战：长文档语义一致性维护困难，跨领域专业术语理解不足，复杂句式逻辑解析准确率有待提升。
2.3.2 大语言模型（LLM）
LLM作为NLP的前沿技术，凭借强大的语义理解与生成能力，成为AI4MBSE的核心引擎：
- 应用场景：需求标准化与冲突检测、系统模型架构生成、验证报告自动撰写、自然语言交互建模；
- 优势：具备上下文感知能力，支持少样本/零样本学习，适配复杂系统的模糊需求处理；
- 挑战：MBSE领域高质量标注数据稀缺，微调难度大；生成结果缺乏自主验证机制，准确性与工程适用性需人工核验；检索增强生成难以捕捉全局信息，长文本总结能力有限。
2.3.3 本体与知识图谱
本体与知识图谱是结构化知识表示与管理的核心技术，解决MBSE的知识整合与重用问题：
- 应用场景：跨领域知识统一表示、系统模型语义对齐、历史模型检索与重用、多源异构数据集成；
- 优势：明确实体、属性与关系，打破知识“孤岛”，支持语义推理与智能检索；
- 挑战：跨领域知识规范化表达难度大，领域本体构建耗时，动态知识更新与维护机制不完善。
2.4 研究空白与未来展望
2.4.1 核心研究空白
1. 全生命周期协同缺失：现有研究聚焦单一环节，缺乏跨越需求管理、系统建模、验证与确认的AI驱动工作流，环节间衔接自动化不足；
2. 通用框架与数据瓶颈：AI模型高度依赖高质量数据，MBSE领域数据稀缺与不均衡问题突出，缺乏兼具领域泛化能力与快速开发特性的通用框架；
3. 标准体系尚未建立：缺乏统一的接口规范、数据交换协议与评估指标，导致工具异构、语义互操作困难，阻碍AI4MBSE规模化应用。
2.4.2 研究展望
1. AI赋能需求管理：未来将实现需求自动化捕获、智能分析与验证、优先级动态排序、定制化需求生成与优化；
2. AI赋能系统建模：重点发展模型自动生成与评估、人机协同建模、模型可信性分析与决策支持；
3. AI赋能验证与确认：聚焦仿真模型自动转换、数据驱动决策支持、不确定性管理、跨领域仿真决策整合。
2.4.3 未来研究趋势
1. LLM跨领域知识整合：融合多领域数据与专家知识，打破行业壁垒，实现复杂系统的跨学科协同建模；
2. 知识图谱与LLM融合建模：知识图谱提供结构化领域知识，支撑LLM精准微调与模型校验，形成“知识-模型-验证”闭环；
3. 生成式AI创成设计：从“辅助建模”向“创成设计”演进，自动生成多样化、可验证的系统设计方案，支持人机协同优化。
2.5 核心创新点提炼
1. 首次系统性综述AI4MBSE：填补该领域缺乏综合综述的空白，清晰界定AI4MBSE的概念边界、研究范畴与演进脉络；
2. 构建三大关键技术体系：明确NLP、LLM、本体与知识图谱在AI4MBSE中的定位、应用与挑战，形成完整技术框架；
3. 精准定位研究空白：指出全生命周期协同、通用框架构建、标准体系缺失三大核心问题，为后续研究指明靶点；
4. 提出三大未来趋势：基于技术演进与工程需求，提出LLM跨领域整合、知识图谱与LLM融合、生成式AI创成设计，引领AI4MBSE发展方向。
3 结论
MBSE已成为复杂系统研发的核心方法，但系统复杂度激增与自动化水平不足制约其规模化应用。AI技术的发展为MBSE赋能提供了革命性路径，AI4MBSE通过自然语言处理、大语言模型、本体与知识图谱等关键技术，在需求管理、系统建模、验证与确认三大环节实现效率提升与质量优化。
本文通过系统梳理近六年研究成果，明确AI4MBSE的研究现状与技术瓶颈，指出当前缺乏全生命周期AI驱动工作流、通用框架不足、标准体系缺失等研究空白，并提出针对性未来方向。研究表明，AI4MBSE的核心价值在于打破传统MBSE的手动依赖与知识壁垒，推动系统工程从“模型驱动”向“智能驱动”转型。
未来，需重点攻克跨领域知识整合、人机协同建模、生成式设计与自主验证等关键技术，构建涵盖接口规范、数据协议与评估指标的标准体系，实现AI与MBSE的深度融合。AI4MBSE的成熟与落地，将显著降低复杂系统研发成本、缩短周期、提升可靠性，为航空航天、国防、汽车等高端制造业的智能化升级提供核心支撑。
参考文献：AI赋能基于模型的系统工程研究现状与展望，宋则隆等，系统工程与电子技术
